直接在电脑上跑的轻量级AI交互工具，支持语音AI转文字、小豆-语音转文字、小豆配音三大核心功能，用Python调用字节跳动豆包大模型官方API，输入文字即可获取AI回复，自动转语音播放或完成配音创作。整个流程全本地完成：无需搭建服务器、不依赖网页端、也不用登录账号。项目自带venv虚拟环境、.env配置文件和预设依赖列表，Windows和macOS均可直接运行。代码串联起请求发送、响应解析、语音转文字、配音合成与音频播放环节，语音部分采用系统级TTS接口，开箱即用无额外安装步骤。适合快速测试豆包模型效果、进行语音转文字创作或定制配音内容的开发者，也方便将功能集成进桌面AI工具——只需修改核心模块即可更换语音引擎、扩展多轮对话等，代码结构清晰注释到位，二次开发门槛极低。
1. 项目
核心优势： 极简闭环的本地AI体验
你是否曾为测试大模型、制作语音内容而卡在登录网页、手动转换格式、折腾服务器等繁琐步骤？是否想给桌面设备添上好用的语音工具，却担心第三方服务的隐私风险或操作复杂？我们推出的这套方案完美解决这些痛点，核心设计原则为：完全本地运行、全程可控的音频流、直观的配置界面、可调试的代码逻辑。
这套方案不是简单的功能拼接，而是针对豆包官方API深度适配的轻量交互闭环。技术实现上：采用标准库构造API请求，无需额外SDK；调用系统原生语音引擎，无需第三方语音服务；音频全程在内存中流转，不生成临时文件。核心代码拆分为独立函数，每个函数控制在30行内，注释详细且自带异常兜底，新手也能轻松看懂与修改。
它真正解决的是“使用门槛”问题：只需在.env中填入API密钥，执行一行命令即可启动，输入内容后短时间内就能得到自然语音或配音结果。全程无后台进程、无额外弹窗，关闭终端即完成会话，完全不产生隐私泄露风险。
2. 三大功能模块解析：可插拔的设计架构
2.1 语音AI转文字模块：精准高效的本地识别
- 核心逻辑：调用系统原生语音识别接口，自动过滤非有效字符，支持长音频分句处理，避免识别中断；
- 适配平台：Windows适配微软语音识别引擎，macOS适配苹果Siri语音识别，Linux适配espeak-ng；
- 优势：无需联网（除API请求）、识别准确率高、适配多场景，适合会议录音转写、访谈内容整理等需求。
2.2 小豆-语音转文字模块：自然流畅的语音合成
- 核心逻辑：调用操作系统TTS引擎，支持音色、语速、音量的灵活配置，长文本自动分句合成；
- 适配平台：Windows支持多种中文音色，macOS支持Tingting、MeiJia等自然音色；
- 优势：发音接近真人、支持多风格调整、内存流处理不占磁盘空间，适合日常语音播报、有声书制作等场景。
2.3 小豆配音模块：丰富多样的配音创作
- 核心逻辑：集成多风格配音引擎，支持自定义语气、停顿、语速，输出高质量音频文件；
- 适配场景：短视频配音、广告配音、有声读物等；
- 优势：提供多种音色选择、支持批量处理、配置简单易懂，满足各类配音需求。
3. 环境配置与使用要点
3.1 三步启动，零依赖冲突
- 创建虚拟环境：通过python -m venv命令创建纯净环境，避免全局Python版本干扰；
- 安装依赖：仅需安装requests和python-dotenv，无需额外语音库；
- 配置API密钥：在.env文件中正确填写豆包API密钥，确保编码为UTF-8无BOM格式，密钥前后无引号。
3.2 灵活配置，定制专属功能
通过.env文件可调整多项参数：切换语音引擎、选择音色、调整语速音量、开启音频保存等，无需修改代码即可实现个性化定制，满足不同场景的使用需求。
4. 常见问题排查与性能实测
针对启动报错、语音异常、API调用失败等常见问题，提供了明确的排查指引，帮助用户快速解决问题。实测显示，整套方案在不同平台均表现稳定，内存占用低、响应速度快，连续运行无异常，适合长期使用。