Files

T

2026-08-23 22:35:06 +08:00

8.9 KiB

Raw Blame History

DPM 实时语音对话整合方案（复用 live-avatar 云化栈）

目标：砍掉数字人/口型/wav2lip 等全部视觉部分，只保留「语音识别 + 对话 + 实时交互」链路；前端在 DPM React 应用中新增对话页（复用 live-avatar demo 前端的样式与逻辑）；后端并入 DPM backend/pyproject.toml。基线：live-avatar 云化栈已在 /Volumes/Pine/mycode/opc/live 跑通（s2s v0.2.11 + cloud-migration 补丁 + demo 前端）。

0. 现状对比

	live-avatar（已跑通）	DPM（现状）
前端	原生 JS demo（index.html / main.js / s2s-ws-client.js / 两个 worklet）	React 19 + Vite + Tailwind；`/ai` 页已有 `AiChatPanel`（文字 + 录音上传式语音）
后端	s2s 独立进程 :8765（VAD 本地 + 云 ASR/LLM/TTS）	FastAPI :8000；已有 `app/asr.py`（dashscope paraformer）、`app/llm.py`（qwen + 工具）、`SSL_CERT_FILE=certifi` 同款处理
语音体验	实时全双工：本地 VAD → 流式云 ASR → 流式 LLM → 流式 TTS → 音频回放	录音 → 上传 → 转写 → 文字回复（无流式、无 TTS 回音）

DPM 缺的正是 live-avatar 栈的实时交互能力；两边的云凭据/CA 处理已一致（dashscope + certifi），合并成本低。

1. 两个关键决策点

1.1 后端：内嵌进 DPM FastAPI（推荐） vs 独立 s2s 进程

推荐：内嵌。s2s v0.2.11 的 api/openai_realtime/websocket_router.create_app(pool, stop_event) 本身就返回一个 FastAPI 应用，可在 DPM app.main 里构建管线池后 app.mount("/v1", s2s_app)，与现有 /api/* 共存、单进程单端口。 Tauri 桌面打包只需一个后端进程，无子进程管理。
备选：s2s 独立跑 :8765，DPM 负责拉起/守护。改动最小，但两进程两端口，打包与部署更重。

1.2 前端：iframe 内嵌（推荐 v1） vs React 组件移植（v2）

推荐 v1：iframe 内嵌。把 live-avatar demo/ 目录拷入 DPM public/voice-demo/（去掉数字人 iframe/视觉元素）， React 新增 VoiceAssistant.jsx（路由 /voice）里 <iframe src="/voice-demo/"> 全屏。 100% 复用现有样式与逻辑、零 React 改写、风险最低；WS 地址由 voice-demo/config.js 按 VITE_API_BASE 派生。
v2：React 组件移植。把 s2s-ws-client.js + 两个 worklet 拷入 src/voice/，用 hooks 驱动、JSX 重绘圆球/气泡，与 DPM 布局/Tailwind 完全融合；工作量较大，建议先 v1 跑通再决定。

2. 后端合并清单

2.1 `backend/pyproject.toml`

dependencies = [
    # ...现有依赖（fastapi/uvicorn/dashscope/certifi 已覆盖）...
    # s2s 云化栈（path 依赖，指向补丁后的 s2s-cloud；或 vendored 到 backend/vendor/）
    "speech-to-speech @ file:///Volumes/Pine/mycode/opc/live/s2s-cloud",
    # s2s 运行所需（base 依赖里 Darwin 专用的 mlx/transformers 等不要全装）
    "torch>=2.4",        # VAD(silero) 本地必需；CPU 亦可
    "numpy>=1.26",
    "scipy>=1.10",
    "httpx>=0.28",
    "websockets>=12",
    "nltk==3.9.4",
    "openai==2.28.0",
    "soundfile>=0.13",
]

安装用 pip install -e "backend[voice]" --no-deps + 手动补依赖，避免 s2s base 依赖把 mlx/transformers 等大件拖进来。 torch 是唯一的大依赖（VAD 本地必需）；若部署机无 GPU，CPU torch 跑 silero 足够。

2.2 配置（`app/config.py` + `backend/.env`）

DASHSCOPE_API_KEY=sk-...          # 已有（与 app/asr.py、app/llm.py 共用）
S2S_ENABLED=1
S2S_NUM_PIPELINES=4               # 并发会话数
S2S_WS_PATH=/v1/realtime
S2S_STT_MODEL=qwen3-asr-flash-realtime
S2S_LLM_MODEL=qwen-plus
S2S_TTS_MODEL=qwen3-tts-flash-realtime
S2S_TTS_VOICE=Cherry

2.3 代码（新 `app/s2s_bridge.py` + 挂载）

s2s_bridge.py：读取 Settings → 用与 start_backend.sh 等价的参数构建管线池（--stt dashscope-asr --llm_backend chat-completions --tts qwen3-cloud --enable_live_transcription false），返回 websocket_router.create_app(pool, stop_event)。
app/main.py lifespan：ENABLED 时启动池 → app.mount(settings.S2S_WS_PATH, s2s_app)；关闭时 stop。
现有 /api/ai/chat、/api/ai/asr 保留（旧 AiChatPanel 流程不破坏）。

