New:Introducing Socket Scanning for VS Code Marketplace Extensions.Learn more →

Get Started

univoice

Package Overview

Dependencies

Advanced tools

Install Socket

Detect and block malicious and high-risk dependencies

Install

univoice

Unified Voice SDK for TTS and ASR

latest

Source

npm

Version: 0.11.0

Version published: 6 months ago

Weekly downloads: 0

Maintainers: 1

Weekly downloads

Created: 8 months ago

Source

统一的 TTS（文字转语音）和 ASR（语音识别）SDK

快速开始 · API 文档 · 支持的提供商

简介

univoice 是一个统一的语音处理 SDK，提供统一的 API 来调用多种 TTS（文字转语音）和 ASR（语音识别）服务提供商。

核心特性

🎯 统一 API - 一套 API 调用多种语音服务提供商
🔄 流式支持 - TTS 支持流式输入和输出，适合 LLM 流式输出场景
🚀 边发边收 - LLM 流式输出可直接转换为语音，显著降低首字延迟
🔌 插件化架构 - 轻松扩展支持新的语音服务提供商
📦 TypeScript 优先 - 完整的类型定义支持
🌳 Tree-Shaking 支持 - 按需加载，减少打包体积

适用场景

AI 助手语音交互
有声书/播客生成
客服语音系统
实时语音翻译
语音消息应用

安装

# 使用 pnpm
pnpm add univoice

# 使用 npm
npm install univoice

# 使用 yarn
yarn add univoice

环境要求

Node.js >= 20.0.0

快速开始

TTS（文字转语音）

非流式合成

最简单的使用方式，适合已知完整文本的场景：

import { createTTS } from 'univoice';

const tts = createTTS({
  provider: 'doubao',
  appId: 'your-app-id',
  accessToken: 'your-access-token',
  voice: 'zh_female_tianmeixiaoyuan_moon_bigtts',
  format: 'mp3',
});

const response = await tts.synthesize({
  text: '欢迎来到杭州！',
});

console.log(`音频格式: ${response.format}`);
console.log(`音频大小: ${response.audio.length} bytes`);

流式合成

适合流式输入场景，支持两种输入模式：

import { createTTS } from 'univoice';

const tts = createTTS({
  provider: 'doubao',
  appId: 'your-app-id',
  accessToken: 'your-access-token',
  voice: 'zh_female_tianmeixiaoyuan_moon_bigtts',
  format: 'pcm',
  sampleRate: 24000,
});

// 方式一：字符串输入
const text = '欢迎来到龙井村。这里是西湖龙井茶的原产地。';
for await (const { audioChunk } of tts.speak(text)) {
  console.log('收到音频块:', audioChunk.length);
}

// 方式二：流式文本输入（如 Generator）
async function* textGenerator() {
  yield '你好，';
  yield '世界！';
}
for await (const { audioChunk } of tts.speak(textGenerator())) {
  console.log('收到音频块:', audioChunk.length);
}

LLM 流式输出转语音（核心特性）

将 LLM 的流式输出直接转换为语音，实现边发边收，显著降低首字延迟：

import OpenAI from 'openai';
import { createTTS } from 'univoice';

const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });
const tts = createTTS({
  provider: 'doubao',
  appId: 'your-app-id',
  accessToken: 'your-access-token',
  voice: 'zh_female_tianmeixiaoyuan_moon_bigtts',
  format: 'pcm',
  sampleRate: 24000,
});

// 创建 OpenAI 流式请求
const openaiStream = await openai.chat.completions.stream({
  model: 'gpt-4o-mini',
  messages: [{ role: 'user', content: '请介绍 TypeScript' }],
  stream: true,
});

// 直接将 OpenAI stream 传入 TTS speak
const chunks: Uint8Array[] = [];
for await (const { audioChunk } of tts.speak(openaiStream)) {
  chunks.push(audioChunk);
  console.log('收到音频块');
}

// 保存音频
import { writeFileSync } from 'node:fs';
const buffer = Buffer.concat(chunks.map(c => Buffer.from(c)));
writeFileSync('output.pcm', buffer);

保存音频

使用工具函数快速保存音频：

import { createTTS, saveAudio } from 'univoice';

const tts = createTTS({ /* config */ });

// 直接保存流式输出
await saveAudio('output.pcm', tts.speak('你好，世界！'));

// 保存非流式输出
import { saveTTSResponse } from 'univoice';
const response = await tts.synthesize({ text: '你好' });
const filepath = await saveTTSResponse(response);
console.log(`已保存到: ${filepath}`);

