Cyrene_v2/internal/services/gateway/voice_emotiontts_test.go

package gateway

// 本文件是切片 M35 的**两条既有出站口实测**，并且钉住主人 2026-10-26 的硬要求：
// **发音人跟着会话的人格走**（绝不定死一个）。
//
//  1. `POST /api/v1/audio/speech`：回的是音频字节（不是 JSON 信封/空体），且
//     请求体里的 `sessionId` 解析到的人格决定上游 `voice`；
//  2. WS `voice_output`：帧里带的是那段音频的 base64，且发音人取**本回合**的
//     `env.PersonaID`（不是进程启动时算一次）。
//
// 断言落在「上游请求体里的 voice」与「帧里音频的内容」上 —— 它们才能证明
// "换了人格就换了声音"。

import (
	"context"
	"encoding/base64"
	"encoding/json"
	"net/http"
	"net/http/httptest"
	"sync"
	"testing"

	"git.yeij.top/AskaEth/Cyrene_v2/internal/auth"
	"git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/loop"
	mvoice "git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/multimodal/voice"
	voicetts "git.yeij.top/AskaEth/Cyrene_v2/internal/runtime/voice/tts"
)

// personaCharacters 是两个角色各自的上游 character id（与生产配置同形）。
var personaCharacters = map[string]string{
	"cyrene": "char_84fb88a3",
	"furina": "char_5314489e",
}

// fakeWAV 造一段魔数合法、且**内容里带着 voice 名**的假 WAV —— 这样端到端断言
// 帧/响应里的字节就能直接看出"这段声音是谁的"。
func fakeWAV(voice string) []byte {
	b := []byte("RIFF\x00\x00\x00\x00WAVEfmt ")
	b = append(b, make([]byte, 16)...)
	b = append(b, []byte("data\x00\x00\x00\x00")...)
	return append(b, []byte("voice="+voice)...)
}

// vocalRecorder 是一台假 emotionTTS：记下每次请求体里的 voice。
type vocalRecorder struct {
	mu     sync.Mutex
	voices []string
}

// handler 解码请求体、记录 voice、回一段内容里带 voice 的 WAV。
func (r *vocalRecorder) handler(t *testing.T) http.HandlerFunc {
	t.Helper()
	return func(w http.ResponseWriter, req *http.Request) {
		if req.URL.Path != "/v1/audio/speech" {
			t.Errorf("path = %q, want /v1/audio/speech", req.URL.Path)
		}
		var payload struct {
			Model string `json:"model"`
			Input string `json:"input"`
			Voice string `json:"voice"`
		}
		if err := json.NewDecoder(req.Body).Decode(&payload); err != nil {
			t.Errorf("请求体不是合法 UTF-8 JSON: %v", err)
		}
		if payload.Model != "emotionTTS" {
			t.Errorf("model = %q, want emotionTTS", payload.Model)
		}
		r.mu.Lock()
		r.voices = append(r.voices, payload.Voice)
		r.mu.Unlock()
		w.Header().Set("Content-Type", "audio/wav")
		_, _ = w.Write(fakeWAV(payload.Voice))
	}
}

// Voices 返回**按顺序**记下的 voice。
func (r *vocalRecorder) Voices() []string {
	r.mu.Lock()
	defer r.mu.Unlock()
	out := make([]string, len(r.voices))
	copy(out, r.voices)
	return out
}

// emotionTTSService 用假上游构造一个**真的** tts.Service（不是 stub）。
//
// cfg 由调用方覆盖（personas / default），本函数只补齐 Enabled 与 BaseURL。
func emotionTTSService(t *testing.T, rec *vocalRecorder, cfg voicetts.Config, base voicetts.Chain) *voicetts.Service {
	t.Helper()
	srv := httptest.NewServer(rec.handler(t))
	t.Cleanup(srv.Close)
	cfg.Enabled = true
	cfg.BaseURL = srv.URL
	return voicetts.NewService(voicetts.New(cfg), base)
}

// personaHistory 是一个**只报一个 persona** 的 history 替身（满足
// `sessionPersonaReader`），用来驱动两条口的人格解析。它复用测试包里的
// fakeHistory 以满足 HistoryStore 的其余方法。
type personaHistory struct {
	*fakeHistory
	persona string
}

