8.4 KiB
开发参考
1. 系统边界
这个项目当前采用单进程后端 + 浏览器本地渲染 3D 数字人的模式。
明确边界如下：
- 服务端不再输出视频流，只输出音频流和动画控制帧。
- 浏览器负责 Three.js/VRM 渲染、模型加载、动画缓冲和最终口型展示。
- 浏览器和服务端之间的语音收发都通过
WS /ws/audio完成。 - 字幕、状态和动画控制通过 HTTP/SSE/WebSocket 传输。
这意味着后续如果你要替换数字人渲染方案，优先改的是浏览器侧；如果你要替换识别、大模型或语音合成，优先改的是 services/ 和 core/。
2. 运行时主链路
2.1 语音链路
- 浏览器通过
getUserMedia获取麦克风。 - 浏览器连接
WS /ws/audio，上传pcm_s16le音频块，并接收服务端回传的回复语音片段。 - 服务端在 main.py 中接收二进制 PCM 并进入
_process_user_audio_chunk()。 - 音频被重采样为 16k 单声道后送入 VAD。
- VAD 检测到用户语音结束后，触发
ChatPipeline.process_turn()。 ASRService输出用户文本。LLMService调用线上 DeepSeek 兼容接口生成回答。TTSService按句子分段合成。- 每段 TTS 音频一方面通过
WS /ws/audio下发给浏览器播放；另一方面经AvatarService转成动画帧，通过/ws/animation发给浏览器。 - 浏览器在播放语音的同时，从动画缓冲队列中取帧，驱动 VRM 表情、GLTF morph target 和头部骨骼。
2.2 文本链路
- 浏览器调用
POST /chat/text。 - 后端直接执行
LLM -> TTS -> 动画控制。 - 字幕通过
/ws/subtitles下发，语音通过WS /ws/audio下发。
文本链路主要用于调试 LLM/TTS/动画，不依赖麦克风、VAD 和 ASR。
3. 后端模块职责
3.1 入口层
main.py 负责：
- 应用初始化。
- 管理全局单例服务。
- 维护音频、字幕、动画客户端集合。
- 维护
RuntimeState，给/health和/events提供实时指标。
当前实现假设一次只保留一个主音频 WebSocket 连接。新连接到来时会主动关闭旧连接。这是刻意简化，不是 bug。
3.2 会话状态机
core/state_machine.py 的状态很轻：
idleuser_speakingthinkingavatar_speaking
它目前主要服务于两个目标：
- 打断时取消数字人播报。
- 给前端和监控面板提供可观测状态。
如果后面要做更复杂的并发控制，比如排队、多会话或多路媒体编排，这里需要升级成更明确的 session controller，而不只是一个枚举状态机。
3.3 流水线层
core/pipeline.py 是主编排器。
当前设计特点：
process_turn()处理语音输入。process_text_turn()处理文本输入。- TTS 会按句或短片段切分，以降低首包时延。
- 每段合成结果都会回调到上层，用于同步推送音频和动画。
后续如果要接入流式 LLM 或更细粒度的流式 TTS，这个文件是首选改造点。
3.4 服务层
services/ 下的实现都偏适配器风格：
- services/asr.py: 本地 ASR 模型封装。
- services/llm.py: DeepSeek/OpenAI 兼容接口封装，并维护短历史上下文。
- services/tts.py: 本地 TTS 模型封装。
- services/vad.py: 语音起止检测。
- services/avatar.py: 从音频提取能量和频谱亮度，再映射到嘴型和头部姿态。
这里最大的工程价值是“可替换性”。后续更换供应商或模型时，尽量保持 core/pipeline.py 的接口不变，只替换 services/ 内部实现。
4. 浏览器侧实现
web/app.js 同时承担了以下职责：
- 建立音频 WebSocket。
- 订阅
/events、/ws/subtitles、/ws/animation。 - 维护聊天消息面板和诊断面板。
- 用 Three.js + VRM 加载和渲染模型。
- 把动画控制帧缓存约
120ms后再播放，尽量和音频保持一致。
前端当前兼容三种形态：
- VRM expression manager。
- 通用 GLTF morph target。
- 没有表情 rig 时回退到调试头像。
