mimo-voice-assistant は何をしますか？
🎤 MiMo 音声アシスタント — OpenClaw 向けエンドツーエンド音声アシスタントスキル。TTS（MiMo-V2-TTS）+ STT（MiMo-V2-Omni）+ 感情認識 + マルチプラットフォーム対応。
機能概要
- エンドツーエンド音声対話：音声入力から応答生成、音声出力までを一貫して処理。
- MiMo-V2-TTS による高品質 TTS：自然で滑らかなテキスト読み上げを提供。
- MiMo-V2-Omni による高精度 STT：ノイズ環境下でも正確な音声認識を実現。
- 感情認識：ユーザーの音声から感情（喜び、怒り、悲しみなど）を検出し、応答に反映。
- マルチプラットフォーム対応：Windows、macOS、Linux、モバイルデバイスで動作。
インストール
# OpenClaw 環境へのスキルインストール
openclaw install Nciae-Zyh/mimo-voice-assistant
設定
スキルを使用するには、以下の環境変数を設定してください。
| 変数名 | 説明 | 必須 |
|---|---|---|
MIMO_TTS_API_KEY | MiMo-V2-TTS の API キー | はい |
MIMO_STT_API_KEY | MiMo-V2-Omni の API キー | はい |
MIMO_EMOTION_API_KEY | 感情認識 API のキー（オプション） | いいえ |
使用方法
基本的な音声対話
# OpenClaw スキル設定例
skills:
- name: mimo-voice-assistant
config:
tts_model: "MiMo-V2-TTS"
stt_model: "MiMo-V2-Omni"
emotion_enabled: true
感情認識の有効化
# 感情認識を有効にして音声認識を実行
from mimo_voice import MimoVoiceAssistant
assistant = MimoVoiceAssistant(emotion_enabled=True)
result = assistant.recognize_speech("audio_input.wav")
print(f"文字起こし: {result['text']}")
print(f"検出された感情: {result['emotion']}")
マルチプラットフォーム対応
- デスクトップ：Windows（DirectSound）、macOS（CoreAudio）、Linux（PulseAudio）のネイティブオーディオをサポート。
- モバイル：Android（AudioRecord）、iOS（AVAudioEngine）のネイティブオーディオキャプチャに対応。
- Web：Web Audio API によるブラウザベースの音声入力に対応。
API リファレンス
recognize_speech(audio_path, emotion_enabled=False)
音声ファイルを認識し、テキストとオプションの感情情報を返します。
synthesize_speech(text, voice="default")
テキストを音声に変換し、オーディオファイルを生成します。
get_supported_platforms()
現在サポートされているプラットフォームのリストを返します。
ライセンス
MIT License
コントリビューション
バグ報告や機能リクエストは GitHub Issues までお寄せください。