// SessionPersona 报该 persona（未知会话与读错误对上层都退化成 ""，这里只测成功路径）。
func (h personaHistory) SessionPersona(context.Context, string) (string, error) {
	return h.persona, nil
}

// personaResolver 造一个把 sessionID 解析成给定 persona 的解析器。
func personaResolver(persona string) turnEnvResolver {
	return turnEnvResolver{history: personaHistory{fakeHistory: &fakeHistory{}, persona: persona}, log: sourcedLog(nil)}
}

// TestSpeechEndpointVoiceFollowsSessionPersona 是 REST 口的实测：同一个进程、同一台
// 服务，**先**用 cyrene 会话、**后**用 furina 会话 ⇒ 两次上游请求体里的 voice 分别是
// 两个不同的角色（第二次绝不沿用第一次）。
func TestSpeechEndpointVoiceFollowsSessionPersona(t *testing.T) {
	env := newEnv(t, nil, false)
	rec := &vocalRecorder{}
	base := &silentBase{}
	env.srv.SetVoice(emotionTTSService(t, rec, voicetts.Config{Personas: personaCharacters}, base))
	token := env.token(t, auth.RoleOwner)

	for _, persona := range []string{"cyrene", "furina"} {
		env.srv.envResolver = personaResolver(persona)
		resp, body := doReq(t, http.MethodPost, env.ts.URL+"/api/v1/audio/speech", map[string]any{
			"text": "你好，我是苏梦。", "sessionId": "web:" + persona,
		}, token)
		if resp.StatusCode != http.StatusOK {
			t.Fatalf("%s: status = %d, body = %s", persona, resp.StatusCode, body)
		}
		if ct := resp.Header.Get("Content-Type"); ct != "audio/wav" {
			t.Errorf("%s: Content-Type = %q, want audio/wav", persona, ct)
		}
		if string(body) != string(fakeWAV(personaCharacters[persona])) {
			t.Fatalf("%s: 响应体不是该角色的音频: %d bytes", persona, len(body))
		}
	}
	want := []string{personaCharacters["cyrene"], personaCharacters["furina"]}
	got := rec.Voices()
	if len(got) != 2 || got[0] != want[0] || got[1] != want[1] {
		t.Fatalf("请求体里的 voice = %v, want %v", got, want)
	}
}

// TestSpeechEndpointUnmappedPersonaRefuses 是 REST 口的红线：会话绑的 persona 没有
// 映射 ⇒ **不合成**（上游 0 次请求），接口如实报错，绝不借用别的角色。
func TestSpeechEndpointUnmappedPersonaRefuses(t *testing.T) {
	env := newEnv(t, nil, false)
	rec := &vocalRecorder{}
	env.srv.SetVoice(emotionTTSService(t, rec, voicetts.Config{
		Personas: personaCharacters,
		Default:  personaCharacters["cyrene"], // 配了 default 也**不许**顶未映射的 persona
	}, &silentBase{}))
	env.srv.envResolver = personaResolver("stranger")

	token := env.token(t, auth.RoleOwner)
	resp, _ := doReq(t, http.MethodPost, env.ts.URL+"/api/v1/audio/speech", map[string]any{
		"text": "你好", "sessionId": "web:sub-9",
	}, token)
	if resp.StatusCode == http.StatusOK {
		t.Fatal("未映射 persona 却回了 200 —— 会让她用别人的声音说话")
	}
	if got := rec.Voices(); len(got) != 0 {
		t.Fatalf("上游请求数 = %d, want 0（voice=%v）", len(got), got)
	}
}

