AI音频翻译器：集成语音识别、大语言模型翻译与文本转语音

这是一个基于Python的开源项目，旨在通过Telnyx的API实现一个完整的AI音频翻译器。用户可以将任何音频文件（如播客、会议录音或讲座）上传到系统中，系统首先使用语音识别（STT）将源语言转录为文本，然后调用大语言模型（LLM）进行翻译，最后通过文本转语音（TTS）生成目标语言的音频。输出结果包括翻译后的音频文件以及对齐的转录文本，便于用户对照和理解。

项目利用了Telnyx平台提供的三个核心API：STT Transcribe（用于语音转文本）、AI Inference（用于大语言模型推理翻译）和TTS Generate（用于文本转语音）。其架构设计清晰，流程如下：当API请求到达时，系统首先通过TTS播放一条欢迎消息，然后收集用户的语音输入并进行STT转录，接着将转录文本发送给AI Inference进行翻译处理，最后将翻译结果通过TTS转换为语音输出。整个过程可以循环进行，形成对话式的交互体验。最终，系统返回一个JSON响应，包含翻译任务的状态和其他元数据。

Telnyx作为AI通信基础设施平台，其独特优势在于将LLM推理与语音流量部署在同一个私有全球网络上，实现了低于200毫秒的往返时延。这确保了实时语音翻译的流畅性。环境变量的配置非常简单，只需设置TELNYX_API_KEY、AI_MODEL、TTS_MODEL和STT_MODEL四个参数即可快速上手。项目提供了详细的设置指南，包括如何克隆仓库、安装依赖、运行应用以及使用ngrok配置Webhook。

在API参考方面，项目提供了一个POST /translate端点，用户可以通过multipart表单上传音频文件，并指定源语言和目标语言。例如，使用curl命令可以轻松测试：curl -X POST http://localhost:5000/translate -F [email protected] -F source=en -F target=ja。响应中会返回任务ID、状态、源语言、目标语言以及原始和翻译后的音频长度等信息。此外，GET /health端点用于健康检查。

常见问题及解决方法包括：端口5000被占用时应检查是否有其他进程在使用；401未授权错误表示API密钥无效，需要重新生成；AI响应慢或为空则需要验证模型名称是否正确。项目还提供了相关示例和官方文档链接，方便用户进一步学习和扩展。