如果以后想接入真实业务数字人模型，先确认模型是否提供：
- 标准 VRM 表情。
- 或稳定可映射的 morph target 名称。
- 或至少可控制的头骨/颈骨。
5. 动画协议
服务端通过 /ws/animation 发送 JSON，关键字段包括：
type:animation_ready/animation_state/animation_reset/animation_chunkdriver: 当前驱动器名称。mode: 驱动模式。schema: 控制 schema，当前默认是 ARKit 风格 blendshape。fps: 帧率。frame_count: 当前消息内帧数。frames: 每帧控制数据。
frames[*] 典型结构：
{
"seq": 101,
"time_ms": 80,
"speaking": true,
"controls": {
"jawOpen": 0.42,
"mouthClose": 0.66,
"mouthFunnel": 0.21,
"mouthPucker": 0.18,
"viseme_aa": 0.42,
"viseme_ee": 0.27,
"viseme_oh": 0.31,
"headYaw": 0.01,
"headPitch": -0.02,
"headRoll": 0.01
}
}
注意：当前口型驱动是“基于音频特征估算”，不是基于音素或强制对齐的精确 viseme，所以它更适合演示验证，不适合直接当作高精度唇形同步方案。
6. 字幕协议
/ws/subtitles 发送的消息结构比较简单：
role:user或aitext: 文本内容source:voice或textpartial: 是否是分段中间结果final: 是否已经结束ts_ms: 时间戳
前端对 AI 文本采用“局部追加”策略，所以如果以后改成 token streaming，要继续保证消息顺序和终止标记一致。
7. 状态与观测
后端通过 /health 和 /events 暴露运行状态。推荐排查问题时按这个顺序看：
state: 当前状态机是否符合预期。audio_clients: 语音通道是否真正建连。vad_start_count/vad_end_count: 是否检测到语音边界。last_asr_latency_ms/last_llm_latency_ms/last_tts_latency_ms: 性能瓶颈在哪一段。llm.ready/asr.ready/tts.ready/vad.ready: 组件有没有降级。last_animation_frame_count: 是否真正产生了控制帧。
8. 当前约束
这些约束需要后续开发明确知晓：
- 当前是进程内单例服务，不是多租户、多 session 设计。
- 浏览器侧只允许一个主音频 WebSocket 会话接管服务端语音输入输出。
- 模型推理基本都直接跑在应用事件循环附近，适合研发验证，不适合高并发。
- 当前动画驱动依赖音频能量和谱质心，不具备严格唇音级别精度。
- 语音链路高度依赖 VAD；如果要做电话式长连接交互，建议补更稳的 turn management。
9. 推荐扩展方向
按收益排序，后续建议优先做这些：
- 把
RuntimeState、音频缓冲和历史上下文下沉到真正的 session 对象，摆脱全局单例。 - 把 ASR、TTS、动画生成从主事件循环中隔离出去，避免阻塞 FastAPI/WebSocket。
- 为
/ws/subtitles和/ws/animation增加明确版本号和协议文档，避免前后端演进时互相踩踏。 - 如果追求更真实口型，改成音素/viseme 驱动而不是纯音频特征驱动。
- 为关键链路补自动化回归，至少覆盖文本链路、语音链路和打断流程。
10. 常用调试入口
GET /health: 看整体运行状态。GET /events: 看持续状态流。POST /chat/text: 快速验证 LLM/TTS/动画，不依赖麦克风。WS /ws/audio: 看语音上传和语音回放主通道。GET /avatar/schema: 看控制字段列表。- scripts/run_all_checks.sh: 统一检查入口。
脚本使用建议：
- scripts/model_probe.py: 快速确认 ASR/TTS/VAD 是否能加载。
- scripts/qa_check.py: 直接压文本链路，适合看 LLM/TTS 延迟。
- scripts/smoke_test.py: 输出
wav + mp4，其中mp4是基于动画控制帧绘制的调试视频，不是最终 3D 渲染结果。
如果你刚接手这个项目，建议先按下面顺序理解：