ASR（语音识别）

import { createASR } from 'univoice';
import { readFileSync } from 'node:fs';

const asr = createASR({
  provider: 'openai',
  apiKey: 'your-api-key',
  model: 'whisper-1',
});

const audioBuffer = readFileSync('audio.mp3');

// 流式识别
for await (const chunk of asr.listen(audioBuffer)) {
  console.log(`识别文本: ${chunk.text}`);
  if (chunk.isFinal) {
    console.log('识别完成');
  }
}

按需加载（Tree-Shaking）

univoice 支持 tree-shaking，你可以按需加载所需的 provider，减少打包体积。

方式一：自动注册全部 Provider

适合需要使用多个 provider 的场景：

import 'univoice/tts/providers';  // 注册所有 TTS provider
import { createTTS } from 'univoice/tts';

const tts = createTTS({ provider: 'doubao', ... });

方式二：手动注册单个 Provider（推荐）

只打包需要的 provider，最小化打包体积：

import { createTTS, registerTTSProvider } from 'univoice/tts';
import { DoubaoTTS } from 'univoice/tts/providers/doubao';

// 只注册需要的 provider
registerTTSProvider('doubao', DoubaoTTS);

const tts = createTTS({ provider: 'doubao', ... });

方式三：直接使用 Provider 类

最精简的方式，不使用工厂函数：

import { DoubaoTTS } from 'univoice/tts/providers/doubao';

const tts = new DoubaoTTS({
  appId: 'your-app-id',
  accessToken: 'your-access-token',
  // ...
});

const response = await tts.synthesize({ text: '你好' });

可用导入路径

路径	说明
`univoice`	主入口，导出所有 API（不自动注册 provider）
`univoice/tts`	TTS 模块入口
`univoice/tts/providers`	自动注册所有 TTS provider
`univoice/asr`	ASR 模块入口
`univoice/asr/providers`	自动注册所有 ASR provider

API 文档

TTS API

创建实例

import { createTTS } from 'univoice';

const tts = createTTS({
  provider: 'doubao' | 'openai' | 'minimax' | 'qwen' | 'qwen-realtime' | 'gemini' | 'glm' | 'xfyun',
  // 通用配置
  apiKey?: string,
  baseUrl?: string,
  model?: string,
  voice?: string,
  format?: 'mp3' | 'wav' | 'ogg' | 'flac' | 'pcm',
  speed?: number,
  volume?: number,
  pitch?: number,
  language?: string,
  // doubao 专用
  appId?: string,
  accessToken?: string,
  resourceId?: string,
  sampleRate?: number,
});

方法

方法	说明	返回类型
`tts.synthesize(request)`	非流式合成	`Promise<TTSResponse>`
`tts.speak(input)`	流式合成	`AsyncIterable<TTSStreamChunk>`
`tts.listVoices?()`	列出可用声音	`Promise<TTSVoice[]>`

工具函数

函数	说明
`saveTTSResponse(response, options)`	保存 TTS 响应到文件
`saveAudio(filename, stream)`	保存流式音频到文件
`collectAudio(response, options)`	收集音频数据
`playAudio(response, options)`	播放音频
`teeAudio(response, options)`	同时保存和播放

ASR API

创建实例

import { createASR } from 'univoice';

const asr = createASR({
  provider: 'doubao' | 'openai' | 'minimax' | 'qwen' | 'gemini' | 'glm' | 'xfyun',
  apiKey?: string,
  baseUrl?: string,
  model?: string,
  language?: string,
  prompt?: string,
  responseFormat?: 'json' | 'text' | 'srt' | 'vtt' | 'verbose_json',
});

方法

方法	说明	返回类型
`asr.listen(audio)`	流式语音识别	`AsyncIterable<ASRStreamChunk>`

工具函数

函数	说明
`saveText(text, options)`	保存识别文本到文件
`collectText(response, options)`	收集识别结果

支持的提供商

能力矩阵

各提供商对输入输出模式的支持情况如下，帮助您根据实际场景选择合适的提供商。

ASR 能力矩阵

提供商	标识符	流式输入	一次性输入	流式输出	一次性输出
豆包（火山引擎）	`doubao`	✅	✅	✅	✅
通义千问	`qwen`	✅	✅	✅	✅
智谱 GLM	`glm`	❌	✅	✅	✅
OpenAI	`openai`	待实现	待实现	待实现	待实现
MiniMax	`minimax`	-	-	-	-
Gemini	`gemini`	待实现	待实现	待实现	待实现
科大讯飞	`xfyun`	✅	✅	✅	✅

