语音对话前端全链路WebRTC 采集、流式 ASR 与 TTS 的工程落地一、边说边听的难题语音 AI 助手的实时性与打断困境去年我们给一个车载语音助手做前端验收时产品提了一条用户说话中途改主意要能立刻打断 AIAI 必须闭嘴听新指令。这事我见过太多团队栽进去把语音对话做成「录音→转写→大模型→合成→播放」的串行流水线。用户每说一句要等 AI 念完才能继续体验像在对讲机里聊天。语音 AI 助手与文本对话最大的不同在于「说」与「听」必须并行。人类对话中打断是常态平均每三次对话就有一次发生重叠语音。若助手还在播放上一句 TTS 时用户已经开口补充前端必须立刻停掉播放、切回采集状态、把新语音送进 ASR。任何一环延迟用户就会重复喊停、停、停。全链路由四段组成WebRTC 采集音频流、ASR 实时转写为文本、大模型流式生成回复、TTS 流式合成并播放。任意一段阻塞整条链路的实时性就崩塌。前端要同时管理录音状态、VAD语音活动检测静音判断、回声消除、打断重置还要在弱网下做重试与降级。更要命的是流式分块。ASR 不是等用户说完才返回而是边说边吐增量文本TTS 也不是等大模型写完整句才合成而是拿到一个分句就立刻转音频。前端要把这些分块拼接、缓冲、按序播放任何错序都会让用户听到「卡带式」的断续语音。于是语音对话前端的本质是一个跨四段管道的状态机调度器。二、全链路状态机与流式分块ASR 与 TTS 的协同机制整个对话周期可以建模为一个有限状态机空闲idle、聆听中listening、思考中thinking、播报中speaking。状态转移由两类事件驱动用户端的 VAD 信号开始说话、静音超时与服务端的流式消息ASR 增量、LLM token、TTS 音频块。VAD 是状态机的核心传感器。它持续分析麦克风输入的能量与过零率判断当前是否有人说话。开始说话时切到 listening检测到一段静音通常 600 到 800 毫秒则认为句子结束切到 thinking。静音阈值不能太短否则说话中的正常停顿会被误判为结束也不能太长否则响应延迟被拉大。打断处理依赖一个关键能力回声消除。TTS 播放的音频会被麦克风重新采集若不做消除VAD 会误以为「用户在说话」从而自我打断。浏览器 WebRTC 的 getUserMedia 配合 echoCancellation 约束能消除一部分回声但外放场景下仍需软件 AEC 兜底。检测到真实用户语音能量持续高于阈值且非回声时立刻终止 TTS 播放、清空待播队列、切回 listening。流式 ASR 通常基于 WebSocket 传输。客户端持续发送音频分块16kHz PCM每帧约 20 到 40 毫秒服务端返回增量识别结果带isFinal标记区分中间帧与句子边界。中间帧会反复修正前面的文本前端要按句子 ID 做幂等替换不能直接追加。流式 TTS 则把大模型的文本输出按标点切分句每拿到一个完整分句就请求合成返回的音频块按序进入播放队列。浏览器 AudioContext 的调度机制能保证块间无缝衔接前一块播完时下一块已经在缓冲区就绪。综上语音对话链路最脆弱处在打断清理旧 TTS 音频块可能还在 WebSocket 管道里飞前端必须用递增 sessionId 标记每次对话过期 session 的音频块直接丢弃否则用户会听到半句旧回复突然冒出来。把这条清理守住对话才能真正「随时打断」。三、生产级语音对话控制器实现下面给出一个语音对话控制器的核心实现。它管理状态机、VAD 触发、流式 ASR 与 TTS 的分块处理并内置打断清理与异常重试。type DialogState idle | listening | thinking | speaking; interface VoiceControllerOptions { asrUrl: string; // 流式 ASR 的 WebSocket 地址 ttsUrl: string; // 流式 TTS 的 HTTP 地址 vadSilenceMs?: number; // 静音判定阈值默认 700ms retryLimit?: number; // 链路失败重试次数 } export class VoiceDialogController { private state: DialogState idle; private sessionId 0; // 每次对话递增用于过期数据丢弃 private audioCtx: AudioContext | null null; private mediaStream: MediaStream | null null; private asrSocket: WebSocket | null null; private ttsQueue: AudioBuffer[] []; // 待播音频队列 private retryCount 0; constructor(private opts: VoiceControllerOptions) {} async start() { // 采集音频开启回声消除与噪声抑制这是语音对话能跑通的前提 this.mediaStream await navigator.mediaDevices.getUserMedia({ audio: { echoCancellation: true, noiseSuppression: true, autoGainControl: true, channelCount: 1, sampleRate: 16000, }, }); this.audioCtx new AudioContext(); this.transitionTo(listening); this.connectASR(); this.startVAD(); } private connectASR() { // ASR 连接失败需重试但重试要有上限避免弱网下无限重连 this.asrSocket new WebSocket(this.opts.asrUrl); this.asrSocket.binaryType arraybuffer; this.asrSocket.onopen () { this.retryCount 0; this.startStreamingAudio(); }; this.asrSocket.onmessage (ev) this.handleASRMessage(ev.data); this.asrSocket.onclose () { if (this.state ! idle this.retryCount (this.opts.retryLimit ?? 