Cyrene_v2/internal/runtime/multimodal/voice/cloud.go

package voice

import (
	"bytes"
	"context"
	"encoding/base64"
	"encoding/json"
	"fmt"
	"io"
	"log/slog"
	"net/http"
	"strings"
	"time"

	"git.yeij.top/AskaEth/Cyrene_v2/internal/config"
	"git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/trace"
)

// cloudMaxResponseBytes 限制读取云端语音响应的体积，使过大
// 或畸形的响应无法耗尽内存。请求超时
// 约束单次调用。
const (
	cloudMaxResponseBytes = 8 << 20
	// maxErrorBodyBytes 是非 2xx 响应（错误体）的读取上限。它与
	// cloudMaxResponseBytes 是不同口径：那个是数据面（音频/JSON 响应）的预算，
	// 这一条是攻击面的预算 —— 错误体只用来数长度 / 取 sha256 前缀 / 抽
	// code 与 request_id，因此 4 KiB 足够，绝不整包读进来。
	maxErrorBodyBytes = 4 << 10
	cloudHTTPTimeout  = 180 * time.Second
)

// HTTPSTT 通过向云端 endpoint POST 一个 JSON 请求体并
// 读回 {"text": "..."} 来转写音频。它是桩式的默认 STT 实现；
// 真正面向 DashScope/whisper 的适配器是一个适配点。
type HTTPSTT struct {
	endpoint string
	apiKey   string
	client   *http.Client
	log      *slog.Logger
}

// HTTPTTS 通过 POST 一个 JSON 请求体并读取返回的
// base64 音频来合成语音。它是桩式的默认 TTS 实现。
type HTTPTTS struct {
	endpoint string
	apiKey   string
	client   *http.Client
	log      *slog.Logger
}

// HTTPOption 定制 HTTPSTT/HTTPTTS 的 client 与日志器。
type HTTPOption func(*httpConfig)

type httpConfig struct {
	client *http.Client
	log    *slog.Logger
}

// WithHTTPClient 设置该调用所用的 *http.Client；nil 表示保持默认。
func WithHTTPClient(c *http.Client) HTTPOption {
	return func(o *httpConfig) {
		if c != nil {
			o.client = c
		}
	}
}

// WithLogger 设置失败时使用的日志器；nil 表示保持丢弃日志器。
func WithLogger(l *slog.Logger) HTTPOption {
	return func(o *httpConfig) {
		if l != nil {
			o.log = l
		}
	}
}

// NewHTTPSTT 为给定 endpoint 与 API key 构造一个 HTTPSTT。
func NewHTTPSTT(endpoint, apiKey string, opts ...HTTPOption) *HTTPSTT {
	h := &httpConfig{client: defaultHTTPClient(), log: discardLogger()}
	for _, o := range opts {
		o(h)
	}
	return &HTTPSTT{endpoint: strings.TrimRight(endpoint, "/"), apiKey: apiKey, client: h.client, log: h.log}
}

// NewHTTPTTS 为给定 endpoint 与 API key 构造一个 HTTPTTS。
func NewHTTPTTS(endpoint, apiKey string, opts ...HTTPOption) *HTTPTTS {
	h := &httpConfig{client: defaultHTTPClient(), log: discardLogger()}
	for _, o := range opts {
		o(h)
	}
	return &HTTPTTS{endpoint: strings.TrimRight(endpoint, "/"), apiKey: apiKey, client: h.client, log: h.log}
}

// sttRequest 是发往 STT endpoint 的 JSON 请求体。
type sttRequest struct {
	Audio  string `json:"audio"`
	Format string `json:"format"`
}

// sttResponse 是 STT endpoint 返回的转写。
type sttResponse struct {
	Text string `json:"text"`
}

// STT 发送音频并返回识别出的文字。endpoint 为空时返回
// ErrNotConfigured，链随之降级。
func (s *HTTPSTT) STT(ctx context.Context, audio Audio) (string, error) {
	if s.endpoint == "" {
		return "", ErrNotConfigured
	}
	if err := ctx.Err(); err != nil {
		return "", err
	}
	payload, err := json.Marshal(sttRequest{Audio: base64.StdEncoding.EncodeToString(audio.Data), Format: audio.Format})
	if err != nil {
		return "", fmt.Errorf("voice: %w: marshal: %v", ErrProviderFailed, err)
	}
	resp, err := postJSON(ctx, s.client, s.apiKey, s.endpoint, payload)
	if err != nil {
		return "", err
	}
	defer func() { _ = resp.Body.Close() }()
	var decoded sttResponse
	if err := json.NewDecoder(resp.Body).Decode(&decoded); err != nil {
		return "", fmt.Errorf("voice: %w: decode: %v", ErrProviderFailed, err)
	}
	return decoded.Text, nil
}