TTS 能力矩阵

提供商	标识符	流式输入	一次性输入	流式输出	一次性输出
豆包（火山引擎）	`doubao`	✅	✅	✅	✅
通义千问	`qwen`	✅	✅	✅	✅
智谱 GLM	`glm`	❌	✅	✅	✅
OpenAI	`openai`	待实现	待实现	待实现	待实现
MiniMax	`minimax`	✅	✅	✅	✅
Gemini	`gemini`	待实现	待实现	待实现	待实现
科大讯飞	`xfyun`	✅	✅	✅	✅

能力说明

能力	说明
流式输入	支持边发边收，如 LLM 流式输出直接转语音、实时音频流识别
一次性输入	一次性发送完整文本/音频
流式输出	结果以流的形式返回，适合实时处理场景
一次性输出	返回完整结果，适合批量处理场景

配置示例

豆包（火山引擎）

const tts = createTTS({
  provider: 'doubao',
  appId: process.env.DOUBAO_APP_ID,
  accessToken: process.env.DOUBAO_ACCESS_TOKEN,
  voice: 'zh_female_tianmeixiaoyuan_moon_bigtts',
  resourceId: 'seed-tts-2.0',
  format: 'mp3',
  sampleRate: 24000,
});

OpenAI

const tts = createTTS({
  provider: 'openai',
  apiKey: process.env.OPENAI_API_KEY,
  model: 'tts-1',
  voice: 'alloy',
  speed: 1.0,
});

const asr = createASR({
  provider: 'openai',
  apiKey: process.env.OPENAI_API_KEY,
  model: 'whisper-1',
  language: 'zh',
});

MiniMax

const tts = createTTS({
  provider: 'minimax',
  apiKey: process.env.MINIMAX_API_KEY,
  groupId: process.env.MINIMAX_GROUP_ID,
  voice: 'female-tianmei',
  format: 'mp3',
});

通义千问

const tts = createTTS({
  provider: 'qwen',
  apiKey: process.env.QWEN_API_KEY,
  model: 'cosyvoice-v3-flash',
  voice: 'longxiaochun_v3',
  format: 'mp3',
});

const asr = createASR({
  provider: 'qwen',
  apiKey: process.env.QWEN_API_KEY,
  model: 'paraformer-realtime-v2',
  language: 'zh-CN',
  format: 'mp3',
});

Gemini

const tts = createTTS({
  provider: 'gemini',
  apiKey: process.env.GEMINI_API_KEY,
  voice: 'Kore',
  language: 'zh-CN',
});

智谱 GLM

const tts = createTTS({
  provider: 'glm',
  apiKey: process.env.GLM_API_KEY,
  model: 'glm-tts',
  voice: 'tongtong', // 可选: xiaochen, chuichui, jam, kazi, douji, luodo, female, male
  format: 'pcm',     // 支持 wav 和 pcm，流式只支持 pcm
});

const asr = createASR({
  provider: 'glm',
  apiKey: process.env.GLM_API_KEY,
  model: 'glm-asr-2512',
  hotwords: ['人工智能', '机器学习'], // 可选：热词列表，提高特定词汇识别准确率
  context: '这是一段技术演讲',        // 可选：上下文文本，用于长文本场景优化
});

科大讯飞

const tts = createTTS({
  provider: 'xfyun',
  appId: process.env.XFYUN_APP_ID,
  apiSecret: process.env.XFYUN_API_SECRET,
  apiKey: process.env.XFYUN_API_KEY,
  voice: 'x5_lingxiaoxuan_flow',
  model: 'super-human-tts',
  format: 'pcm',
  sampleRate: 16000,
});

const asr = createASR({
  provider: 'xfyun',
  appId: process.env.XFYUN_APP_ID,
  apiSecret: process.env.XFYUN_API_SECRET,
  apiKey: process.env.XFYUN_API_KEY,
  language: 'zh-CN',
});

