AI前沿速递｜LiveKit语音Agent能打电话了、Voice-Pro开源平替ElevenLabs、Unstract把PDF榨成JSON、Android官方给Agent发技能包
今晚这期不聊编码Agent了，换换口味。翻了翻这周 GitHub 的动静，四个项目都挺有意思：两个跟”声音”有关，一个专门收拾 PDF 和发票，还有一个是谷歌官方下场给 Android 开发发 Agent 技能包。想给 Agent 装个嘴和耳朵的、想白嫖配音的、被纸质单据折磨的，这期都有得看。
1. LiveKit Agents — ⭐12.7K，让Agent真正”开口说话”的实时语音框架
LiveKit 是做实时音视频的老玩家，它的 WebRTC 服务器被无数人自托管。这个 agents 仓库就是官方出的 Python 框架，专门用来构建能听、能说、能看的实时语音 Agent——不是打字聊天的，是延迟低到可以打电话的那种。
- 解决什么问题：想做一个语音客服、语音助手、会议机器人，从零开始要自己拼 STT、LLM、TTS 三大件，还要解决低延迟传输，光 WebRTC 就够喝一壶。LiveKit 把整条链路打包好了。
- 核心亮点：
- STT/LLM/TTS 任意组合（Deepgram、OpenAI、Cartesia 等插件化），还能用实时 API
- 内置任务调度，用户一进房间自动分配 Agent
- 支持 SIP 电话，Agent 能直接接打电话
- 语义化轮次检测：用 transformer 判断你说完没说完，减少抢话
- 原生支持 MCP，一行代码接入工具
- 自带测试框架，用”评委模型”验收 Agent 表现
- 上手方式：
pip install "livekit-agents[openai,deepgram,cartesia]"
配好 LIVEKIT_URL 和 API Key 就能跑一个会查天气的语音助手。想省事连 LiveKit Cloud，想全自托管也行，整个链路都是开源的。
- 实话：我只读了 README 和示例代码，没实际部署。那套 WebRTC 环境变量对新手不算友好。适合想正经做语音产品、不介意折腾的开发者。
2. Voice-Pro — ⭐12.1K，开源”声音全家桶”，平替 ElevenLabs
一个韩国小团队做的 Gradio WebUI，把创作者需要的音频功能全塞进一个网页：YouTube 下载、人声分离、语音识别、翻译、TTS、零样本声音克隆、RVC 变声，README 直接把自己定位成 ElevenLabs 的开源替代。
- 解决什么问题：做配音、字幕、多语言视频，以前要装五六个工具来回倒文件，这个全在一锅里炖。
- 核心亮点：
- 零样本克隆支持 E2/F5-TTS、CosyVoice，几秒音频就能克隆音色
- TTS 内置 Edge-TTS 和 kokoro
- Whisper 做识别，Demucs 做人声分离
- 翻译成多语言再配音，一条龙
-
上手方式：仓库里有一键启动脚本（one_click.py / start.sh / start.bat），Windows 和 Linux 都能跑，还有中文 README，对小白相当友好。
-
实话：没实测。克隆效果和显存占用要看具体模型，显卡差的别指望跑满血版。适合做视频、播客、字幕的创作者。注意是 GPL-3.0，商用前看清条款。
3. Unstract — ⭐7.1K，把PDF、扫描件”榨”成结构化JSON
这名字起得挺损——un-stract，把”非结构化”抽干。用 LLM 从 PDF、发票、扫描件、图片里抽取结构化数据，你只需要用自然语言描述想要什么字段，剩下的交给 Prompt Studio。
- 解决什么问题：传统文档抽取要针对每家供应商写正则、做模板，换个单据格式就崩。Unstract 写一次 prompt 通吃各种版式。
- 核心亮点：
- Prompt Studio：用自然语言定义抽取 schema，不用写代码
- REST API 部署：文档进，JSON 出
- ETL 管道模式：文件夹自动处理，直进数据仓库
- 自带 MCP Server 和 n8n 节点，能接进 Agent 和自动化流程
- LLM 随便换：OpenAI、Anthropic、Bedrock、Ollama 都行
-
上手方式：Docker Compose 一把梭，或者 run-platform.sh 直接起。架构有点重（Django+Celery+Redis+RabbitMQ+PostgreSQL），小内存机器别硬上。
-
实话：没实测。AGPL-3.0 协议 + 内置 Posthog 统计（可关），公司商用前务必过一遍法务。适合财务、保险、KYC 这类被纸质文档折磨的团队。
4. Android Skills — ⭐6.6K，谷歌官方给编码Agent发的”技能包”
谷歌官方下场了，把 Android 开发里 LLM 表现最差的一批场景做成标准化的 Agent 技能（SKILL.md），让 Claude Code、Codex、Gemini 这些编码 Agent 照着官方最佳实践干活。
- 解决什么问题：AI 写 Android 代码经常”看起来对、跑起来错”，尤其 AGP 升级、CameraX、edge-to-edge 适配这类坑多的活。官方把踩坑经验沉淀成技能，Agent 干活前先读。
- 核心亮点：
- 只挑 LLM 不擅长的场景做，不在 Compose 基础写法上浪费
- 覆盖 AGP 9 升级、r8 分析、Compose TV 迁移、Wear、XR 眼镜、Intent 安全等
- 遵循 agentskills.io 开放标准，装了就能被 Agent 自动触发
- 支持 Gemini/Antigravity、Claude Code、Codex 多生态
- 上手方式：
android skills add --all # 全装
android skills add --skill=r8-analyzer --project=. # 按需装
默认装给 Gemini 和 Antigravity，其他 Agent 也能指过去。
- 实话：没实测，但官方仓库质量下限有保障。目前不接受公开贡献，只能提 issue。适合所有用 AI 写 Android 的人——现在这基本就是一半程序员。
今晚的观察
这周四个项目有个共同点：都在往”落地”使劲。LiveKit 让 Agent 有嘴有耳能打电话，Voice-Pro 把声音克隆做成小白也能点的一键脚本，Unstract 盯上的是最无聊但最赚钱的文档处理，连谷歌都把”技能包”这种玩法从个人仓库推广成了官方标准。声音、文档、技能，全是离钱近的活儿。
另一个感觉是：Agent Skills 这股风是真刮起来了。从 mattpocock 的个人技能库到谷歌 Android 官方技能包，连 LiveKit 都出了自己的 agent-skills——以后”给 Agent 装技能”大概会跟装插件一样日常，谁家的技能包先做成标准，谁就占了先手。
以上项目均未深度实测，信息来自各仓库 README 与官方文档，上手前请自行验证。
by 数码罗记·godsun.pro
