cfy666
3dc2015a91
- 架构设计：更新为 Eino Graph 声明式编排，增加三级存储架构说明 - 接口文档：AI 编排器章节重写为 Eino Graph，更新 LLM 服务接口 - 技术选型：新增 Eino 框架选型章节，修正 STT/LLM/TTS 默认方案 - 语音交互：Pipeline 描述改为 Eino Graph - 成本控制：模型引用修正为 qwen3-vl-plus - 技术名词解释：新增 Eino 框架相关术语 - README：增加 10/11/12 Eino 文档索引 - 10-Eino重构方案：状态更新为已实施 - CLAUDE.md：同步所有变更
75 lines
3.1 KiB
Markdown
75 lines
3.1 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
|
||
```
|
||
|
||
> 后端 AI 编排基于 Eino Graph 声明式 DAG 实现：`START → STT → History → ChatModel → Msg2Str → Splitter → TTS → Done → END`。详见 [11-Eino框架技术文档](11-Eino框架技术文档.md)。
|
||
|
||
## 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
|
||
negativeSpeechThreshold: 0.35, // 结束灵敏度
|
||
minSpeechMs: 250, // 最短语音时长 ms
|
||
redemptionMs: 300, // 语音结束确认时间 ms
|
||
preSpeechPadMs: 300, // 语音前填充 ms
|
||
});
|
||
|
||
vad.start();
|
||
```
|
||
|
||
## 环节二：STT（语音转文字）
|
||
|
||
| 方案 | 延迟 | 成本 | 特点 |
|
||
|------|------|------|------|
|
||
| **MiMo ASR**（默认） | ~1s | 按量计费 | 国产替代，兼容 OpenAI 格式，HTTP 非流式 |
|
||
| **Deepgram** | <500ms | 按分钟计费 | 流式识别，延迟极低 |
|
||
| Whisper API | 1-3s | 按分钟计费 | 准确率高，支持多语言 |
|
||
| 浏览器原生 | ~1s | 免费 | 中文效果一般 |
|
||
|
||
当前实现为**一次性语音识别**（非流式）：前端 VAD 检测到用户说完后，将完整音频片段发送到后端，后端通过 Eino Graph 的 STT Lambda 节点调用 `stt.Recognize()` 一次性返回识别结果。流式 STT 为未来优化方向。
|
||
|
||
音频编码格式：前端 `audio.ts` 将 Float32Array 转为 Int16 PCM（16kHz, pcm_s16le）再编码为 Base64。
|
||
|
||
## 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。
|
||
|
||
句子切分规则：按中文标点（`。！？`）、英文标点（`. ! ?`）和换行符切分。
|
||
|
||
当前实现参数：Voice `"mimo_default"`（可通过配置切换）、Speed `1.0`、OutputFmt `"mp3"`、SampleRate `24000`。
|
||
|
||
方案选择：
|
||
- **MiMo TTS**（默认）：国产替代，模型 mimo-v2.5-tts，通过配置切换
|
||
- **OpenAI TTS**：音质好，延迟中等，按字符计费，模型 tts-1
|
||
- **Edge TTS**（待实现）：微软免费方案，音质不错，延迟略高
|
||
|
||
## 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
|