144 lines
4.5 KiB
Markdown
144 lines
4.5 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 WebSocket 上传麦克风 PCM 音频，并接收服务端回传的 AI 语音片段。
|
|
- 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
|
|
-> /ws/audio
|
|
-> FastAPI / websocket audio
|
|
-> VAD
|
|
-> ASR
|
|
-> LLM
|
|
-> TTS
|
|
-> /ws/audio
|
|
-> 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，聚合音频 WebSocket、字幕/动画 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、音频 WebSocket、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"
|
|
```
|
|
|
|
也可以直接复制 [.env.example](.env.example) 作为本地配置模板。
|
|
|
|
语音如果偏快、偏硬，可以优先调这几个参数：
|
|
|
|
- `LLM_SYSTEM_PROMPT`：先把回答风格约束成口语化、非书面化，并明确禁止客服套话，再去调 TTS，收益更大。
|
|
- `LLM_TEMPERATURE`：默认 `0.55`，能减少奇怪人设和跑偏表达。
|
|
- `TTS_SPEED`：默认 `0.90`，比 `1.0` 更像真人正常说话速度。
|
|
- `TTS_SENTENCE_MAX_LEN`：默认 `64`，避免回复被切得太碎。
|
|
- `TTS_SEGMENT_PAUSE_MS`：默认 `90`，给分段之间留一点停顿，但不要太拖。
|
|
- `TTS_FADE_MS`：默认 `12`，减轻段间拼接的突兀感。
|
|
|
|
本地启动：
|
|
|
|
```bash
|
|
python main.py
|
|
```
|
|
|
|
或使用脚本：
|
|
|
|
```bash
|
|
bash scripts/start-public.sh
|
|
```
|
|
|
|
基础自检：
|
|
|
|
```bash
|
|
python scripts/model_probe.py
|
|
python scripts/qa_check.py --base-url http://127.0.0.1:8080 --rounds 3
|
|
python scripts/smoke_test.py --text "你好，请做一个简短自我介绍。"
|
|
```
|
|
|
|
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`。
|
|
|
|
监听规则：
|
|
|
|
- 服务监听地址固定按 `0.0.0.0` 规则执行。
|
|
- 即使把 `WEBRTC_HOST` 写成 `127.0.0.1`、`localhost` 或 `::1`，启动时也会自动归一化成 `0.0.0.0`，避免局域网访问被误伤。
|
|
|
|
## 核心接口
|
|
|
|
- `GET /`: 前端页面。
|
|
- `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/audio`: 双向语音通道，上传麦克风 PCM 并接收回复语音。
|
|
- `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。
|