Univoice 性能基准测试报告

⚠️ 重要说明

本报告仅反映在使用 univoice 时不同服务商和模型之间的相对性能差异，仅供参考，不代表服务商和模型的绝对性能。

实际测试结果受多种因素影响，包括但不限于：

网络波动与延迟

测试环境与地理位置

univoice 的实现方式

服务商当前的负载情况

服务商对模型的迭代

如需评估服务商的真实性能，建议直接使用服务商官方 SDK 进行测试。

生成时间: 2026/4/9 20:47:20

环境: Node.js v24.14.0, darwin arm64

TTS 性能指标

场景说明

场景	说明
非流式入/流式出	完整文本输入，实时音频流输出
非流式入/非流式出	完整文本输入，完整音频返回

指标说明

指标	含义	计算方法	作用
首包延迟	从发送请求到收到第一个音频块的时间	所有测试首包延迟的平均值	反映 TTS 服务的响应速度
平均间隔	稳定状态下平均每个 chunk 的间隔时间	(总耗时 - 首包延迟) / (chunk数 - 1) 的平均值	反映 TTS 服务吐数据块的节奏
P50	中位数，50% 请求低于此值	所有耗时排序后取中位数	反映典型请求的性能
P95	95% 请求低于此值	所有耗时排序后取第95百分位	评估尾部延迟，了解最坏情况
标准差	延迟的离散程度	各耗时与平均值差值的平方的均值的平方根	值越小性能越稳定
吞吐量	每秒处理的字符数	文本长度 / 平均耗时(秒)	值越大处理效率越高