// ttsRequest 是发往 TTS endpoint 的 JSON 请求体。
type ttsRequest struct {
	Text string `json:"text"`
}

// ttsResponse 是 TTS endpoint 返回的合成音频。
type ttsResponse struct {
	Audio  string `json:"audio"`
	Format string `json:"format"`
}

// TTS 发送文本并返回解码后的音频。endpoint 为空时返回
// ErrNotConfigured，链随之降级。
func (s *HTTPTTS) TTS(ctx context.Context, text string) (Audio, error) {
	if s.endpoint == "" {
		return Audio{}, ErrNotConfigured
	}
	if strings.TrimSpace(text) == "" {
		return Audio{}, ErrEmptyText
	}
	if err := ctx.Err(); err != nil {
		return Audio{}, err
	}
	payload, err := json.Marshal(ttsRequest{Text: text})
	if err != nil {
		return Audio{}, fmt.Errorf("voice: %w: marshal: %v", ErrProviderFailed, err)
	}
	resp, err := postJSON(ctx, s.client, s.apiKey, s.endpoint, payload)
	if err != nil {
		return Audio{}, err
	}
	defer func() { _ = resp.Body.Close() }()
	var decoded ttsResponse
	if err := json.NewDecoder(resp.Body).Decode(&decoded); err != nil {
		return Audio{}, fmt.Errorf("voice: %w: decode: %v", ErrProviderFailed, err)
	}
	data, err := base64.StdEncoding.DecodeString(decoded.Audio)
	if err != nil {
		return Audio{}, fmt.Errorf("voice: %w: decode audio: %v", ErrProviderFailed, err)
	}
	format := decoded.Format
	if format == "" {
		format = "mp3"
	}
	return Audio{Format: format, Data: data}, nil
}

// postJSON POST 一个 JSON 载荷，接好鉴权并检查状态码。
func postJSON(ctx context.Context, client *http.Client, apiKey, url string, payload []byte) (*http.Response, error) {
	req, err := http.NewRequestWithContext(ctx, http.MethodPost, url, bytes.NewReader(payload))
	if err != nil {
		return nil, fmt.Errorf("voice: %w: build: %v", ErrProviderFailed, trace.URLCause(err))
	}
	req.Header.Set("Content-Type", "application/json")
	if apiKey != "" {
		req.Header.Set("Authorization", "Bearer "+apiKey)
	}
	resp, err := client.Do(req)
	if err != nil {
		return nil, fmt.Errorf("voice: %w: request: %v", ErrProviderFailed, trace.URLCause(err))
	}
	if resp.StatusCode != http.StatusOK {
		_ = resp.Body.Close()
		return nil, fmt.Errorf("voice: %w: status %d", ErrProviderFailed, resp.StatusCode)
	}
	return resp, nil
}

// defaultHTTPClient 构造一个带请求超时的 client。这里每次调用
// 返回新 client，而不是包级全局变量——后者为约束所禁止。
func defaultHTTPClient() *http.Client {
	return &http.Client{Transport: http.DefaultTransport, Timeout: cloudHTTPTimeout}
}

// discardLogger 返回一个丢弃全部输出的日志器。
func discardLogger() *slog.Logger {
	return slog.New(slog.NewTextHandler(io.Discard, nil))
}

// newDashboardSTT 为 DashScope 配置返回云端 STT 适配器。未设置
// API key 时调用会返回 ErrNotConfigured，链随之降级。
func newDashboardSTT(cfg config.VoiceConfig) STT {
	return NewDashscopeSTT(cfg)
}

// newDashboardTTS 为 DashScope 配置返回云端 TTS 适配器。
func newDashboardTTS(cfg config.VoiceConfig) TTS {
	return NewDashscopeTTS(cfg)
}

// newDashboardCloner 为 DashScope 配置返回云端音色注册 cloner，
// 供 create_voice（声音复刻）endpoint 使用。
func newDashboardCloner(cfg config.VoiceConfig) VoiceCloner {
	return NewDashscopeCloner(cfg)
}

// newEdgeTTS 返回 edge-tts 适配点（尚未实现）。
func newEdgeTTS() TTS { return notImplementedTTS{} }

// newEspeak 返回 espeak 适配点（尚未实现）。
func newEspeak() TTS { return notImplementedTTS{} }

// notImplementedTTS 是一个总是降级的适配点。
type notImplementedTTS struct{}

func (notImplementedTTS) TTS(_ context.Context, _ string) (Audio, error) {
	return Audio{}, ErrNotImplemented
}