AskaEth
3a2711a7e0
侦察结论（真机 + 上游源码）：
- POST /api/analyze_emotion ⇒ {primary,complex,intensity}；primary 闭集
实测 平/喜/惊/哀/怒/厌/惧/急，intensity ∈ Low/Medium/High。
- POST /api/synthesize 收 emo_vector(float[])+emo_alpha，但还要 ref_audio_filename
且只回 {"audio_url"}（服务端落盘），不适合做运行时直出。
- POST /v1/audio/speech 内部先 LLM 分析情绪 + 匹配参考音，再把情绪向量以
[EMO:{vector}|{alpha}]base64:... 注入 voice 交给 indexTTS2 ⇒ **情绪确实影响
语气，但由服务端从待念文本自推**，我方没有可映射的参数。
- 上游把下游载荷的 speed 硬编码 1.0（core/utils/llm_provider.py），客户端
speed 是空转 ⇒ 本切片不暴露 speed，也不暴露 emotion/tone（不造假开关）。
实现：
- internal/runtime/voice/tts：Client（唯一 HTTP 出口，json.Encoder 产出 UTF-8
请求体、超时/非 200/非音频/超限各自可分类）+ 字节嗅探庭裁 + Service（emotionTTS
在前、失败回落既有链，永不上抛成回复失败）+ Provider 适配（可作链的一级）。
- internal/config/runtimeconfig/voicetts.go：$DATA_DIR/config/voice-tts.json
（enabled/baseUrl/character/format/timeoutSec），零新 .env 键。
- cmd/cyrene/wire_voice_tts.go + wireFrontend 的唯一注入点：两条既有出站口
（POST /api/v1/audio/speech 与 WS voice_output）同时用上；不新建端点/帧族。
- 严守 voice 入站闭集（不扩 Source/Status），出站音频不挂 voice DTO（塔裁决 B）。
测试：中文 UTF-8 请求体、非 200、超时、非音频、超限、未启用、空文本、嗅探表、
降级回落、未启用透传、两条出站口的字节级实测、面板配置解析、组合根映射；
三条变异（去中文 / 嗅探恒真 / 去掉回落）各自打红。真机 live 用例（build tag
emotiontts_live）实测 278,036 字节 WAV。
117 lines
6.2 KiB
Go
117 lines
6.2 KiB
Go
// voicetts.go 是 **emotionTTS 语音合成**（切片 M35）的可变源：
|
||
// `$DATA_DIR/config/voice-tts.json`（design/13 §2.1「运行期生成的配置进
|
||
// `$DATA_DIR/config/`；调优/门槛/上限/开关类参数走这里 + 代码默认值」）。
|
||
//
|
||
// 为什么需要它：把半云端的 emotionTTS 接成她的一级发音人，需要三个运维旋钮 ——
|
||
// 开关、地址、角色；而 `.env` 已被主人冻结（**零新 env 键**，design/13 §2.1），
|
||
// 所以它们落在这里，与 `memory-tidy.json` / `backthink.json` 同一家族口径。
|
||
//
|
||
// 🔴 **刻意没有 speed / emotion / tone 三键**（塔 2026-10-26 裁决，实测证据）：
|
||
// - 上游把下游载荷的 `speed` **硬编码 1.0**（`core/utils/llm_provider.py` 的
|
||
// `synthesize_audio`），客户端传的 speed 是空转 ⇒ 做一个键就是做一个**假开关**；
|
||
// - 情绪由上游**自己**推（LLM 分析待念文本 + 匹配参考音 + 注入情绪向量），我方
|
||
// 没有可映射的参数 ⇒ 不做"情绪 → 语气"映射表（有映射表也只是自嗨）。
|
||
//
|
||
// 边界（与 backthink.go / memorytidy.go 同源的手续）：
|
||
//
|
||
// 1. 本文件只管**文件形状 + 读取**：它不认识 `tts.Config`，也不做"缺省填什么值"
|
||
// 的裁决（那是 `tts.Config.Normalized` 的事）。
|
||
// 2. **没有"面板编辑"的写口**：改内容仍要**人手改文件 + 重启**（与
|
||
// `backthink.json` 同口径：启动期读一次）。本切片不新增播种文件 —— 文件不存在
|
||
// 就是"没配过"，该级不启用。
|
||
// 3. **零新 env 键**，也不进面板的配置事实卡（那张表的键名被 `.env.example` 钉住）。
|
||
//
|
||
// 读取口径：文件缺失或全空白 = 还没配过（零值 + nil，**不是错误**）；存在但解不开
|
||
// = 返回错误，调用方记 WARN 并**回落到"不启用"**（一个坏文件绝不能把语音面变成
|
||
// 「半开」状态 —— 宁可没有这一级，也不要用一份读不懂的配置去调外部服务）。
|
||
package runtimeconfig
|
||
|
||
import (
|
||
"encoding/json"
|
||
"errors"
|
||
"fmt"
|
||
"os"
|
||
"path/filepath"
|
||
"strings"
|
||
)
|
||
|
||
const (
|
||
// voiceTTSFileName 是文件名（家族命名 = 服务/模块名 + .json）。
|
||
voiceTTSFileName = "voice-tts.json"
|
||
// voiceTTSConfigSubdir 是落点的第一段目录（`$DATA_DIR/config/`）。与其它族
|
||
// 各自声明一份，避免某一族换位置时另一处静默跟着搬家。
|
||
voiceTTSConfigSubdir = "config"
|
||
)
|
||
|
||