非流式入/流式出

服务商	模型	音色	编码格式	采样率 (Hz)	测试次数	首包延迟 (ms)	平均间隔 (ms)	P50 (ms)	P95 (ms)	标准差 (ms)	吞吐量 (chars/s)
通义千问	cosyvoice-v3-flash	longanyang	pcm	8000	6	624	118	8726	10184	838	64.1
通义千问	cosyvoice-v3-flash	longanyang	pcm	16000	6	556	64	8586	9838	3129	77.1
通义千问	cosyvoice-v3-flash	longanyang	pcm	22050	6	573	57	8328	11354	1178	65.2
通义千问	cosyvoice-v3-flash	longanyang	pcm	24000	6	704	67	11027	12958	1619	54.0
通义千问	cosyvoice-v3-flash	longanyang	pcm	44100	6	532	27	8558	10379	3168	76.3
通义千问	cosyvoice-v3-flash	longanyang	pcm	48000	6	578	27	8588	9112	443	67.5
通义千问	cosyvoice-v3-flash	longanyang	opus	8000	9	729	23	8813	12104	1307	92.0
通义千问	cosyvoice-v3-flash	longanyang	opus	16000	9	760	23	8797	13435	3442	94.0
通义千问	cosyvoice-v3-flash	longanyang	opus	22050	18	测试失败	-	-	-	-	-
通义千问	cosyvoice-v3-flash	longanyang	opus	24000	9	821	20	8368	13894	3968	105.0
通义千问	cosyvoice-v3-flash	longanyang	opus	44100	6	测试失败	-	-	-	-	-
通义千问	cosyvoice-v3-flash	longanyang	opus	48000	12	662	21	8402	17053	4134	136.8
通义千问	cosyvoice-v3-plus	longanyang	pcm	8000	6	839	153	11754	11923	517	49.3
通义千问	cosyvoice-v3-plus	longanyang	pcm	16000	6	792	81	11509	12051	4063	59.6
通义千问	cosyvoice-v3-plus	longanyang	pcm	22050	6	832	69	10916	11902	1025	52.8
通义千问	cosyvoice-v3-plus	longanyang	pcm	24000	6	868	75	11809	12117	195	48.2
通义千问	cosyvoice-v3-plus	longanyang	pcm	44100	6	801	34	11631	11973	3981	59.3
通义千问	cosyvoice-v3-plus	longanyang	pcm	48000	6	868	37	11900	13024	882	48.6
通义千问	cosyvoice-v3-plus	longanyang	opus	8000	9	1063	30	11896	12627	331	71.7
通义千问	cosyvoice-v3-plus	longanyang	opus	16000	9	902	22	11514	12601	4307	93.2
通义千问	cosyvoice-v3-plus	longanyang	opus	22050	9	测试失败	-	-	-	-	-
通义千问	cosyvoice-v3-plus	longanyang	opus	24000	9	819	17	11060	11858	5180	122.9
通义千问	cosyvoice-v3-plus	longanyang	opus	44100	9	测试失败	-	-	-	-	-
通义千问	cosyvoice-v3-plus	longanyang	opus	48000	9	846	17	11501	12383	5206	118.3
通义千问	cosyvoice-v2	longyingxiao	pcm	8000	6	1602	99	9461	12421	3538	66.8
通义千问	cosyvoice-v2	longyingxiao	pcm	16000	6	1575	67	9929	11489	3463	65.0
通义千问	cosyvoice-v2	longyingxiao	pcm	22050	6	1299	49	9829	11190	3612	67.4
通义千问	cosyvoice-v2	longyingxiao	pcm	24000	6	1673	60	10435	11589	875	54.7
通义千问	cosyvoice-v2	longyingxiao	pcm	44100	6	1299	32	9563	11176	917	59.3
通义千问	cosyvoice-v2	longyingxiao	pcm	48000	6	1700	30	10863	12202	1336	53.8
通义千问	cosyvoice-v2	longyingxiao	opus	8000	6	920	16	8183	12148	4475	85.7
通义千问	cosyvoice-v2	longyingxiao	opus	16000	6	1141	15	9283	10047	4008	84.3
通义千问	cosyvoice-v2	longyingxiao	opus	22050	6	测试失败	-	-	-	-	-
通义千问	cosyvoice-v2	longyingxiao	opus	24000	6	1443	20	9942	11236	3302	64.7
通义千问	cosyvoice-v2	longyingxiao	opus	44100	6	测试失败	-	-	-	-	-
通义千问	cosyvoice-v2	longyingxiao	opus	48000	6	1085	19	9183	10977	3316	70.5
通义千问	cosyvoice-v1	longwan	pcm	8000	6	675	114	6465	6533	220	89.6
通义千问	cosyvoice-v1	longwan	pcm	16000	6	728	58	6363	6776	199	88.9
通义千问	cosyvoice-v1	longwan	pcm	22050	6	681	43	6336	7031	303	88.2
通义千问	cosyvoice-v1	longwan	pcm	24000	6	694	39	6246	7566	551	87.8
通义千问	cosyvoice-v1	longwan	pcm	44100	6	1029	23	6641	10311	1427	79.5
通义千问	cosyvoice-v1	longwan	pcm	48000	6	661	20	6626	6753	219	87.3
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	pcm	8000	9	815	127	6269	7875	745	132.4
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	pcm	16000	6	903	123	6208	6887	337	91.3
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	pcm	24000	4	961	122	6331	6854	512	60.9
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	pcm	48000	3	1274	121	6379	6867	415	44.8
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	opus	8000	6	1039	16	6191	7811	680	87.9
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	opus	16000	4	1101	16	6600	6928	273	57.4
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	opus	24000	3	1078	16	6665	7372	446	42.0
qwen-realtime	qwen3-tts-instruct-flash-realtime	Cherry	opus	48000	3	941	16	6339	6852	346	44.5
qwen-realtime	qwen3-tts-flash-realtime	Cherry	pcm	8000	3	494	81	3877	3883	91	74.7
qwen-realtime	qwen3-tts-flash-realtime	Cherry	pcm	16000	3	489	85	3923	4608	355	69.3
qwen-realtime	qwen3-tts-flash-realtime	Cherry	pcm	24000	3	450	82	3951	4131	125	71.8
qwen-realtime	qwen3-tts-flash-realtime	Cherry	pcm	48000	3	570	79	3859	3861	73	74.8
qwen-realtime	qwen3-tts-flash-realtime	Cherry	opus	8000	3	508	10	3918	3987	136	73.9
qwen-realtime	qwen3-tts-flash-realtime	Cherry	opus	16000	3	501	11	3786	3846	68	75.6
qwen-realtime	qwen3-tts-flash-realtime	Cherry	opus	24000	3	473	10	3899	4131	124	72.0
qwen-realtime	qwen3-tts-flash-realtime	Cherry	opus	48000	3	457	10	3807	4134	176	73.3
qwen-realtime	qwen-tts-realtime	Cherry	pcm	24000	3	667	63	4585	4897	169	61.1
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	pcm	8000	3	679	62	3082	3373	156	90.3
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	pcm	16000	3	710	61	3224	3297	35	87.8
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	pcm	24000	3	935	112	3531	9650	2997	52.6
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	pcm	48000	3	760	61	3181	3397	151	89.0
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	ogg_opus	8000	3	827	60	3146	3722	318	86.8
