# 语音交互

## 概述

语音交互全链路：**VAD（语音活动检测）** → **STT（语音转文字）** → **LLM 推理** → **TTS（文字转语音）**。

用户感知延迟 = VAD 响应 + STT 耗时 + LLM 首 token + TTS 首包。人类对话中停顿超过 300ms 就会感到"对方在想"。

**延迟目标**：端到端 **1.5~2 秒**（用户说完话到听到 AI 回应）；流式 TTS 下，LLM 开始生成后 **0.5 秒**听到第一个词。

## 全链路

```
麦克风 → VAD → STT → LLM → TTS → 扬声器
```

## 环节一：VAD（语音活动检测）

从持续音频流中检测"人什么时候在说话"，避免将环境噪音当作有效输入。**浏览器端完成**，节省 ~70% 带宽。

```typescript
import { MicVAD } from "@ricky0123/vad-web";

const vad = await MicVAD.new({
  onSpeechStart: () => console.log("用户开始说话"),
  onSpeechEnd: (audio) => {
    // audio: Float32Array，送入 STT
    sendToSTT(audio);
  },
  positiveSpeechThreshold: 0.5, // 检测灵敏度
  minSpeechDuration: 250        // 最短语音时长 ms
});

vad.start();
```

## 环节二：STT（语音转文字）

| 方案 | 延迟 | 成本 | 特点 |
|------|------|------|------|
| Whisper API | 1-3s | 按分钟计费 | 准确率高，支持多语言 |
| **Deepgram** | <500ms | 按分钟计费 | 流式识别，延迟极低 |
| 浏览器原生 | ~1s | 免费 | 中文效果一般 |
| FunASR | <500ms | 自部署免费 | 阿里开源，中文优化 |

流式 STT 是低延迟的关键——不必等用户说完，边说边识别：

```typescript
// Deepgram 流式识别示例
const ws = new WebSocket("wss://api.deepgram.com/v1/listen", {
  headers: { Authorization: `Token ${API_KEY}` }
});

ws.onmessage = (event) => {
  const { transcript, is_final } = JSON.parse(event.data).channel.alternatives[0];
  if (is_final) {
    onFinalTranscript(transcript); // 一句完整语音，送入 LLM
  }
};
```

## 环节三：TTS（文字转语音）

流式 TTS：检测 LLM 输出中的句子边界，每检测到一句就立即送入 TTS 合成并播放，不必等全部生成完。

方案选择：
- **OpenAI TTS**：音质好，延迟中等，按字符计费
- **Edge TTS**：微软免费方案，音质不错，延迟略高
- **Fish Speech / CosyVoice**：开源方案，支持声音克隆，可自部署

## 延迟优化要点

- VAD 浏览器端处理（减少无效传输）
- 流式 STT（边说边识别）
- LLM 流式输出
- TTS 句子级流式合成
- STT 与上下文准备并行处理