feat(voice): 双向流式 TTS 真机跑通——TTS合成→ASR往返全绿✅

对齐官方 python demo 修 TTS payload：
- TaskRequest 必须带完整 req_params(speaker+audio_params)再加 text，只发 {text} 火山收不到
  (会回空 text 的 TTSSentenceStart 后直接结束、无音频)
- StartSession 去掉自造的 namespace/user，就是 {req_params:{speaker,audio_params}}
- ttsReqBase 基底 StartSession/TaskRequest 复用；TTSSession 存 reqBase
- 加 VOICE_DEBUG 帧级调试日志(联调用,默认关无开销)

真机验证(voicecheck):TTS 合成 143KB PCM24k → 降采样喂 ASR → 转写"北京今天的天气怎么样？
需要带伞吗？"≈原句。ASR(volc.bigasr.sauc.duration)+TTS(seed-tts-2.0)两协议全通。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

sundynix-gateway/internal/voice/tts.go

@@ -4,13 +4,35 @@ import (
 	"context"
 	"encoding/json"
 	"fmt"
+	"log"
 	"net/http"
+	"os"
 	"sync"
 	"time"
 
 	"github.com/gorilla/websocket"
 )
 
+// ttsDebug 打开时（环境变量 VOICE_DEBUG=1）打印每个 TTS 帧，便于联调双向流事件/音频。
+var ttsDebug = os.Getenv("VOICE_DEBUG") != ""
+
+func ttsDebugf(format string, a ...any) {
+	if ttsDebug {
+		log.Printf("[tts-debug] "+format, a...)
+	}
+}
+
+// preview 取 payload 前 n 字节的可读预览（音频用长度代替）。
+func preview(b []byte, isAudio bool) string {
+	if isAudio {
+		return fmt.Sprintf("<audio %d bytes>", len(b))
+	}
+	if len(b) > 160 {
+		return string(b[:160]) + "…"
+	}
+	return string(b)
+}
+
 // 火山「双向流式 TTS V3」客户端（seed-tts-2.0）。边推文字边收音频，配 LLM token 流做连续朗读。
 // 帧协议见 tts_frame.go；鉴权走**新版控制台 API Key**（单个 X-Api-Key，见 frame.go）。
 //
@@ -26,6 +48,7 @@ const (
 type TTSSession struct {
 	conn      *websocket.Conn
 	sessionID string
+	reqBase   map[string]any // req_params 基底（speaker+audio_params），Speak 时加 text 复用
 	audio     chan []byte
 	closed    chan struct{}
 	closeOnce sync.Once
@@ -34,21 +57,21 @@ type TTSSession struct {
 	err       error
 }
 
-// buildTTSStartSession 组 StartSession 的 req_params：音色 + 音频参数（PCM 24k）。
-// namespace=BidirectionalTTS 是双向流式 TTS 的服务命名空间。
-func buildTTSStartSession(cfg Config) []byte {
-	req := map[string]any{
-		"user":      map[string]any{"uid": "sundynix"},
-		"namespace": "BidirectionalTTS",
-		"req_params": map[string]any{
-			"speaker": cfg.TTSVoiceType,
-			"audio_params": map[string]any{
-				"format":      "pcm",
-				"sample_rate": TTSSampleRate,
-			},
+// ttsReqBase 组双向流式 TTS 的 req_params 基底（音色 + 音频参数 PCM 24k）。
+// 对齐官方 python demo：StartSession 与 TaskRequest 都带这个 req_params，TaskRequest 再往里加 text。
+func ttsReqBase(cfg Config) map[string]any {
+	return map[string]any{
+		"speaker": cfg.TTSVoiceType,
+		"audio_params": map[string]any{
+			"format":      "pcm",
+			"sample_rate": TTSSampleRate,
 		},
 	}
-	b, _ := json.Marshal(req)
+}
+
+// buildTTSStartSession 组 StartSession payload：{req_params:{speaker,audio_params}}（无 namespace/user）。
+func buildTTSStartSession(base map[string]any) []byte {
+	b, _ := json.Marshal(map[string]any{"req_params": base})
 	return b
 }
 
