メニュー
Expert guide for speech-mcp - TTS, local/streaming STT, barge-in, wake word, voice command bus, and provider selection.
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/sandraschi/speech-mcp --skill speech-expertコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SKILL.md を表示中
| name | speech-expert |
| description | Expert guide for speech-mcp - TTS, local/streaming STT, barge-in, wake word, voice command bus, and provider selection. |
speech-mcp is a multi-provider speech gateway: text-to-speech (TTS), speech-to-text (STT), realtime voice, wake word, and a fleet voice command bus. It runs as an MCP server (stdio or HTTP) with a React webapp.
| Need | Use | Why |
|---|---|---|
| Batch/file transcription | transcribe_audio_file (provider funasr) | FunASR MLT-Nano: offline, multilingual, VAD+punctuation+diarization |
| Live streaming with partials | streaming_stt (sherpa-onnx) | ja/en/de, CPU, emits partials + endpoint |
| Barge-in / interruption | barge_in_feed | Completed utterance = interrupt signal |
| Cloud quality, realtime conversation | start_evi_session / Gemini Live | Hume EVI or gemini_live |
| Tiny chunks / stateless | transcribe_stream_chunk | base64 PCM per fragment |
Guidance: default to funasr for accuracy + offline; use streaming_stt when you need
text as it is spoken (voice agents, live captions); use barge_in_feed to let the user
interrupt the assistant (no echo cancellation - gate mic feeding while it speaks).
text_to_speech(provider=...) - windows (SAPI5, always works), gemini (highest
cloud quality, voice=Kore etc.), hume (emotional/expressive), elevenlabs (needs
voice_id from manage_voice_clones), gemma (local, SAPI fallback).
text_to_dialogue = multi-voice ElevenLabs conversation.
configure_local_wake_word(action="start|stop|status") - openWakeWord, offline.FLEET_VOICE_DELEGATE=1 the listener routes wake -> STT -> POST fleet-agent /api/voice/intent. SHERPA_ASR_ENABLED=1 switches capture to streaming (no fixed
window) with a follow-up turn./api/v1/health (provider booleans), /api/v1/diagnostics, /api/tools,
/api/skills, /api/v1/tts, /api/v1/voices, /api/v1/transcribe,
/api/v1/wake_word, /api/v1/utility, /api/v1/stop, /api/v1/shutdown.
FUNASR_ENABLED=true, FUNASR_MODEL=FunAudioLLM/Fun-ASR-MLT-Nano-2512
(31 langs incl. en/ja/de), FUNASR_DEVICE=cuda:0|cpu. Requires uv sync --extra funasr.SHERPA_ASR_ENABLED=true, SHERPA_ASR_LANG=en|ja|de, SHERPA_BARGE_IN=true.
Requires uv sync --extra sherpa + just sherpa-download.GOOGLE_API_KEY, HUME_API_KEY, ELEVENLABS_API_KEY.funasr:false -> funasr extra not installed (uv sync --extra funasr) or model
needs trust_remote_code (already set). Device cpu vs cuda:0 mismatch.streaming_stt unavailable -> SHERPA_ASR_ENABLED off or model not downloaded./api/v1/health; try windows provider first.SPEECH_MCP_AUTH_TOKEN must be sent as X-Speech-MCP-Auth.Full docs: docs/STREAMING_ASR.md, docs/providers/funasr.md, docs/TROUBLESHOOTING.md.