3. 前端合并清单

src/pages/VoiceAssistant.jsx（新）：
- 全屏 <iframe src="/voice-demo/" />（v1），或未来 React 移植版。
- 加入 App.jsx 路由：<Route path="/voice" element={<VoiceAssistant />} />（建议放在 ScreenLayout 内或独立全屏）。
public/voice-demo/：拷贝 live-avatar demo/（index.html / main.js / style.css / ws/ / worklets/ / textchat.html），并删除数字人 iframe（index.html 里的 #avatar-frame → 背景改纯色/园区图）。
public/voice-demo/config.js：暴露 window.VOICE_WS_URL（从 VITE_API_BASE 派生 ws://<host>:<port>/v1/realtime）。
麦克风权限：
- 浏览器开发模式：localhost 直接可用。
- Tauri v2 打包：src-tauri/tauri.conf.json 需 app.macOSPrivateApi: true（macOS 麦克风）+ 系统隐私授权说明； Windows 需在 manifest/权限描述中声明 microphone。

4. 实施步骤

步骤	内容	工作量
P1	后端内嵌：pyproject 加依赖 → s2s_bridge.py → mount → 冒烟（WS 连得上、说话→回复→出声）	0.5–1 天
P2	前端：public/voice-demo 拷贝去视觉化 → VoiceAssistant.jsx + 路由 → WS 指向 DPM 后端	0.5 天
P3	联调：DPM 页面语音对话全链路 + 并发验证	0.5 天
P4（可选）	React 原生移植（hooks 驱动 client + worklets，Tailwind 重绘 UI）	1–2 天

5. 风险与注意

torch 体积：VAD 本地必需（s2s 管线结构固定 VAD 本地），CPU 版可接受；若部署机极简可评估 VAD 上云（不推荐，延迟差）。
单管线槽：S2S_NUM_PIPELINES 默认 1 → 并发对话会拒连；按需调到 4。
WS 鉴权：内网/桌面场景可无鉴权；如需，在 session.update 里带 token 校验。
iframe 限制：v1 iframe 内样式隔离、无法用 DPM 主题；v2 移植可解决。
Tauri 麦克风：打包前务必配置 macOSPrivateApi + 权限描述，否则桌面版无声/无权限。

附录 A · 视觉触发子系统（USB 摄像头 + 桌面端检测）

目标：大屏前 USB 摄像头拍观众；检测有人正对且停留 ≥10 秒 → 主动问候 + 全屏联动；问候后静默 60 秒。

A.1 架构与数据通路

大屏机（Tauri 应用，fullscreen）
  └─ USB 摄像头（大屏前，拍观众）
       └─ webview getUserMedia（一路视频流）
            ├─ 持续检测：MediaPipe FaceMesh 1~2fps（本机、不出设备）
            │     ├─ 头姿 yaw/pitch 各 ±15° = 正对
            │     └─ 连续 10s 正对 → 触发（窗口内 ≥80% 帧正对，防抖）
            └─ 按需抓帧：LLM 决定时 canvas 取当前帧 → input_image → 云 qwen3-vl（人数/人物）
触发动作：
  ① 主动问候：client.sendUserText("检测到有人正对摄像头…请主动问候") + requestResponse()
     → s2s 走 LLM 生成问候语 → TTS 播报（零后端改动，复用现有 WS 协议）
  ② 全屏联动：调后端 → event_bus / mqtt.publish → 各屏响应
静默窗口：问候触发后 60s 冷却，期内检测照跑但不触发

A.2 Tauri 摄像头权限（必须配置）

macOS：tauri.conf.json → app.macOSPrivateApi: true；Info.plist 加 NSCameraUsageDescription / NSMicrophoneUsageDescription（麦克风语音对话也需要）。
Windows（NSIS 打包目标）：WebView2 的 getUserMedia 跟随系统隐私设置（设置 → 隐私和安全性 → 相机/麦克风 → 允许该应用）；安装包建议在应用清单声明设备能力。
大屏机摄像头常开：确认系统隐私里该应用允许相机，否则检测与抓帧同时失效。

A.3 隐私与合规

持续检测帧仅在本机内存处理、即用即弃，不上云；只有 LLM 决定抓的那一帧发往百炼 VLM。
大屏前采集观众人脸属个人信息处理 → 大屏旁需公示"影像识别用于互动服务"。

A.4 落地清单（并入 P2/P3）

项	说明
前端新增 `useCameraDetect` hook	getUserMedia + MediaPipe FaceMesh + 状态机（IDLE→FACING→TRIGGER→SILENT）
依赖	`@mediapipe/tasks-vision`（face_detector + face_landmarker）
参数化	停留 10s / 静默 60s / 角度 ±15° / 频率 1~2fps → 配置文件或设置页
触发动作	主动问候（sendUserText+create）+ MQTT 联动（后端 API）
首对话抓帧	与检测共用同一路视频流，canvas 取帧 → input_image → qwen3-vl

注：视觉子系统是可选增强，不影响主语音对话方案；摄像头/检测不可用时语音链路照常工作。

8.9 KiB Raw Blame History Unescape Escape

DPM 实时语音对话整合方案（复用 live-avatar 云化栈）

0. 现状对比

1. 两个关键决策点

1.1 后端：内嵌进 DPM FastAPI（推荐） vs 独立 s2s 进程

1.2 前端：iframe 内嵌（推荐 v1） vs React 组件移植（v2）

2. 后端合并清单

2.1 backend/pyproject.toml

2.2 配置（app/config.py + backend/.env）

2.3 代码（新 app/s2s_bridge.py + 挂载）

3. 前端合并清单

4. 实施步骤

5. 风险与注意

附录 A · 视觉触发子系统（USB 摄像头 + 桌面端检测）

A.1 架构与数据通路

A.2 Tauri 摄像头权限（必须配置）

A.3 隐私与合规

A.4 落地清单（并入 P2/P3）

8.9 KiB

Raw Blame History

2.1 `backend/pyproject.toml`

2.2 配置（`app/config.py` + `backend/.env`）

2.3 代码（新 `app/s2s_bridge.py` + 挂载）