AskaEth
8820b0b316
上一版把 r1 的三条 finding 静默漏了（我在交付前没读 inbox），本提交逐条补齐：
1. 🔴 隐私：upstreamStatus 不再读也不记响应体
FastAPI 的 422 会把请求体里的 input 整段回显，原来「错误体前 512 字节进 WARN」
等于把她的原话写进日志。现在只记 status / content_type / response_bytes
（字节数优先取 Content-Length，缺失时有界排空取上界，读到即丢）。
新用例 TestSpeechRejectLogOmitsRequestText 用**回显正文**的假上游抓它；
变异（把 body 塞回 WARN）实测打红。
2. format 键彻底删除（假开关）
上游只拿 response_format 改自报 media_type，产物恒 .wav 无转码，我方只按字节
嗅探裁决 ⇒ wav/mp3/ogg 交付字节与响应头完全相同。删 tts.Config.Format 与
VoiceTTSTuning.Format，encodeSpeech 硬编码 requestFormat="wav"（不可配置）。
用例钉住请求体恒为 wav；变异（改成 mp3）打红。旧文件里残留的 format 键被忽略。
3. Stats 接进 degrade 的 WARN（attempts/failures）
否则统计在生产日志里没有消费者。TestServiceDegradeLogsCounters 钉住；
变异（去掉两个字段）打红。
4. redactURL 兜底含 "@" 整体打码
解析失败/无 host 时原来原样返回，user:pass@ 会漏凭据。TestRedactURLCredentials
覆盖合法 URL 去 userinfo、非法含 @ 打码；变异（退回原样返回）打红。
另：关闭态零行为变化的**当前 tip 重跑**——
- handleSpeech 的 persona 解析改为只在语音服务实现 personaVoice 且 PrimaryActive
时才查库；未接 emotionTTS（既有链/stub）时零额外 I/O、ctx 不改、音频字节相同。
用例 TestSpeechEndpointDisabledVoiceDoesNotReadPersona（含对照组证明闸不是恒关）；
变异（去掉闸）打红。
- voice.go 在 dev 基线里本就有 env.PersonaID 解析（无人格解析新增 I/O），本次未改。
Config.Normalized 去掉未使用的 logger 参数。go build/vet/test（含 -race）全绿；
真机 live 复测：cyrene 264104 B、furina 221194 B。
140 lines
7.0 KiB
Go
140 lines
7.0 KiB
Go
// Package tts 是**半云端 emotionTTS 服务**的运行时合成适配（切片 M35）。
|
||
//
|
||
// 它与父包 `internal/runtime/voice` 的分工（**别混**）：父包管「一条入站语音的
|
||
// 来源事实 + 可播副本」（design/24 §10）；本包只回答一件事 ——「把这段文字交给
|
||
// emotionTTS 换成音频」。它与 `internal/runtime/multimodal/voice` 里那条 STT/TTS
|
||
// 降级链**不是**两套 HTTP：本包的 `Client` 满足那条链的 `TTS` 形状，`Service`
|
||
// 则把 emotionTTS 摆在那条链**前面**（失败/未启用回落既有链）。
|
||
//
|
||
// # 为什么它比我方参数"更懂情绪"
|
||
//
|
||
// 该服务（v5.1.0）的 `POST /v1/audio/speech` **自己**做情绪：先让 LLM 分析待念
|
||
// 文本的情绪、在角色素材库里挑一条情绪相符的参考音，再把情绪向量以
|
||
// `[EMO:{vector}|{alpha}]base64:...` 的形式塞进 `voice` 字段交给 indexTTS2
|
||
// （`core/routers/tts_router.py` 的 `openai_tts_api` + `core/utils/llm_provider.py`
|
||
// 的 `synthesize_audio`）。**因此我方没有、也不需要情绪参数** —— 语气由要念的
|
||
// 文本自己带（她调措辞就是调语气）。
|
||
//
|
||
// # 为什么没有 speed 旋钮
|
||
//
|
||
// 🔴 同一个 `synthesize_audio` 把下游载荷的 `speed` **硬编码成 1.0**（同一文件
|
||
// 的 `data_json`），所以 OpenAI 兼容口的 `speed` 收下即丢。**给它做一个旋钮等于
|
||
// 做一个假开关** —— 因此 `Config` 刻意不含 `speed`。同理不含 `emotion`/`tone`：
|
||
// 那两样上游自己推，我方传什么都是噪音。
|
||
//
|
||
// # 对外只有两样
|
||
//
|
||
// 对调用方只暴露 `text`（必填）与角色（由会话 persona 映射而来）。**没有 `format`**：
|
||
// 上游只拿它改自报的 media_type，产物恒 `.wav` 无转码，我方只按字节嗅探裁决 ⇒
|
||
// 那个键不改变任何交付字节（假开关）。其余全是面板文件里的运维旋钮或代码默认值。
|
||
package tts
|
||
|
||
import (
|
||
"strings"
|
||
"time"
|
||
)
|
||
|
||
const (
|
||
// DefaultBaseURL 是该服务的默认地址（**只绑回环**、无鉴权：绝不是公网地址）。
|
||
DefaultBaseURL = "http://127.0.0.1:9880"
|
||
|
||
// DefaultCharacter 只是**示例/文档用**的角色 id（主人指定的「Cyrene」，
|
||
// `GET /api/characters` 实测 id = `char_84fb88a3`）。
|
||
//
|
||
// 🔴 它**不是**代码里的兜底发音人：把任何角色 id 写死在代码里，正是主人
|
||
// 2026-10-26 点出的病害（换了人格仍用老角色的声音）。发音人一律由
|
||
// `Config.Personas` / `Config.Default` 显式给出（见 Resolve）。
|
||
DefaultCharacter = "char_84fb88a3"
|
||
|
||
// DefaultTimeout 是单次合成超时。实测一次中文合成约 4~8 秒（它内部还要先跑一次
|
||
// LLM 情绪分析 + 素材匹配），故默认留足余量；超时即失败并按既有口径回落。