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	ogg_opus	16000	3	653	62	3254	3461	231	88.9
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	ogg_opus	24000	3	670	102	3429	7919	2209	59.3
豆包	seed-tts-1.0	zh_male_lengkugege_emo_v2_mars_bigtts	ogg_opus	48000	3	698	65	3217	3603	200	85.8
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	pcm	8000	3	491	65	3810	3859	29	74.6
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	pcm	16000	3	500	66	3752	3832	43	75.5
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	pcm	24000	3	510	65	3760	3783	50	76.3
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	pcm	48000	3	560	64	3770	3835	43	75.4
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	ogg_opus	8000	3	511	65	3733	3798	70	76.6
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	ogg_opus	16000	3	509	65	3740	3761	52	76.7
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	ogg_opus	24000	3	514	66	3810	3837	41	75.1
豆包	seed-tts-2.0	zh_female_vv_uranus_bigtts	ogg_opus	48000	3	476	64	3631	3839	125	77.7
MiniMax	speech-2.8-hd	male-qn-qingse	pcm	8000	3	399	10	2496	2728	112	110.9
MiniMax	speech-2.8-hd	male-qn-qingse	pcm	16000	3	431	6	2533	2989	295	109.6
MiniMax	speech-2.8-hd	male-qn-qingse	pcm	22050	3	458	3	2203	2379	88	126.4
MiniMax	speech-2.8-hd	male-qn-qingse	pcm	24000	3	453	3	2281	3109	436	114.0
MiniMax	speech-2.8-hd	male-qn-qingse	pcm	32000	3	490	3	2781	2945	288	107.0
MiniMax	speech-2.8-hd	male-qn-qingse	pcm	44100	3	465	2	2323	2410	61	122.2
MiniMax	speech-2.8-turbo	male-qn-qingse	pcm	8000	3	374 🏆	8	1890 🏆	2051 🏆	88	147.8 🏆
MiniMax	speech-2.8-turbo	male-qn-qingse	pcm	16000	3	419	5	2528	2876	367	115.7
MiniMax	speech-2.8-turbo	male-qn-qingse	pcm	22050	3	386	3	2188	2298	80	129.8
MiniMax	speech-2.8-turbo	male-qn-qingse	pcm	24000	3	486	3	2483	2679	156	114.6
MiniMax	speech-2.8-turbo	male-qn-qingse	pcm	32000	3	395	2	2382	2453	169	123.9
MiniMax	speech-2.8-turbo	male-qn-qingse	pcm	44100	3	447	2	2398	2489	213	124.2
MiniMax	speech-2.6-hd	male-qn-qingse	pcm	8000	3	484	12	2552	2889	174	107.7
MiniMax	speech-2.6-hd	male-qn-qingse	pcm	16000	3	708	6	2824	3097	214	100.6
MiniMax	speech-2.6-hd	male-qn-qingse	pcm	22050	3	554	4	2581	3188	296	102.9
MiniMax	speech-2.6-hd	male-qn-qingse	pcm	24000	3	522	4	2799	2902	156	103.9
MiniMax	speech-2.6-hd	male-qn-qingse	pcm	32000	3	490	3	2526	2707	164	113.4
MiniMax	speech-2.6-hd	male-qn-qingse	pcm	44100	3	588	2	2821	2943	167	102.9
MiniMax	speech-2.6-turbo	male-qn-qingse	pcm	8000	3	479	9	2201	2225	53	131.0
MiniMax	speech-2.6-turbo	male-qn-qingse	pcm	16000	3	511	5	2203	2574	196	123.9
MiniMax	speech-2.6-turbo	male-qn-qingse	pcm	22050	3	458	4	2157	2740	318	124.0
MiniMax	speech-2.6-turbo	male-qn-qingse	pcm	24000	3	450	3	1990	2484	235	132.4
MiniMax	speech-2.6-turbo	male-qn-qingse	pcm	32000	3	526	3	2291	2415	86	123.7
MiniMax	speech-2.6-turbo	male-qn-qingse	pcm	44100	3	476	2	2037	2113	79	140.9
MiniMax	speech-02-hd	male-qn-qingse	pcm	8000	3	490	15	2680	3387	1141	126.5
MiniMax	speech-02-hd	male-qn-qingse	pcm	16000	3	497	6	2485	2625	90	113.7
MiniMax	speech-02-hd	male-qn-qingse	pcm	22050	3	519	4	2674	2795	154	108.3
MiniMax	speech-02-hd	male-qn-qingse	pcm	24000	3	528	4	2785	3025	116	99.6
MiniMax	speech-02-hd	male-qn-qingse	pcm	32000	3	610	3	2816	3432	303	94.8
MiniMax	speech-02-hd	male-qn-qingse	pcm	44100	3	555	2	2837	3231	197	96.5
MiniMax	speech-02-turbo	male-qn-qingse	pcm	8000	3	429	10	1979	2730	370	129.1
MiniMax	speech-02-turbo	male-qn-qingse	pcm	16000	3	456	5	2026	2761	431	131.0
MiniMax	speech-02-turbo	male-qn-qingse	pcm	22050	3	418	4	2563	2919	349	113.2
MiniMax	speech-02-turbo	male-qn-qingse	pcm	24000	3	862	4	2714	2877	277	109.4
MiniMax	speech-02-turbo	male-qn-qingse	pcm	32000	3	424	2	1995	2120	75	141.2
MiniMax	speech-02-turbo	male-qn-qingse	pcm	44100	3	436	2	2244	2815	270	117.1
MiniMax	speech-01-hd	male-qn-qingse	pcm	8000	3	484	10	2247	2306	30	125.9
MiniMax	speech-01-hd	male-qn-qingse	pcm	16000	3	505	6	2531	2559	46	113.4
MiniMax	speech-01-hd	male-qn-qingse	pcm	22050	3	464	4	2375	2483	227	125.5
MiniMax	speech-01-hd	male-qn-qingse	pcm	24000	3	538	4	2325	2856	266	114.8
MiniMax	speech-01-hd	male-qn-qingse	pcm	32000	3	590	3	2548	2634	143	114.3
MiniMax	speech-01-hd	male-qn-qingse	pcm	44100	3	592	2	2432	2509	136	119.9
MiniMax	speech-01-turbo	male-qn-qingse	pcm	8000	3	427	10	2146	2243	72	132.4
MiniMax	speech-01-turbo	male-qn-qingse	pcm	16000	3	516	4	1965	2055	59	144.1
MiniMax	speech-01-turbo	male-qn-qingse	pcm	22050	3	465	4	2088	2247	119	135.9
MiniMax	speech-01-turbo	male-qn-qingse	pcm	24000	3	471	3	2048	2201	74	135.9
MiniMax	speech-01-turbo	male-qn-qingse	pcm	32000	3	490	2	2101	2148	99	138.6
MiniMax	speech-01-turbo	male-qn-qingse	pcm	44100	3	448	2 🏆	1920	2100	99	145.2
智谱 GLM	glm-tts	tongtong	pcm	24000	3	861	542	5037	5614	296	54.8
小米 Mimo	mimo-v2-tts	default_zh	pcm	24000	-	未测试	-	-	-	-	-
科大讯飞	super-human-tts	x5_lingxiaoxuan_flow	pcm	8000	3	543	17	2704	2897	119	104.1
科大讯飞	super-human-tts	x5_lingxiaoxuan_flow	pcm	16000	3	511	17	2629	2721	51	107.5
科大讯飞	super-human-tts	x5_lingxiaoxuan_flow	pcm	24000	3	592	16	2690	2709	28 🏆	106.3