// TestSpeechEndpointNoSessionUsesDefault 钉住"这条口没有会话时"的诚实处置：
// 省略 sessionId ⇒ 生效人格只能来自**全局默认人格**；本用例没有接人格库，
// 因此连默认人格都没有 ⇒ 才落到配置的 default（没配则同样不合成）。
func TestSpeechEndpointNoSessionUsesDefault(t *testing.T) {
	env := newEnv(t, nil, false)
	rec := &vocalRecorder{}
	defaultVoice := "char_default_voice"
	env.srv.SetVoice(emotionTTSService(t, rec, voicetts.Config{
		Personas: personaCharacters,
		Default:  defaultVoice,
	}, &silentBase{}))
	token := env.token(t, auth.RoleOwner)

	resp, body := doReq(t, http.MethodPost, env.ts.URL+"/api/v1/audio/speech", map[string]any{
		"text": "你好",
	}, token)
	if resp.StatusCode != http.StatusOK {
		t.Fatalf("status = %d, body = %s", resp.StatusCode, body)
	}
	if got := rec.Voices(); len(got) != 1 || got[0] != defaultVoice {
		t.Fatalf("请求体里的 voice = %v, want [%s]", got, defaultVoice)
	}
}

// TestVoiceOutputFrameVoiceFollowsTurnPersona 是 WS 口的实测：发音人取**本回合**的
// env.PersonaID。两次回合（两个 persona）⇒ 两次帧里的音频内容分别属于两个角色。
func TestVoiceOutputFrameVoiceFollowsTurnPersona(t *testing.T) {
	for _, persona := range []string{"cyrene", "furina"} {
		t.Run(persona, func(t *testing.T) {
			hb := newTestHub(&stubRunner{res: &loop.Result{Text: "你好，我是苏梦。", Steps: 1, StopReason: "stop"}}, nil)
			hb.envResolver = personaResolver(persona)
			rec := &vocalRecorder{}
			hb.voice = emotionTTSService(t, rec, voicetts.Config{Personas: personaCharacters}, &silentBase{})
			c := newOwnerConn(hb, 32)
			hb.register(c)

			c.route(wsInbound{Type: "voice_input", Data: json.RawMessage(`{"text":"你好","format":"wav"}`)})
			ev := readFakeFrame(t, c)
			if ev.Type != "voice_output" {
				t.Fatalf("frame = %q, want voice_output (%+v)", ev.Type, ev)
			}
			data, ok := ev.Data.(map[string]any)
			if !ok {
				t.Fatalf("frame data = %T", ev.Data)
			}
			raw, err := base64.StdEncoding.DecodeString(asString(data["audio"]))
			if err != nil || len(raw) == 0 {
				t.Fatalf("帧里没有可解码的音频（err=%v）", err)
			}
			want := fakeWAV(personaCharacters[persona])
			if string(raw) != string(want) {
				t.Fatalf("帧里的声音不是 %s 的: %q", persona, string(raw))
			}
			if data["reply"] != "你好，我是苏梦。" {
				t.Errorf("reply = %v, want 助手正文", data["reply"])
			}
			if got := rec.Voices(); len(got) != 1 || got[0] != personaCharacters[persona] {
				t.Fatalf("请求体里的 voice = %v, want [%s]", got, personaCharacters[persona])
			}
		})
	}
}

// TestSpeechEndpointDisabledVoiceDoesNotReadPersona 是**关闭态零行为变化**的自证
// （复审要求在当前 tip 上重跑的那一条，而我这一版动了 `gateway/audio.go`）：
//
// 注入的语音服务**实现了 personaVoice 却报告未生效**（`inactivePersonaVoice`，
// 模拟"门面在、这一级关着"）时，语音合成**一次都不查会话人格** —— 与引入本切片
// 之前逐字同行为；反之（真 emotionTTS 门面，PrimaryActive=true）才会查，说明这个闸
// 不是"永远不查"。
//
// 变异：去掉 handleSpeech 里的 `&& pv.PrimaryActive()`（只留类型断言）⇒ 本用例
// 第一段红。🔴 这条变异此前**打不红**，因为替身不实现 `PrimaryActive`，拦住读库的
// 只有类型断言（复审 r3 P2-2）；现在替身实现了它，布尔值才是唯一的闸。
func TestSpeechEndpointDisabledVoiceDoesNotReadPersona(t *testing.T) {
	env := newEnv(t, nil, false)
	stub := &inactivePersonaVoice{audioStubVoice: audioStubVoice{
		ttsAudio: mvoice.Audio{Format: "wav", Data: fakeWAV("chain")},
	}}
	env.srv.SetVoice(stub)
	counter := &countingHistory{fakeHistory: &fakeHistory{}}
	env.srv.envResolver = turnEnvResolver{history: counter, log: env.srv.log}
	token := env.token(t, auth.RoleOwner)

