原始记录
来源、收到日期和原话
E001 · 原始记录
部分借鉴：Mac 做在 AgentEar 上，补语音打断。64GB 级联可做一路
返回概览 · 原始记录
来源、收到日期和原话
证据、对比和深入分析
可落地的方案、流程和基础设施
结论、工作量和建议的第一步
调研全双工、可被打断（barge-in）的语音交互模型或交付模式。想在学校部署，跑在本地配置较好的主机上：Mac（M 系列 Max/Ultra）64GB、128GB、256GB 三个内存档，或同等级 Windows 主机（例如带大显存 GPU 的工作站）。希望由 ASR + LLM + TTS 一系列模型（或端到端 speech-to-speech 模型）组成语音交互 Agent，实时双工、最好可以被打断，后台可以调用跑在本机（如 64GB 机器）上的 API。也可以给几个服务器级别的选项作对比（更大内存/显存是否效果更好）。问 64GB 能不能做到可用的语音沟通。
2026-11-12 补充：要的是可部署的完整方案，不只是选模型。包括编排框架和代码级架构、正常回合与被打断回合的时序、每档的模型服务与教室网络和安全、参考代码骨架，以及分阶段工作量。
2026-11-12 再补充：必须评估 VoxCPM（OpenBMB）和 MOSS 语音模型（OpenMOSS / fnlp，例如 MOSS-TTSD、MOSS-Speech 或更新的 MOSS 语音发布），以及其他用户会认为是一线的方案。要在 GitHub 与 Hugging Face 上做调查，给出 6 到 10 个完整语音 Agent 方案的排序，每档内存一个明确的第一名。
2026-11-12 再补充：仓库 https://github.com/idoris-ai/agentear 已经有语音输入法，并且已经接上 agent24，但是没有全双工，也没有 barge-in。交互和 AI 调用路径可能也要优化。