|
||
DefaultTimeout = 60 * time.Second
|
||
|
||
// defaultMaxAudioBytes 限制读回的音频体积，使异常/畸形响应无法耗尽内存
|
||
// （32 MiB 远超一句话的语音，实测 5 秒语音约 100~200 KB）。
|
||
defaultMaxAudioBytes = 32 << 20
|
||
|
||
// maxDrainBytes 是错误响应体的**有界**排空上限：只用来得出一个字节数下界，
|
||
// 读到的东西直接丢弃、绝不进日志（见 upstreamStatus 的隐私红线）。
|
||
maxDrainBytes = 4096
|
||
|
||
// speechPath 是 OpenAI 兼容合成端点（已实测可用：200 / RIFF-WAVE）。
|
||
speechPath = "/v1/audio/speech"
|
||
|
||
// modelName 是上游要求的固定模型名（该服务只认 `emotionTTS`）。
|
||
modelName = "emotionTTS"
|
||
|
||
// requestFormat 是请求体里 `response_format` 的**固定值**。
|
||
//
|
||
// 🔴 它刻意**不可配置**：上游只拿它改 `FileResponse` 的 media_type，产物恒为
|
||
// `.wav` 且**无转码**（`tts_router.py:437-438`），我方又从不读 `Content-Type`
|
||
// （格式一律由 `sniffAudio` 按字节裁决）⇒ `wav`/`mp3`/`ogg` 交付出去的字节与
|
||
// 响应头**完全相同**。做成配置键就是一个假开关（主人对假开关零容忍）。
|
||
requestFormat = "wav"
|
||
)
|
||
|
||
// Config 是 emotionTTS 客户端的运行期旋钮（由面板文件
|
||
// `$DATA_DIR/config/voice-tts.json` 映射而来；零新 `.env` 键）。
|
||
//
|
||
// 🔴 刻意**没有** speed / emotion / tone 三项，理由见包注释（上游硬编码或自推）。
|
||
// 🔴 刻意**没有** format：上游只拿 `response_format` 改它自报的 media_type，产物
|
||
// 恒为 `.wav` 无转码，我方又只按字节嗅探裁决 ⇒ 那个键不改变任何交付字节，是假开关。
|
||
// 🔴 也**没有全局 character**：发音人只能由 `Personas`（按会话角色映射）或
|
||
// `Default`（仅服务"解析不到 personaId"）给出 —— 主人 2026-10-26 的硬要求
|
||
// 「TTS 的人物选择要绑定后端的角色，不然换了人格还是用老角色的声音」。
|
||
type Config struct {
|
||
// Enabled 是总开关。false = 该级整体不参与（调用方应保留既有链，
|
||
// 而不是把"没启用"当成"合成失败"）。
|
||
Enabled bool
|
||
// BaseURL 是服务地址；空 = DefaultBaseURL。约定只填回环地址。
|
||
BaseURL string
|
||
// Personas 是 **personaId → 上游 characterId** 的唯一映射源（也接受
|
||
// `char_` 前缀或不带前缀的写法，见 Resolve）。它有键但值为空 = 该角色
|
||
// 没有可用发音人 ⇒ 不合成（**绝不**借用别的角色的声音）。
|
||
Personas map[string]string
|
||
// Default 是**仅当 personaId 解析不到**（空串：会话无绑定 / 读取失败 /
|
||
// 该出口本身没有会话）时使用的发音人。它**不**服务"配了 Personas 但没有
|
||
// 这个 persona 的键"那种情况 —— 那是 Resolve 的拒绝分支（主人点名的病害）。
|
||
Default string
|
||
// Timeout 是单次合成超时；<=0 = DefaultTimeout。
|
||
Timeout time.Duration
|
||
}
|
||
|
||
// Normalized 返回填好默认值、去掉首尾空白的配置。
|
||
//
|
||
// 它**不**给 `Personas`/`Default` 补任何默认角色：发音人只有两种合法来源
|
||
// （显式映射 / 显式 default），代码里的兜底值就是主人担心的病害本身。它也不接受
|
||
// logger：当前没有任何"需要告警的回落"（格式已不是配置项，见 requestFormat）。
|
||
func (c Config) Normalized() Config {
|
||
out := c
|
||
out.BaseURL = strings.TrimRight(strings.TrimSpace(out.BaseURL), "/")
|
||
if out.BaseURL == "" {
|
||
out.BaseURL = DefaultBaseURL
|
||
}
|
||
out.Personas = normalizePersonas(out.Personas)
|
||
out.Default = strings.TrimSpace(out.Default)
|
||
if out.Timeout <= 0 {
|
||
out.Timeout = DefaultTimeout
|
||
}
|
||
return out
|
||
}
|
||
|
||
// normalizePersonas 去掉映射两端的空白与空键（空键不可能是合法 personaId），
|
||
// 并保留"键在、值为空"这一形态 —— 它表示"这个角色明确没有发音人"，与"没这个键"
|
||
// 在 Resolve 里是**不同**的分支（前者拒绝，后者也拒绝；两者都绝不借用别的角色）。
|
||
func normalizePersonas(in map[string]string) map[string]string {
|
||
if len(in) == 0 {
|
||
return nil
|
||
}
|
||
out := make(map[string]string, len(in))
|
||
for persona, character := range in {
|
||
key := strings.TrimSpace(persona)
|
||
if key == "" {
|
||
continue
|
||
}
|
||
out[key] = strings.TrimSpace(character)
|
||
}
|
||
return out
|
||
}
|
||
|