	resp, body := doReq(t, http.MethodPost, env.ts.URL+"/api/v1/audio/speech", map[string]any{
		"text": "你好", "sessionId": "web:sub-1",
	}, token)
	if resp.StatusCode != http.StatusOK {
		t.Fatalf("status = %d, body = %s", resp.StatusCode, body)
	}
	if got := counter.Calls(); got != 0 {
		t.Fatalf("未生效的 personaVoice 却查了 %d 次会话人格（关闭态行为变了）", got)
	}
	if string(body) != string(fakeWAV("chain")) {
		t.Fatalf("关闭态的音频不是既有链产物: %q", string(body))
	}

	// 对照：接上真的 emotionTTS 门面后，同一个端点会查一次人格（闸不是恒关）。
	env2 := newEnv(t, nil, false)
	env2.srv.SetVoice(emotionTTSService(t, &vocalRecorder{}, voicetts.Config{Personas: personaCharacters}, &silentBase{}))
	counter2 := &countingHistory{fakeHistory: &fakeHistory{}}
	env2.srv.envResolver = turnEnvResolver{history: counter2, log: env2.srv.log}
	if resp, body := doReq(t, http.MethodPost, env2.ts.URL+"/api/v1/audio/speech", map[string]any{
		"text": "你好", "sessionId": "web:sub-1",
	}, env.token(t, auth.RoleOwner)); resp.StatusCode != http.StatusOK {
		t.Fatalf("对照组 status = %d, body = %s", resp.StatusCode, body)
	}
	if got := counter2.Calls(); got != 1 {
		t.Fatalf("启用 emotionTTS 后应查 1 次人格, got %d", got)
	}
}

// countingHistory 记录 SessionPersona 被查了几次（同时满足 HistoryStore 的其余方法）。
type countingHistory struct {
	*fakeHistory
	mu    sync.Mutex
	calls int
}

// SessionPersona 计数并回一个固定的 persona。
func (h *countingHistory) SessionPersona(context.Context, string) (string, error) {
	h.mu.Lock()
	h.calls++
	h.mu.Unlock()
	return "furina", nil
}

// Calls 返回查询次数。
func (h *countingHistory) Calls() int {
	h.mu.Lock()
	defer h.mu.Unlock()
	return h.calls
}

// inactivePersonaVoice 是"**实现了** personaVoice 但报告这一级未生效"的替身
// （模拟 emotionTTS 门面存在、`enabled` 关着的情形）。它让 `PrimaryActive()` 成为
// 关闭态唯一的闸 —— 这样把 `&& pv.PrimaryActive()` 摘掉的变异才会打红。
type inactivePersonaVoice struct{ audioStubVoice }

// PrimaryActive 报告"按 persona 选发音"的那一级**未**生效。
func (i *inactivePersonaVoice) PrimaryActive() bool { return false }

// asString 安全地取一个 string 值（帧载荷是 map[string]any）。
func asString(v any) string {
	s, _ := v.(string)
	return s
}

// silentBase 是最小的底链替身：只在测"主路健康"时用作类型占位，
// 一旦被调用就说明主路降级了（测试会因此失败）。
type silentBase struct{}

func (s *silentBase) STT(_ context.Context, _ mvoice.Audio) (string, error) {
	return "", mvoice.ErrProviderFailed
}

func (s *silentBase) STTWithProvider(_ context.Context, _ mvoice.Audio) (string, string, error) {
	return "", "", mvoice.ErrProviderFailed
}

func (s *silentBase) TTS(_ context.Context, _ string) (mvoice.Audio, error) {
	return mvoice.Audio{}, mvoice.ErrProviderFailed
}

func (s *silentBase) TTSWithProvider(_ context.Context, _ string) (mvoice.Audio, string, error) {
	return mvoice.Audio{}, "", mvoice.ErrProviderFailed
}

func (s *silentBase) CloneVoice(_ context.Context, _, _ string) (string, error) {
	return "", mvoice.ErrProviderFailed
}