语音翻译与视频
超越 进出语音，AiHummer 提供另外两种媒体功能： 语音翻译 和 视频理解两者都运行在 免费/本地引擎: 翻译是由您已有的 STT/TTS 辅助程序和 LLM 组合而成，而视频则作为独立运行 边车 通过 URL 访问。
[!NOTE] 说话人分离和语音克隆是 不 产品的一部分——那些 功能已被移除。如果你在旧资料中看到它们，不要计划使用 围绕他们：语音堆栈是语音转文字（STT）、文字转语音（TTS）、语音轮次（
/v1/voice/turn), 语音翻译与视频理解。
语音翻译
语音翻译将一种语言的音频转换为另一种语言的语音音频，因此代理可以为不同语言的来电者提供服务。它是一个 纯翻译流程，无代理回合: 输入的音频被转录（STT），文本通过一次性 LLM 完成进行翻译，并将翻译内容以语音形式返回（TTS）。
audio in ─▶ STT ─▶ translate (LLM) ─▶ TTS ─▶ audio out不需要额外的 sidecar：该管道使用与语音轮次相同的免费/本地 sidecar — faster-whisper(:8001) 和 edge-tts (:8002) — 外加你配置的 LLM 提供商。
| 物品 | 价值 |
|---|---|
| 终端 | POST /v1/voice/translate?target=<lang> |
target 参数 |
目标语言（BCP-47 或普通语言名称）； 必需的 |
| 输入 | 请求正文中的音频（Content-Type，默认为 audio/ogg) |
| 输出 | 翻译音频（audio/mpeg) |
| 响应头 | X-Voice-Transcript — 源文本， X-Voice-Reply —— 翻译 |
| 需要 | 已配置 STT、TTS 和大型语言模型提供商 |
POST /v1/voice/translate?target=en HTTP/1.1
Host: localhost:8780
Content-Type: audio/ogg
<binary audio>视频理解
视频理解通过解复用音频和采样关键帧来提取剪辑所包含的内容 ffmpeg ——那里有 没有机器学习模型 在这个边车中；它为代理回合准备音频和帧。
| 物品 | 价值 |
|---|---|
| 由……支持 | ffmpeg（解复用 + 关键帧，无机器学习） |
| 旁车端口 | :8005 |
| 终端 | POST /v1/video/understand |
| 连接有 | AIHUMMER_VIDEO_URL |
布线
语音翻译不需要专门的变量：一旦配置了语音转文本（STT）、文本转语音（TTS）和大型语言模型（LLM）提供者，它就会自动启用。视频理解通过其旁车 URL 启用 — 一个 目录设置 你可以从管理员界面设置（管理 → 设置) 或者与 aihummer settings set (gateway.env 仅限引导程序，并被忽略); 主机本地安装程序可以配置它，或者指向你已经运行的实例。
# Optional video sidecar
aihummer settings set AIHUMMER_VIDEO_URL http://127.0.0.1:8005[!TIP] 这些功能是独立的——只启用你需要的功能。一次部署 只需要转录和合成的可以单独运行STT/TTS组合并 保持视频附属文件未配置。