3D 数字人语音聊天系统

这个项目提供一个浏览器侧渲染的 3D 数字人语音交互原型：

浏览器通过 WebRTC 上传麦克风音频，并接收服务端回传的 AI 语音。
浏览器通过 WebSocket 订阅字幕和口型/头部控制数据。
服务端执行 VAD -> ASR -> DeepSeek LLM -> TTS，并把音频特征转换为驱动 3D 数字人的控制帧。

当前形态更接近单机演示和研发验证环境，不是已经拆分完毕的生产化架构。

当前架构

语音链路：

Browser Mic
  -> WebRTC audio upstream
  -> FastAPI / aiortc
  -> VAD
  -> ASR
  -> LLM
  -> TTS
  -> WebRTC audio downstream
  -> browser audio playback

控制链路：

LLM reply text / TTS audio
  -> AvatarService
  -> /ws/animation
  -> browser animation buffer
  -> VRM or GLTF morph targets / head bones

字幕链路：

ASR text / LLM segmented reply
  -> /ws/subtitles
  -> browser message panel

关键目录

main.py: FastAPI 入口，聚合 WebRTC、WebSocket、健康状态和文本对话接口。
core/pipeline.py: 语音/文本对话流水线，负责 ASR、LLM、TTS 编排。
core/state_machine.py: 简单会话状态机，处理用户说话、思考、数字人说话之间的切换。
services/asr.py: ASR 封装，优先使用 FunASR，失败时进入降级模式。
services/llm.py: 在线 LLM 封装，默认兼容 DeepSeek OpenAI-style API。
services/tts.py: TTS 封装，优先使用 Kokoro，失败时返回静音兜底。
services/vad.py: VAD 封装，基于 silero-vad。
services/avatar.py: 把音频转换成 blendshape 和头部控制帧。
web/app.js: 浏览器端 3D 舞台、WebRTC 建连、字幕和动画消费逻辑。
scripts: 启动、证书生成、巡检和服务管理脚本。

快速启动

安装依赖：

pip install -r requirements.txt

准备环境变量，至少包括：

export LLM_API_KEY="..."
export LLM_BASE_URL="https://api.deepseek.com/v1"
export LLM_MODEL="deepseek-chat"

本地启动：

python main.py

或使用脚本：

bash scripts/start-public.sh

启动后访问：

http://127.0.0.1:8080/
http://127.0.0.1:8080/health

如果浏览器与服务端跨机器访问，麦克风采集通常需要 HTTPS。可以先生成自签证书：

bash scripts/gen-self-signed-cert.sh

再在环境变量或 .env 中配置 SSL_CERTFILE 和 SSL_KEYFILE。

核心接口

GET /: 前端页面。
POST /webrtc/offer: 建立 WebRTC 音频连接。
POST /chat/text: 文本输入链路，跳过 ASR/VAD。
POST /chat/reset: 清空上下文和运行时状态。
GET /health: 返回后端运行指标和组件健康状态。
GET /meta: 返回 STUN、HTTPS、端口和动画协议配置。
GET /events: Server-Sent Events 运行状态流。
WS /ws/subtitles: 字幕流。
WS /ws/animation: 数字人控制流。
GET /avatar/schema: 当前控制协议 schema。

后续开发建议

优先阅读 docs/development-guide.md。这个文档说明了：

语音与文本两条链路的完整时序。
前后端之间的协议约定。
当前实现的边界和适合继续扩展的位置。
已知的工程化约束。

3.4 KiB Raw Blame History