3)) { this.retryCount; // 指数退避重连避免服务端刚恢复就被打爆 setTimeout(() this.connectASR(), 300 * 2 ** this.retryCount); } }; this.asrSocket.onerror () this.asrSocket?.close(); } private startStreamingAudio() { if (!this.mediaStream || !this.asrSocket || !this.audioCtx) return; // 用 Web Audio 的 ScriptProcessorNode 做分帧每帧送 ASR const source this.audioCtx.createMediaStreamSource(this.mediaStream); const processor this.audioCtx.createScriptProcessor(4096, 1, 1); processor.onaudioprocess (e) { if (this.asrSocket?.readyState WebSocket.OPEN) { const pcm e.inputBuffer.getChannelData(0); // 转 16bit PCM符合多数 ASR 服务端的输入约定 const buf floatTo16BitPCM(pcm); this.asrSocket.send(buf.buffer); } }; source.connect(processor); processor.connect(this.audioCtx.destination); } private handleASRMessage(data: string) { const msg JSON.parse(data); if (msg.isFinal msg.text.trim()) { this.transitionTo(thinking); this.callLLM(msg.text); } } private async callLLM(query: string) { const currentSession this.sessionId; // 流式请求大模型按句切分后送 TTS const resp await fetch(/api/llm/stream, { method: POST, body: JSON.stringify({ query }), }); const reader resp.body!.getReader(); const decoder new TextDecoder(); let pending ; while (true) { const { done, value } await reader.read(); if (done) break; pending decoder.decode(value, { stream: true }); // 按标点切句拿到完整分句立刻合成不等整段写完 const sentences pending.split(/(?[。])/); pending sentences.pop() ?? ; for (const s of sentences) { if (s.trim()) await this.requestTTS(s.trim(), currentSession); } } } private async requestTTS(text: string, session: number) { try { const resp await fetch(this.opts.ttsUrl, { method: POST, body: JSON.stringify({ text, session }), }); const arrBuf await resp.arrayBuffer(); const audioBuf await this.audioCtx!.decodeAudioData(arrBuf); // 过期 session 的音频直接丢弃这是打断不串音的关键 if (session ! this.session) return; this.ttsQueue.push(audioBuf); if (this.state ! speaking) this.playQueue(session); } catch (err) { // 单句合成失败不致命跳过继续避免整段对话卡死 console.warn([tts], err); } } private playQueue(session: number) { if (session ! this.session) return; const buf this.ttsQueue.shift(); if (!buf) { // 队列空且仍在 speaking说明还有未到的 TTS 块保持状态 if (this.state