07979bfb09
Replace CreateRecTask polling with recording-file flash API, add TENCENT_APP_ID, remove server-side pydub slicing, and log ASR recognition text at INFO in development. Co-authored-by: Cursor <cursoragent@cursor.com>
2.5 KiB
2.5 KiB
WebSocket 消息协议
连接
- URL:
/ws/conversation/{conversation_id}?token={jwt_access_token} - 鉴权: query 参数
token，JWTaccess_token
消息类型 (client → server)
TEXT：文本消息。data.text必填。可选data.tts_this_turn（布尔）：为true且服务端ENABLE_TTS开启且本轮回避skip_tts时，对该轮助手回复分段合成 TTS；默认为false/缺省即不合成。当开启本轮 TTS 时，每个助手分段服务端先推送tts_audio再推送该段agent_response，便于客户端先收音频再展示同段文字。AUDIO_SEGMENT：语音分段（客户端约 15s 一段）。data含audio_base64、segment_index、voice_session_id/client_segment_id、is_last、duration。可选同上tts_this_turn。服务端对每段调用录音文件识别极速版（16k_zh_large，HTTPS 同步返回）。AUDIO_MESSAGE：整段音频（单次 ASR + 对话）。同上可选tts_this_turn。单段建议 ≤100MB（极速版上限）。TRANSCRIBE_ONLY：仅转写不回复TTS_CANCEL：取消当前轮未完成的分段合成与下发TTS_REQUEST：用户点击某一助手气泡「朗读」且该段尚无 TTS 时下发。data含assistant_message_id（落库conversation_messages.id）、segment_index（与该条助手正文按[SPLIT]分段后的从 0 下标）、可选segment_text（须与该分段正文一致，用于校验）。服务端若该段已有 URL 则只做预签名后推送tts_audio（data.manual=true），不重复合成。END_CONVERSATION：结束对话PING/PONG：心跳（客户端也可用 JSON{"type":"ping"}）
消息类型 (server → client)
TRANSCRIPT: ASR 转写结果AGENT_RESPONSE: AI 回复文本分段TTS_AUDIO: 语音合成结果。标准链路下发data.audio_base64作为本轮即时播放通道，并同时下发data.audio_url（COS 预签名可播放 URL）供客户端绑定气泡、退出重进后复播。按需朗读成功时data.manual可为true，提示客户端应播放（即使用户未开「本轮 Speak」）。MEMOIR_UPDATE: 回忆录更新通知ERROR: 错误信息
状态流转
CONNECT → (TEXT|AUDIO_*) ↔ (TRANSCRIPT|AGENT_RESPONSE|[TTS_AUDIO]) → END_CONVERSATION
同一连接内消息顺序稳定；首轮朗读模式下每一助手分段为 tts_audio 先于对应 agent_response。
重连
客户端断连后可用相同 conversation_id 重连，历史消息从 Redis / HTTP 缓存恢复。