From 644b635d736c56ee7d46fd9be17981bbbc9792e6 Mon Sep 17 00:00:00 2001
From: Blizzard <blizzardzhang@icloud.com>
Date: Tue, 21 Jul 2026 16:30:50 +0800
Subject: [PATCH] =?UTF-8?q?feat(voice):=20=E6=94=92=E5=8F=A5=E5=99=A8?=
 =?UTF-8?q?=E2=80=94=E2=80=94=E8=AF=AD=E9=9F=B3=E4=B8=8B=E8=A1=8C=20TTS=20?=
 =?UTF-8?q?=E7=9A=84=20token=20=E6=94=92=E5=8F=A5(JARVIS=20=E5=9C=B0?=
 =?UTF-8?q?=E5=9F=BA=E7=AC=AC=E4=B8=80=E5=9D=97)?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

语音交互(VOICE_DESIGN.md)不依赖火山账号的第一块地基:SentenceBuffer 把 LLM 逐 token
输出攒成'适合喂 TTS 的句子片段'。逐字喂 TTS 太碎(单字合成不自然、首包延迟高);句末标点
(。！？.!?；;换行)即成一句,从句标点(，,：:)且攒够 12 rune 也吐(让长回答尽早出声)。
跨 Push 续半句,Flush 收尾吐无标点结尾。纯逻辑无外部依赖、4 个单测(跨 Push/短从句不断/
长从句先吐/Flush 收尾)。

WS 会话 + 火山 ASR/TTS 客户端 + 控制面配置等到真 API 参数到手再按真形状做,不写猜测桩。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
---
 .../internal/voice/sentence_buffer.go         | 70 +++++++++++++++++++
 .../internal/voice/sentence_buffer_test.go    | 62 ++++++++++++++++
 2 files changed, 132 insertions(+)
 create mode 100644 sundynix-gateway/internal/voice/sentence_buffer.go
 create mode 100644 sundynix-gateway/internal/voice/sentence_buffer_test.go

