feat(voice): 火山语音 WS 二进制帧编解码(ASR/TTS 共用核心)

从官方参考实现核实的 V3 协议帧格式,港到 Go:byte0=0x11、byte1=(msgType<<4)|flags、 byte2=序列化<<4|压缩、byte3=0x00、大端 uint32 payload 长度、payload;服务端响应含 4B 序列号故 payload 从第 12 字节起。encodeFrame/jsonFrame/audioFrame/parseServerFrame + msgType(0x01 config/0x02 音频/0x09 结果/0x0F 错误)与 flags(0x02 最终)常量。 3 个单测钉死头布局/音频最终帧/响应解析(确定性,不依赖网络)。 ASR 初始配置 JSON、WS 连接与流式识别(接 onAudio)是下一步网络层实现。 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
2026-07-21 17:22:09 +08:00
parent 15f5a85612
commit b526b21dee
2 changed files with 137 additions and 0 deletions
@@ -0,0 +1,75 @@
+package voice
+
+import "encoding/binary"
+
+// 火山语音 WebSocket 二进制帧编解码（ASR / TTS 共用）。协议（从官方参考实现核实）：
+//
+//	byte0 = 0x11                       版本(0001) + 头长(0001，=4字节)
+//	byte1 = (msgType<<4) | flags
+//	byte2 = (serialization<<4) | compression
+//	byte3 = 0x00                       保留
+//	byte4..7 = uint32 大端 payload 长度
+//	byte8.. = payload（JSON 或 raw 音频）
+//
+// 服务端响应帧含 4 字节序列号，故 payload 从第 12 字节起（header4 + seq4 + size4）。
+
+// 消息类型（高 4bit）。
+const (
+	msgFullClientReq byte = 0x01 // 初始配置请求（JSON）
+	msgAudioReq      byte = 0x02 // 音频帧
+	msgServerResp    byte = 0x09 // 服务端识别/合成结果
+	msgServerError   byte = 0x0F // 服务端错误
+)
+
+// flags（低 4bit）。
+const (
+	flagNone byte = 0x00
+	flagLast byte = 0x02 // 最终/结束帧（最后一帧音频、或收尾）
+)
+
+// 序列化方式（byte2 高 4bit）。
+const (
+	serialRaw  byte = 0x00 // raw（音频帧）
+	serialJSON byte = 0x01 // JSON（配置/文本）
+)
+
+const compNone byte = 0x00 // 不压缩
+
+// encodeFrame 组装一帧。JSON payload 用 serialJSON，raw 音频用 serialRaw。
+func encodeFrame(msgType, flags, serialization byte, payload []byte) []byte {
+	buf := make([]byte, 8+len(payload))
+	buf[0] = 0x11
+	buf[1] = (msgType << 4) | (flags & 0x0F)
+	buf[2] = (serialization << 4) | compNone
+	buf[3] = 0x00
+	binary.BigEndian.PutUint32(buf[4:8], uint32(len(payload)))
+	copy(buf[8:], payload)
+	return buf
+}
+
+// jsonFrame 组装一帧 JSON 消息（如 ASR 初始配置、TTS 文本）。
+func jsonFrame(msgType, flags byte, payload []byte) []byte {
+	return encodeFrame(msgType, flags, serialJSON, payload)
+}
+
+// audioFrame 组装一帧 raw 音频；last=true 时打最终标记。
+func audioFrame(pcm []byte, last bool) []byte {
+	flags := flagNone
+	if last {
+		flags = flagLast
+	}
+	return encodeFrame(msgAudioReq, flags, serialRaw, pcm)
+}
+
+// parseServerFrame 解析服务端帧：返回消息类型 + payload。响应含 4B 序列号 → payload 从第 12 字节起。
+// 帧不足以解析时 ok=false。
+func parseServerFrame(data []byte) (msgType byte, payload []byte, ok bool) {
+	if len(data) < 4 {
+		return 0, nil, false
+	}
+	msgType = (data[1] >> 4) & 0x0F
+	if len(data) >= 12 {
+		return msgType, data[12:], true
+	}
+	return msgType, nil, true // 无 payload 的控制帧（如纯确认）
+}