120 lines
3.4 KiB
Markdown
120 lines
3.4 KiB
Markdown
# 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：
|
|
|
|
```text
|
|
Browser Mic
|
|
-> WebRTC audio upstream
|
|
-> FastAPI / aiortc
|
|
-> VAD
|
|
-> ASR
|
|
-> LLM
|
|
-> TTS
|
|
-> WebRTC audio downstream
|
|
-> browser audio playback
|
|
```
|
|
|
|
控制链路：
|
|
|
|
```text
|
|
LLM reply text / TTS audio
|
|
-> AvatarService
|
|
-> /ws/animation
|
|
-> browser animation buffer
|
|
-> VRM or GLTF morph targets / head bones
|
|
```
|
|
|
|
字幕链路：
|
|
|
|
```text
|
|
ASR text / LLM segmented reply
|
|
-> /ws/subtitles
|
|
-> browser message panel
|
|
```
|
|
|
|
## 关键目录
|
|
|
|
- [main.py](main.py): FastAPI 入口，聚合 WebRTC、WebSocket、健康状态和文本对话接口。
|
|
- [core/pipeline.py](core/pipeline.py): 语音/文本对话流水线，负责 ASR、LLM、TTS 编排。
|
|
- [core/state_machine.py](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](services/asr.py): ASR 封装，优先使用 FunASR，失败时进入降级模式。
|
|
- [services/llm.py](services/llm.py): 在线 LLM 封装，默认兼容 DeepSeek OpenAI-style API。
|
|
- [services/tts.py](services/tts.py): TTS 封装，优先使用 Kokoro，失败时返回静音兜底。
|
|
- [services/vad.py](services/vad.py): VAD 封装，基于 silero-vad。
|
|
- [services/avatar.py](services/avatar.py): 把音频转换成 blendshape 和头部控制帧。
|
|
- [web/app.js](web/app.js): 浏览器端 3D 舞台、WebRTC 建连、字幕和动画消费逻辑。
|
|
- [scripts](scripts): 启动、证书生成、巡检和服务管理脚本。
|
|
|
|
## 快速启动
|
|
|
|
安装依赖：
|
|
|
|
```bash
|
|
pip install -r requirements.txt
|
|
```
|
|
|
|
准备环境变量，至少包括：
|
|
|
|
```bash
|
|
export LLM_API_KEY="..."
|
|
export LLM_BASE_URL="https://api.deepseek.com/v1"
|
|
export LLM_MODEL="deepseek-chat"
|
|
```
|
|
|
|
本地启动：
|
|
|
|
```bash
|
|
python main.py
|
|
```
|
|
|
|
或使用脚本：
|
|
|
|
```bash
|
|
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
|
|
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](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。
|