diff --git a/sundynix-gateway/internal/voice/sentence_buffer.go b/sundynix-gateway/internal/voice/sentence_buffer.go
new file mode 100644
index 0000000..1c19a21
--- /dev/null
+++ b/sundynix-gateway/internal/voice/sentence_buffer.go
@@ -0,0 +1,70 @@
+// Package voice 是语音交互（JARVIS）的网关内实现：把 LLM token 流转成语音、把用户语音转成任务。
+// 设计见仓库 VOICE_DESIGN.md。本文件是下行 TTS 的核心：token 流攒句器（纯逻辑，无外部依赖）。
+package voice
+
+import "strings"
+
+// 攒句阈值：从句标点处断句前，至少要攒够这么多 rune，避免"你好，"这种半截就吐给 TTS。
+const defaultMinClause = 12
+
+// 句末标点：命中即成一句吐给 TTS。
+func isSentenceEnd(r rune) bool {
+	switch r {
+	case '。', '！', '？', '.', '!', '?', '\n', '；', ';':
+		return true
+	}
+	return false
+}
+
+// 从句标点：命中且已攒够长度才断句（让长句尽早出声，又不至于碎成单字）。
+func isClauseEnd(r rune) bool {
+	switch r {
+	case '，', ',', '：', ':':
+		return true
+	}
+	return false
+}
+
+// SentenceBuffer 把 LLM 的逐 token 输出攒成"适合喂 TTS 的句子片段"。
+// 逐字喂 TTS 太碎（单字合成不自然、首包延迟高）；攒到句末标点即吐一句；攒到从句标点且够长也吐，
+// 避免长句迟迟不出声。非并发安全——单个 VoiceSession 的下行 goroutine 串行使用。
+type SentenceBuffer struct {
+	buf       strings.Builder
+	minClause int
+}
+
+// NewSentenceBuffer 建一个默认阈值的攒句器。
+func NewSentenceBuffer() *SentenceBuffer { return &SentenceBuffer{minClause: defaultMinClause} }
+
+// Push 追加一段 token 文本，返回本次可以立即吐给 TTS 的完整句子（0..N 句，已 Trim 两端空白）。
+// 未成句的尾巴留在内部缓冲，等后续 token 或 Flush。
+func (b *SentenceBuffer) Push(text string) []string {
+	b.buf.WriteString(text)
+	runes := []rune(b.buf.String())
+	var out []string
+	lastCut := 0
+	for i, r := range runes {
+		cut := false
+		if isSentenceEnd(r) {
+			cut = true
+		} else if isClauseEnd(r) && (i+1-lastCut) >= b.minClause {
+			cut = true
+		}
+		if cut {
+			if s := strings.TrimSpace(string(runes[lastCut : i+1])); s != "" {
+				out = append(out, s)
+			}
+			lastCut = i + 1
+		}
+	}
+	b.buf.Reset()
+	b.buf.WriteString(string(runes[lastCut:])) // 留下未成句的尾巴
+	return out
+}
+
+// Flush 收尾：吐出缓冲里剩余的所有文字（可能不带句末标点，如模型直接结束）。空则返回空串。
+func (b *SentenceBuffer) Flush() string {
+	s := strings.TrimSpace(b.buf.String())
+	b.buf.Reset()
+	return s
+}
diff --git a/sundynix-gateway/internal/voice/sentence_buffer_test.go b/sundynix-gateway/internal/voice/sentence_buffer_test.go
new file mode 100644
index 0000000..47fc2fd
--- /dev/null
+++ b/sundynix-gateway/internal/voice/sentence_buffer_test.go
@@ -0,0 +1,62 @@
+package voice
+
+import (
+	"reflect"
+	"testing"
+)
+
+// 逐 token 喂入，句末标点成句、跨 Push 的半句能续上。
+func TestSentenceBuffer_SplitsAcrossPushes(t *testing.T) {
+	b := NewSentenceBuffer()
+	var got []string
+	// 模拟 token 流一个字一个字来
+	for _, tok := range []string{"帮", "你", "查", "一下", "天气", "。", "今天", "晴", "，", "气温二十五度", "。"} {
+		got = append(got, b.Push(tok)...)
+	}
+	got = append(got, nonEmpty(b.Flush())...)
+	want := []string{"帮你查一下天气。", "今天晴，气温二十五度。"}
+	if !reflect.DeepEqual(got, want) {
+		t.Fatalf("got %v want %v", got, want)
+	}
+}
+
+// 从句标点：够长才断（短逗号不单吐，攒进句末标点成一句）。
+func TestSentenceBuffer_ShortClauseNotSplit(t *testing.T) {
+	b := NewSentenceBuffer()
+	out := b.Push("你好，") // 3 rune < 12 阈值，不该断
+	if len(out) != 0 {
+		t.Fatalf("短从句不该断句，得 %v", out)
+	}
+	out = append(out, b.Push("在。")...) // 到句末标点 → 整句吐
+	if len(out) != 1 || out[0] != "你好，在。" {
+		t.Fatalf("短从句应攒到句末再吐，得 %v", out)
+	}
+}
+
+// 长从句：够长即在逗号处先吐，让长回答尽早出声。
+func TestSentenceBuffer_LongClauseSplits(t *testing.T) {
+	b := NewSentenceBuffer()
+	out := b.Push("关于人工智能在医疗领域的应用，")
+	if len(out) != 1 {
+		t.Fatalf("长从句应在逗号处先吐一段，得 %v", out)
+	}
+}
+
+// Flush 收尾：模型没给句末标点也要把剩余吐出。
+func TestSentenceBuffer_FlushRemainder(t *testing.T) {
+	b := NewSentenceBuffer()
+	b.Push("这是没有标点的结尾")
+	if s := b.Flush(); s != "这是没有标点的结尾" {
+		t.Fatalf("Flush 应吐出剩余，得 %q", s)
+	}
+	if s := b.Flush(); s != "" {
+		t.Fatalf("再 Flush 应为空，得 %q", s)
+	}
+}
+
+func nonEmpty(s string) []string {
+	if s == "" {
+		return nil
+	}
+	return []string{s}
+}