voice_test — 实时 ASR 客服机器人测试台

Chrome 麦克风 → 实时 ASR（可选多模型）→ LLM 客服人设回答 → TTS 播报，全链路验证。

运行

source ~/.zshenv          # BAILIAN_* 环境变量
go build -o voicetest . && ./voicetest
# 打开 http://localhost:8090 （Chrome，需允许麦克风；仅 localhost/https 可用 getUserMedia）

可选 ASR 模型

模型	厂商	已验证
`qwen-audio-3.0-asr-flash-streaming`	阿里百炼	✅ 支持 continue-task 上下文
`fun-asr-realtime`	阿里百炼	✅ 支持 continue-task 上下文
`fun-asr-flash-2026-06-15`	阿里百炼	✅ 不支持上下文（自动跳过）
`volc-bigmodel` (Doubao-Seed-ASR / sauc)	火山引擎	✅ X-Api-Key 新版鉴权

火山需要语音技术控制台（非 VOLCENGINE_ACCESS_KEY）的凭证，两种鉴权方式自动适配：

# 新版控制台（已验证可用）：单 APP Key → X-Api-Key
export VOLC_ASR_APP_KEY=...

# 旧版控制台：APP ID + Access Token → X-Api-App-Key + X-Api-Access-Key
export VOLC_ASR_APP_ID=...
export VOLC_ASR_ACCESS_TOKEN=...

export VOLC_ASR_RESOURCE_ID=volc.bigasr.sauc.duration  # 2.0 用 volc.seedasr.sauc.duration

环境变量

变量	默认	说明
`BAILIAN_BASE_URL` / `BAILIAN_API_KEY` / `BAILIAN_WSS_BASE_URL`	-	阿里百炼（zshenv 已有）
`BAILIAN_LLM_MODEL`	`qwen3.8-flash`	客服回答模型（OpenAI 兼容流式）
`BAILIAN_TTS_MODEL`	`cosyvoice-v3.5-plus`	语音合成模型
`BAILIAN_TTS_VOICE`	zshenv 音色	cosyvoice-v3.5-plus + 复刻音色已验证可用
`PORT`	`:8090`	监听地址

已验证的端到端指标（同一句“查询订单发货”，50ms/块推流，句级流式 TTS + 无 thinking）

模型	ASR final	首 token	首音频	全轮完成
qwen-audio-3.0-asr-flash-streaming	2.04s	2.54s	3.35s	5.73s
fun-asr-realtime	2.17s	2.60s	3.31s	5.59s
fun-asr-flash-2026-06-15	1.86s	2.16s	2.89s	5.10s
volc-bigmodel (Doubao-Seed-ASR)	2.60s	4.29s	5.18s	7.84s

优化前（TTS 等全文 + LLM 默认 thinking）：首 token ~4.6s / 首音频 ~5.5s / 全轮 ~8.2s。

两项优化：

enable_thinking: false（qwen3 默认开思考，纯耗时 +0.5s，非流式实测 1.10s→0.55s）
句级流式 TTS：LLM 出字遇句末标点（。！？；超长退逗号）即切句喂 TTS，不等全文

ASR 尾静音实测：语音结束→final 判定 ≈ 0.5s（qwen 0.6s），max_end_pausing_time 参数在该端点不生效（垃圾参数同样延迟，服务端忽略未知参数）。

多轮对话（含 ASR 上下文注入）验证通过：两轮 finals=2 replies=2 无错误（百炼与火山均验证）。

结构

main.go — HTTP + /agent WS 会话编排（ASR 事件 → LLM 流式 → TTS 流式）
asr.go — provider 接口
asr_bailian.go — 百炼实时识别（run-task/continue-task 文本协议）
asr_volc.go — 火山 sauc bigmodel（二进制帧协议）
llm.go — OpenAI 兼容流式对话 + 客服 system prompt
tts.go — CosyVoice 流式合成（PCM16/16k）
web/index.html — 测试页（AudioWorklet 采集 PCM16/16k、音量条、双栏转录）

已知简化

无打断（barge-in）：TTS 播报期间 ASR 仍在识别，建议戴耳机测试避免回声。
会话历史仅存内存、每连接独立；刷新页面即重置。

验证清单

✅ 已自动化验证（脚本模拟浏览器客户端，50ms/块推流）

百炼 ASR 三模型协议全通：run-task → task-started → 音频流 → finish-task → task-finished
识别正确性：同一句“你好，我想查询一下我的订单什么时候发货。”三模型 100% 准确
LLM qwen3.8-flash 流式回答，客服人设生效（口语化、无 markdown、主动要订单号）
TTS cosyvoice-v3.5-plus + zshenv 复刻音色：PCM16/16k 音频正常返回（cosyvoice-v2 会报 418，勿用）
E2E 指标见上表；多轮对话 finals=2 replies=2 无错误，ASR 上下文注入生效
fun-asr-flash 不支持 continue-task → 已加模型守卫自动跳过
火山 sauc 二进制帧协议：新版 X-Api-Key 鉴权、句级 utterance definite 判定 final、负包（flags=2/3）结束，真实凭证 E2E 验证通过（含多轮）

👤 需人工在 Chrome 验证

source ~/.zshenv
cd ~/Workspace/voice_test && go build -o voicetest . && ./voicetest

Chrome 打开 http://localhost:8090，状态栏显示“已连接”，下拉框列出 4 个模型
选 qwen-audio-3.0-asr-flash-streaming → 🎤 开始 → 授权麦克风
说“你好，我想查一下我的订单什么时候发货”：
- 左栏灰色 partial 实时上屏，停顿后固化为 final
- 延迟数字合理（<2s）
- 右栏客服回复流式出现
- 扬声器播出 TTS（建议戴耳机）
追问“订单号是 12345”：确认多轮上下文生效（回答应引用订单号）
停止 → 重新开始，切换 fun-asr-realtime / fun-asr-flash-2026-06-15 重复 3
点停止后 asr badge 回 idle；服务端日志出现 ASR started 而非报错
火山：选 volc-bigmodel 重复 3、4（已自动化验证通过，人工复测语音即可）

🧹 清理

pkill -x voicetest

边界情况备忘

远程机器：SSH 端口转发 ssh -L 8090:localhost:8090，浏览器访问 localhost:8090 仍是安全上下文，麦克风可用
外放会自收音导致 ASR 把 TTS 也转写（无回声消除的浏览器实现依赖耳机）
端口冲突：PORT=:9090 ./voicetest 可换

README.md Unescape Escape