@@ -66,6 +89,7 @@ func StartTTS(ctx context.Context, cfg Config) (*TTSSession, error) {
 		return nil, fmt.Errorf("连接火山 TTS 失败: %w%s", err, handshakeDetail(resp))
 	}
 	sid := newConnectID()
+	base := ttsReqBase(cfg)
 
 	// StartConnection → 期待 ConnectionStarted。
 	if err := conn.WriteMessage(websocket.BinaryMessage, connEventFrame(evStartConnection, []byte("{}"))); err != nil {
@@ -77,7 +101,7 @@ func StartTTS(ctx context.Context, cfg Config) (*TTSSession, error) {
 		return nil, err
 	}
 	// StartSession → 期待 SessionStarted。
-	if err := conn.WriteMessage(websocket.BinaryMessage, sessionEventFrame(evStartSession, sid, buildTTSStartSession(cfg))); err != nil {
+	if err := conn.WriteMessage(websocket.BinaryMessage, sessionEventFrame(evStartSession, sid, buildTTSStartSession(base))); err != nil {
 		_ = conn.Close()
 		return nil, fmt.Errorf("发送 StartSession 失败: %w", err)
 	}
@@ -87,7 +111,7 @@ func StartTTS(ctx context.Context, cfg Config) (*TTSSession, error) {
 	}
 
 	s := &TTSSession{
-		conn: conn, sessionID: sid,
+		conn: conn, sessionID: sid, reqBase: base,
 		audio: make(chan []byte, 64), closed: make(chan struct{}),
 	}
 	go s.readLoop()
@@ -106,6 +130,7 @@ func expectTTSEvent(conn *websocket.Conn, want int32) error {
 	if perr != nil {
 		return fmt.Errorf("解析 TTS 握手响应失败: %w", perr)
 	}
+	ttsDebugf("握手帧: event=%d msgType=%d payload=%s", r.Event, r.MsgType, preview(r.Payload, r.IsAudio))
 	if r.MsgType == ttsServerErr {
 		return fmt.Errorf("TTS 握手被拒 code=%d: %s", r.Code, string(r.Payload))
 	}
@@ -116,8 +141,15 @@ func expectTTSEvent(conn *websocket.Conn, want int32) error {
 }
 
 // Speak 推一段文字给 TTS（TaskRequest / 事件 200）。可多次调用逐句推。
+// payload 必须带完整 req_params（speaker+audio_params）再加 text——只发 {text} 火山收不到文字
+// （联调实证：会回一个空 text 的 TTSSentenceStart 后直接结束，无音频）。
 func (s *TTSSession) Speak(text string) error {
-	payload, _ := json.Marshal(map[string]any{"text": text})
+	rp := make(map[string]any, len(s.reqBase)+1)
+	for k, v := range s.reqBase {
+		rp[k] = v
+	}
+	rp["text"] = text
+	payload, _ := json.Marshal(map[string]any{"req_params": rp})
 	s.writeMu.Lock()
 	defer s.writeMu.Unlock()
 	return s.conn.WriteMessage(websocket.BinaryMessage, sessionEventFrame(evTaskRequest, s.sessionID, payload))
@@ -165,8 +197,10 @@ func (s *TTSSession) readLoop() {
 		}
 		r, perr := parseTTSFrame(data)
 		if perr != nil {
+			ttsDebugf("解析失败(%d 字节): %v", len(data), perr)
 			continue
 		}
+		ttsDebugf("帧: event=%d msgType=%d isAudio=%v payload=%s", r.Event, r.MsgType, r.IsAudio, preview(r.Payload, r.IsAudio))
 		switch {
 		case r.MsgType == ttsServerErr:
 			s.setErr(fmt.Errorf("火山 TTS 错误 code=%d: %s", r.Code, string(r.Payload)))