Files

- 新建 01-架构设计.md：合并项目概述+系统架构+持久化设计，含 Mermaid 架构图、模块图、时序图、ER 图、部署图
- 新建 02-接口文档.md：合并接口文档+持久化 API+用户模块 API，统一格式去重
- 重编号 03~09，去掉状态标注，规划中功能标记为待实现
- 删除 PLAN_BACKEND.md、PLAN_USER_MODULE.md 及冗余文档

2026-06-19 15:31:52 +08:00

2.9 KiB

Raw Blame History

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。

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
Whisper API	1-3s	按分钟计费	准确率高，支持多语言
Deepgram（默认）	<500ms	按分钟计费	流式识别，延迟极低
MiMo ASR（小米）	~1s	按量计费	国产替代，兼容 OpenAI 格式，HTTP 非流式
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：

OpenAI TTS（默认）：音质好，延迟中等，按字符计费，模型 tts-1
MiMo TTS（小米）：国产替代，通过配置切换
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

2.9 KiB Raw Blame History Unescape Escape