ASR 性能指标

场景说明

场景	说明
流式入/流式出	实时音频流输入，实时识别结果输出
非流式入/非流式出	完整音频输入，完整结果返回
非流式入/流式出	完整音频输入，实时识别结果输出

注意：标记 * 的场景使用 WebSocket 流式传输后聚合结果，并非原生非流式。

指标说明

指标	含义	计算方法	作用
首包延迟	从发送请求到收到第一个识别结果的时间	所有测试首包延迟的平均值	反映 ASR 服务的响应速度
平均间隔	稳定状态下平均每个 chunk 的间隔时间	(总耗时 - 首包延迟) / (chunk数 - 1) 的平均值	反映 ASR 服务吐识别结果的节奏
P50	中位数，50% 请求低于此值	所有耗时排序后取中位数	反映典型请求的性能
P95	95% 请求低于此值	所有耗时排序后取第95百分位	评估尾部延迟，了解最坏情况
标准差	延迟的离散程度	各耗时与平均值差值的平方的均值的平方根	值越小性能越稳定
RTF	实时因子，处理时间与音频时长的比值	处理耗时 / 音频时长	值越小效率越高，<1 表示快于实时
准确率	识别正确的字符比例	正确字符数 / 总字符数	值越高识别越准确
CER	字符错误率，需编辑操作的字符比例	(替换+删除+插入) / 总字符数	值越低识别越准确

非流式入/流式出

服务商	模型	语言	输入格式	采样率 (Hz)	测试次数	首包延迟 (ms)	平均间隔 (ms)	P50 (ms)	P95 (ms)	标准差 (ms)	RTF
通义千问	paraformer-realtime-v2	zh-CN	pcm	16000	3	978	82	685	2085	666	1.32
通义千问	paraformer-realtime-v1	zh-CN	pcm	16000	3	439 🏆	29 🏆	498 🏆	509 🏆	10 🏆	0.57
豆包	bigmodel	zh-CN	pcm	16000	3	513	69	904	960	107	0.99
科大讯飞	iat	zh-CN	pcm	16000	3	1551	927	2835	2948	587	0.12 🏆