// VoiceTTSConfigRelPath 是落点相对 `$DATA_DIR` 的路径（`config/voice-tts.json`）。
|
||
// 导出它是为了让面板/文档能**如实**告诉主人改哪个文件。
|
||
const VoiceTTSConfigRelPath = voiceTTSConfigSubdir + "/" + voiceTTSFileName
|
||
|
||
// ErrInvalidVoiceTTS 是 voice-tts.json 结构不合法时的分类错误（errors.Is 可判类）。
|
||
var ErrInvalidVoiceTTS = errors.New("runtimeconfig: invalid voice tts config")
|
||
|
||
// VoiceTTSTuning 是 `voice-tts.json` 的形状：emotionTTS 那个发音人的运维旋钮。
|
||
//
|
||
// 字段名是 camelCase 的 JSON 键（文件是给人看、给人改的）。
|
||
type VoiceTTSTuning struct {
|
||
// Enabled 控制这一级是否参与合成。nil = 没配（**不启用**）；true = 启用；
|
||
// false = 显式关掉（与"没配"同效，写它只是为了自解释）。
|
||
//
|
||
// 用**指针**是刻意的：`bool` 的零值 false 与"键没写"不可区分，而这一级的默认
|
||
// 语义是**关**（它要连一台默认在本机回环上的外部服务，不能靠"猜"打开）。
|
||
// 这里指针带来的是"没写"与"写了 false"在日志里可区分，行为上二者都等于不启用。
|
||
Enabled *bool `json:"enabled"`
|
||
// BaseURL 是服务地址。空 = 代码默认 `http://127.0.0.1:9880`。
|
||
//
|
||
// 🔴 该服务**无鉴权、只绑回环**：这里填公网地址等于把一个无鉴权的合成口暴露给
|
||
// 网络，安全上由部署方自行负责（本文件不替人做这个决定，也不给默认值以外的暗示）。
|
||
BaseURL string `json:"baseUrl,omitempty"`
|
||
// Character 是角色（服务端 `/api/characters` 的 id 或名字）。
|
||
// 空 = 代码默认 `char_84fb88a3`（主人指定的 Cyrene）。
|
||
Character string `json:"character,omitempty"`
|
||
// Format 是请求格式，只接受 wav/mp3/ogg。空 = 代码默认 wav。
|
||
//
|
||
// 注意：上游产物**恒为 WAV**（它按 `response_format` 自报 media_type，但字节是
|
||
// WAV）⇒ 真正下发的格式一律由字节嗅探裁决，这一键只影响请求参数。
|
||
Format string `json:"format,omitempty"`
|
||
// TimeoutSec 是单次合成超时（**秒**）。零/负 = 没配 ⇒ 代码默认 60 秒。
|
||
//
|
||
// 用秒而不是 Go 时长字面量：这个文件是给人改的，写 `60` 比要求记住 `"60s"`
|
||
// 更不容易写错，也与既有 `$DATA_DIR/config/**` 的 `*_SEC` 口径一致。
|
||
TimeoutSec int `json:"timeoutSec,omitempty"`
|
||
}
|
||
|
||
// EnabledOn 报告这一级是否被显式打开（nil = 没配 ⇒ 不启用）。
|
||
func (t VoiceTTSTuning) EnabledOn() bool { return t.Enabled != nil && *t.Enabled }
|
||
|
||
// DefaultVoiceTTSPath 返回落点：`$DATA_DIR/config/voice-tts.json`。
|
||
func DefaultVoiceTTSPath(dataDir string) string {
|
||
return filepath.Join(dataDir, voiceTTSConfigSubdir, voiceTTSFileName)
|
||
}
|
||
|
||
// LoadVoiceTTSTuning 读取 voice-tts.json（**只读**）。
|
||
//
|
||
// 文件缺失或全空白 ⇒ 零值 + nil：调用方据此得出"这一级没配过（不启用）"，
|
||
// **不是**错误 —— 一台没装 emotionTTS 的机器不该每次启动都刷 WARN。
|
||
//
|
||
// 存在但解不开 ⇒ 返回包装了 ErrInvalidVoiceTTS 的错误。调用方应记一条带 source 的
|
||
// WARN 并**回落"不启用"**（见文件头第 3 条）；**绝不得覆盖**那个文件（损坏的文件
|
||
// 可以人工救回，程序盖掉它就丢了人工写的意图）。
|
||
func LoadVoiceTTSTuning(path string) (VoiceTTSTuning, error) {
|
||
raw, err := os.ReadFile(path)
|
||
if err != nil {
|
||
if os.IsNotExist(err) {
|
||
return VoiceTTSTuning{}, nil
|
||
}
|
||
return VoiceTTSTuning{}, fmt.Errorf("runtimeconfig: read %s: %w", path, err)
|
||
}
|
||
if strings.TrimSpace(string(raw)) == "" {
|
||
return VoiceTTSTuning{}, nil
|
||
}
|
||
var t VoiceTTSTuning
|
||
if err := json.Unmarshal(raw, &t); err != nil {
|
||
return VoiceTTSTuning{}, fmt.Errorf("%w: decode %s: %w", ErrInvalidVoiceTTS, path, err)
|
||
}
|
||
return t, nil
|
||
}
|