speaking) return; this.transitionTo(idle); return; } this.transitionTo(speaking); const src this.audioCtx!.createBufferSource(); src.buffer buf; src.connect(this.audioCtx!.destination); src.onended () this.playQueue(session); src.start(); } private startVAD() { // 简化 VAD监测 RMS 能量超阈值认为有人说话 // 生产实现建议用 rnnoise 或 ricky0123/vad-web let silenceTimer: number | undefined; const analyser this.audioCtx!.createAnalyser(); analyser.fftSize 512; const data new Uint8Array(analyser.frequencyBinCount); const tick () { analyser.getByteFrequencyData(data); const rms data.reduce((a, b) a b * b, 0) / data.length; if (rms 100) { // 检测到语音若正在 speaking触发打断 if (this.state speaking) this.interrupt(); clearTimeout(silenceTimer); } else if (this.state listening) { // 静音超时判定句子结束 clearTimeout(silenceTimer); silenceTimer window.setTimeout(() { if (this.state listening) this.transitionTo(thinking); }, this.opts.vadSilenceMs ?? 700); } requestAnimationFrame(tick); }; tick(); } private interrupt() { // 打断核心递增 session 让所有在途 TTS 作废清空播放队列 this.sessionId; this.ttsQueue []; this.transitionTo(listening); } private transitionTo(next: DialogState) { this.state next; } stop() { this.interrupt(); this.asrSocket?.close(); this.mediaStream?.getTracks().forEach((t) t.stop()); this.audioCtx?.close(); this.transitionTo(idle); } } function floatTo16BitPCM(input: Float32Array): Int16Array { const out new Int16Array(input.length); for (let i 0; i input.length; i) { const s Math.max(-1, Math.min(1, input[i])); out[i] s 0 ? s * 0x8000 : s * 0x7fff; } return out; }关键点有四处。其一sessionId 递增机制是打断不串音的根本保障过期 session 的 TTS 块到达即丢弃。其二ASR WebSocket 断线做指数退避重连弱网下不会无限打爆服务端。其三大模型输出按标点切句后立刻送 TTS不必等整段完成首字延迟显著降低。其四VAD 与 TTS 播放共享同一能量检测检测到真实语音立刻 interrupt。四、实时性与准确性的权衡回声、打断与适用边界语音对话前端不是全场景通吃。回声消除是最大的工程坑。浏览器原生的 echoCancellation 在耳机场景下效果良好一旦外放就会泄漏。某车载项目外放时 TTS 每播一句就被自己的声音打断最后不得不再加一层基于参考信号的软件 AEC工期多花了两周。若产品形态不强制外放优先引导用户戴耳机能省掉一半麻烦。VAD 的静音阈值是体验的调节阀。设短了用户思考时的停顿会被误判为句子结束AI 抢答设长了响应延迟变大用户觉得慢半拍。不同场景的最佳值差异巨大指令式对话 400 毫秒即可长陈述场景要 1000 毫秒以上。这个参数必须做成可配置不能写死。流式 TTS 的分句策略也有代价。按标点切句虽然快但遇到长定语无标点句子会等到大模型输出很久才出第一句音频首字延迟反而劣化。部分实现改为按 token 数量切块但又会把语义切半TTS 合成的语调在断点处不自然。需在延迟与自然度间取舍。适用边界指令式助手、车载语音、智能硬件对话场景收益最高这些场景对实时性与打断容忍度要求严苛。纯朗读类如新闻播报、低频问答类产品用流式 TTS 收益有限反而增加复杂度。移动端 Safari 对 AudioContext 与 WebSocket 的限制较多需做兼容性兜底。结论语音对话前端的本质是跨四段管道的状态机调度核心是「边说边听」与「打断即停」。落地建议第一用 VAD 驱动状态机静音阈值按场景可配置。第二ASR 走 WebSocket 流式断线指数退避重连。第三大模型输出按句切分送 TTS降低首字延迟。第四sessionId 递增机制保证打断时过期 TTS 块被丢弃不串音。第五回声消除优先靠原生能力外放场景补软件 AEC。最终在实时性、准确性与复杂度之间取得平衡。这条路在指令式语音助手场景下能跑通回报是值得的。