数据更新于: 2026-04-14

开发指南

本地开发

# 克隆仓库
git clone https://github.com/shenjingnan/univoice.git
cd univoice

# 安装依赖
pnpm install

# 构建项目
pnpm build

# 运行测试
pnpm test

# 代码检查
pnpm lint

# 格式化代码
pnpm format

添加新提供商

在 src/tts/providers/ 或 src/asr/providers/ 创建新文件
继承 BaseTTS 或 BaseASR 类
实现必要的方法
导出 Provider 类

// src/tts/providers/my-provider.ts
import { BaseTTS } from '@/tts/index';
import type { TTSOptions, TTSRequest, TTSResponse } from '@/types/tts';

export class MyTTS extends BaseTTS {
  constructor(options: TTSOptions) {
    super(options);
  }

  async synthesize(request: TTSRequest): Promise<TTSResponse> {
    // 实现合成逻辑
    return {
      audio: Buffer.from('...'),
      format: 'mp3',
    };
  }
}

然后在 src/tts/providers/index.ts 中添加自动注册：

import { MyTTS } from './my-provider';
import { registerTTSProvider } from '../index';

registerTTSProvider('my-provider', MyTTS);

项目结构

src/
├── index.ts           # 主入口，导出所有公开 API
├── tts/               # TTS 模块
│   ├── base.ts        # BaseTTS 抽象类
│   ├── factory.ts     # 工厂函数
│   ├── protocols/     # 协议实现
│   │   ├── volcengine.ts
│   │   ├── dashscope.ts
│   │   ├── dashscope-realtime.ts
│   │   ├── minimax.ts
│   │   └── xfyun.ts
│   ├── utils/         # 工具函数
│   │   ├── save.ts
│   │   ├── save-audio.ts
│   │   ├── collect.ts
│   │   ├── play.ts
│   │   └── tee.ts
│   └── providers/     # 提供商实现
│       ├── doubao.ts
│       ├── openai.ts
│       ├── minimax.ts
│       ├── qwen.ts
│       ├── qwen-realtime.ts
│       ├── gemini.ts
│       ├── glm.ts
│       └── xfyun.ts
├── asr/               # ASR 模块
│   ├── base.ts        # BaseASR 抽象类
│   ├── factory.ts     # 工厂函数
│   ├── protocols/     # 协议实现
│   │   ├── dashscope.ts
│   │   ├── sauc.ts
│   │   └── xfyun.ts
│   ├── utils/         # 工具函数
│   │   ├── audio.ts
│   │   ├── collect.ts
│   │   ├── save.ts
│   │   ├── ogg-muxer.ts
│   │   └── opus-decode.ts
│   └── providers/     # 提供商实现
│       ├── doubao.ts
│       ├── openai.ts
│       ├── minimax.ts
│       ├── qwen.ts
│       ├── gemini.ts
│       ├── glm.ts
│       └── xfyun.ts
└── types/             # 类型定义
    ├── index.ts
    ├── tts.ts
    ├── asr.ts
    ├── llm-stream.ts
    └── voices/
        ├── doubao.ts
        ├── minimax.ts
        ├── qwen.ts
        └── glm.ts

许可证

Apache-2.0

贡献

欢迎提交 Issue 和 Pull Request！

致谢

感谢以下语音服务提供商：

Keywords

FAQs

What is univoice?

Is univoice popular?

Is univoice well maintained?

Package last updated on 25 Apr 2026

univoice

简介

核心特性

适用场景

安装

环境要求

快速开始

TTS（文字转语音）

非流式合成

流式合成

LLM 流式输出转语音（核心特性）

保存音频

ASR（语音识别）

按需加载（Tree-Shaking）

方式一：自动注册全部 Provider

方式二：手动注册单个 Provider（推荐）

方式三：直接使用 Provider 类

可用导入路径

API 文档

TTS API

创建实例

方法

工具函数

ASR API

创建实例

方法

工具函数

支持的提供商

能力矩阵

ASR 能力矩阵

TTS 能力矩阵

能力说明

配置示例

豆包（火山引擎）

OpenAI

MiniMax

通义千问

Gemini

智谱 GLM

科大讯飞

Univoice 性能基准测试报告

TTS 性能指标

场景说明

指标说明

非流式入/流式出

ASR 性能指标

场景说明

指标说明

非流式入/流式出

开发指南

本地开发

添加新提供商

项目结构

许可证

贡献

致谢

Keywords

Related posts

Composer 2.11 Adds Dependency Cooldowns

Cursor Removes Malicious Claude Code 2.1.313 Extension From Its Marketplace