package handler import ( "context" "encoding/json" "log" "net/http" "sync" "time" "github.com/gin-gonic/gin" "github.com/gorilla/websocket" "github.com/sundynix/sundynix-gateway/internal/voice" ) // 语音交互 WebSocket 端点(JARVIS)。一条连接承载上行音频 + 下行转写 + 下行 TTS 音频, // 协议见 voice/protocol.go。鉴权走 AuthFromHeaderOrQuery(EventSource/WS 带不了 Bearer 头, // 用 ?token=)。本文件是会话外壳 + 客户端↔网关协议循环;火山 ASR/TTS 客户端在下一步接入。 var voiceUpgrader = websocket.Upgrader{ ReadBufferSize: 4096, WriteBufferSize: 4096, // CheckOrigin 放行:鉴权已由 token 把关(跨源 WS 无法读响应,且我们不依赖 cookie)。 CheckOrigin: func(*http.Request) bool { return true }, } const voiceWriteWait = 10 * time.Second // VoiceStream: GET /api/v1/voice/stream —— 升级为 WebSocket 语音会话。 func (h *Handler) VoiceStream(c *gin.Context) { uid := userID(c) if uid == "" { c.JSON(http.StatusUnauthorized, gin.H{"error": "需要登录"}) return } cfg := h.loadVoiceConfig(c.Request.Context()) if !cfg.ASREnabled() { c.JSON(http.StatusServiceUnavailable, gin.H{"error": "语音服务未配置(缺 API Key / ASR resource-id)"}) return } conn, err := voiceUpgrader.Upgrade(c.Writer, c.Request, nil) if err != nil { log.Printf("[voice] 升级 WS 失败 uid=%s: %v", uid, err) return } defer conn.Close() sess := &voiceSession{conn: conn, uid: uid, cfg: cfg} sess.send(voice.ServerMsg{Type: voice.ServerReady}) sess.run() sess.stopASR() // 连接结束,收掉在跑的识别会话 } // voiceSession 是一次语音会话的外壳:持 WS 连接,跑协议循环。 // 上行 = 音频→ASR→转写(→下一步 SubmitTask);下行(token流→攒句→TTS→音频)将在 TTS 步接上。 type voiceSession struct { conn *websocket.Conn uid string cfg voice.Config writeMu sync.Mutex // gorilla WS 不允许并发写:读循环与 ASR 结果 goroutine 都会 send,须串行化 asr *voice.ASRSession asrCancel context.CancelFunc } // send 下发一条控制/事件消息(文本帧,JSON)。并发安全。 func (s *voiceSession) send(m voice.ServerMsg) { b, _ := json.Marshal(m) s.writeMu.Lock() defer s.writeMu.Unlock() _ = s.conn.SetWriteDeadline(time.Now().Add(voiceWriteWait)) if err := s.conn.WriteMessage(websocket.TextMessage, b); err != nil { log.Printf("[voice] 写控制消息失败 uid=%s: %v", s.uid, err) } } // sendAudio 下发一帧 TTS 音频(二进制帧)。并发安全。 func (s *voiceSession) sendAudio(pcm []byte) { s.writeMu.Lock() defer s.writeMu.Unlock() _ = s.conn.SetWriteDeadline(time.Now().Add(voiceWriteWait)) if err := s.conn.WriteMessage(websocket.BinaryMessage, pcm); err != nil { log.Printf("[voice] 写音频失败 uid=%s: %v", s.uid, err) } } // run 是协议读循环:二进制帧=上行音频,文本帧=控制消息。 func (s *voiceSession) run() { for { mt, data, err := s.conn.ReadMessage() if err != nil { return // 客户端断开 / 读错误 } switch mt { case websocket.BinaryMessage: s.onAudio(data) case websocket.TextMessage: var m voice.ClientMsg if json.Unmarshal(data, &m) != nil { continue } if s.onControl(m) { return // bye } } } } // onAudio 收到一帧上行音频 → 喂火山 ASR。 func (s *voiceSession) onAudio(pcm []byte) { if s.asr == nil { s.startASR() // 客户端没显式 start 就直接说话时,惰性开一路识别 } if s.asr != nil { if err := s.asr.PushAudio(pcm); err != nil { log.Printf("[voice] 喂 ASR 音频失败 uid=%s: %v", s.uid, err) } } } // onControl 处理客户端控制消息,返回 true 表示会话应结束。 func (s *voiceSession) onControl(m voice.ClientMsg) (done bool) { switch m.Type { case voice.ClientBye: return true case voice.ClientStart: s.stopASR() s.startASR() // 新一轮:重开识别 case voice.ClientEnd: if s.asr != nil { _ = s.asr.Finish() // 告知火山本轮说完,等最终转写(结果流里带 Final=true) } // TODO(上行接线):拿到 Final 转写 → 组 DSL/用 m.Graph → SubmitTask → 回推 task。 case voice.ClientBargeIn: // 打断:停当前 TTS 播放(TTS 接入后处理)。 } return false } // startASR 开一路火山流式识别,并起 goroutine 把转写实时回推客户端。 func (s *voiceSession) startASR() { ctx, cancel := context.WithCancel(context.Background()) asr, err := voice.StartASR(ctx, s.cfg, s.uid) if err != nil { cancel() log.Printf("[voice] 启动 ASR 失败 uid=%s: %v", s.uid, err) s.send(voice.ServerMsg{Type: voice.ServerError, Msg: "语音识别启动失败"}) return } s.asr = asr s.asrCancel = cancel go func() { for r := range asr.Results() { if r.Err != nil { return // 识别流结束/出错 } s.send(voice.ServerMsg{Type: voice.ServerTranscript, Text: r.Text, Final: r.Final}) } }() } // stopASR 收掉当前识别会话(幂等)。 func (s *voiceSession) stopASR() { if s.asr != nil { s.asr.Close() s.asr = nil } if s.asrCancel != nil { s.asrCancel() s.asrCancel = nil } }