hhs
10f676f3b4
- 移除 Obsidian 特有语法（callout、wikilinks、YAML frontmatter） - 目录结构从 3 层嵌套扁平化为编号文件（01~09） - 新增 docs/README.md 文档索引与推荐阅读顺序 - 精简冗余解释，保留所有代码块和实现参考 - CLAUDE.md 全面中文化
78 lines
2.5 KiB
Markdown
78 lines
2.5 KiB
Markdown
# 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
|