sundynix-agentix/sundynix-gateway/cmd/voicesim/main.go

// voicesim 端到端模拟一次语音对话（免麦克风）：把一句问话用火山 TTS 合成成音频，当作"麦克风输入"
// 灌进网关的语音 WebSocket，走完整链路——ASR 转写 → 提交任务 → Agent(大模型)回答 → TTS 朗读回推，
// 把「问题音频」和「回答音频」都存成 wav，转写/task_id/回答文字打印出来。晚上有麦克风前先这样验全链路。
//
// 前置：gateway/dispatcher/mcp-go/基建都在跑；语音配置已入库；LLM 已配。
// 用法：
//
//	export VOLC_API_KEY=... VOLC_ASR_RESOURCE_ID=volc.bigasr.sauc.duration \
//	       VOLC_TTS_RESOURCE_ID=seed-tts-2.0 VOLC_TTS_VOICE=zh_male_m191_uranus_bigtts
//	go run ./cmd/voicesim                       # 默认问"你是谁？你能做什么？"
//	go run ./cmd/voicesim "帮我查下明天天气"     # 自定义问话
package main

import (
	"context"
	"encoding/binary"
	"encoding/json"
	"fmt"
	"os"
	"time"

	"github.com/gorilla/websocket"

	"github.com/sundynix/sundynix-gateway/internal/auth"
	"github.com/sundynix/sundynix-gateway/internal/voice"
)

const (
	gatewayWS = "ws://localhost:8080/api/v1/voice/stream"
	testUser  = "2067489539219263488" // blizzardzhang@icloud.com
)

func main() {
	cfg := voice.Config{
		APIKey:        os.Getenv("VOLC_API_KEY"),
		ASRResourceID: os.Getenv("VOLC_ASR_RESOURCE_ID"),
		TTSResourceID: os.Getenv("VOLC_TTS_RESOURCE_ID"),
		TTSVoiceType:  os.Getenv("VOLC_TTS_VOICE"),
	}
	if !cfg.TTSEnabled() {
		fatal("缺 VOLC_* 环境变量（需要 TTS 来合成问话音频）")
	}
	question := "你是谁？你能做什么？"
	if len(os.Args) > 1 && os.Args[1] != "" {
		question = os.Args[1]
	}
	fmt.Printf("🗣️  模拟问话：%q\n", question)

	// 1) 用火山 TTS 把问话合成为音频（PCM 24k）→ 降采样到 16k（ASR 上行采样率）。
	fmt.Println("① 合成问话音频…")
	q24k := synth(cfg, question)
	q16k := downsample24kTo16k(q24k)
	_ = writeWAV("sim_question.wav", q24k, 24000)
	fmt.Printf("   ✅ 问话音频 %d 字节（存 sim_question.wav）\n", len(q24k))

	// 2) 签发测试用户 JWT（与 gateway 同一 dev 默认密钥，勿设 JWT_SECRET）。
	token, err := auth.Issue(testUser)
	if err != nil {
		fatal("签发 token 失败：" + err.Error())
	}

	// 3) 连网关语音 WS。
	fmt.Println("② 连接网关语音 WebSocket…")
	conn, _, err := websocket.DefaultDialer.Dial(gatewayWS+"?token="+token, nil)
	if err != nil {
		fatal("连接网关失败：" + err.Error())
	}
	defer conn.Close()

	answer := make([]byte, 0, 1<<20)
	done := make(chan struct{})
	go func() { // 读循环：文本帧=事件，二进制帧=回答 TTS 音频
		defer close(done)
		for {
			mt, data, err := conn.ReadMessage()
			if err != nil {
				return
			}
			if mt == websocket.BinaryMessage {
				answer = append(answer, data...)
				continue
			}
			var m voice.ServerMsg
			if json.Unmarshal(data, &m) != nil {
				continue
			}
			switch m.Type {
			case voice.ServerReady:
				fmt.Println("   ← ready（会话就绪）")
			case voice.ServerTranscript:
				tag := "部分"
				if m.Final {
					tag = "最终"
				}
				fmt.Printf("   ← 转写[%s]：%q\n", tag, m.Text)
			case voice.ServerTask:
				fmt.Printf("   ← 任务已提交 task_id=%s（Agent 正在思考…）\n", m.TaskID)
			case voice.ServerSpeaking:
				fmt.Println("   ← Agent 开始朗读回答…")
			case voice.ServerTTSEnd:
				fmt.Println("   ← 回答朗读完毕")
				return
			case voice.ServerError:
				fmt.Printf("   ← 错误：%s\n", m.Msg)
			}
		}
	}()

	// 4) 发 start → 分帧灌音频（模拟实时）→ 发 end。
	send(conn, voice.ClientMsg{Type: voice.ClientStart})
	fmt.Println("③ 灌入问话音频…")
	const frame = 3200 // ~100ms @16k/16bit
	for i := 0; i < len(q16k); i += frame {
		end := i + frame
		if end > len(q16k) {
			end = len(q16k)
		}
		_ = conn.WriteMessage(websocket.BinaryMessage, q16k[i:end])
		time.Sleep(90 * time.Millisecond)
	}
	send(conn, voice.ClientMsg{Type: voice.ClientEnd})
	fmt.Println("④ 已说完，等 Agent 回答 + 朗读（大模型 + TTS，稍候）…")

	// 5) 等回答朗读完（或超时）。
	select {
	case <-done:
	case <-time.After(90 * time.Second):
		fmt.Println("   ⏱️ 超时（90s）——大模型/TTS 可能较慢，已收到的音频仍会保存")
	}

	if len(answer) > 0 {
		_ = writeWAV("sim_answer.wav", answer, voice.TTSSampleRate)
		fmt.Printf("\n🔊 回答音频 %d 字节（%.1f 秒）→ 存 sim_answer.wav\n", len(answer), float64(len(answer)/2)/float64(voice.TTSSampleRate))
		fmt.Println("   afplay sim_answer.wav  # 听 JARVIS 的语音回答")
	} else {
		fmt.Println("\n⚠️ 没收到回答音频（看上面事件流定位：转写?任务?朗读?）")
	}
	fmt.Println("\n完整链路：麦克风音频 → ASR 转写 → 提交任务 → 大模型回答 → TTS 朗读 —— 全程走网关，与真麦克风一致。")
}

// synth 用火山双向 TTS 合成整段文字为 PCM24k。
func synth(cfg voice.Config, text string) []byte {
	ctx, cancel := context.WithTimeout(context.Background(), 30*time.Second)
	defer cancel()
	ts, err := voice.StartTTS(ctx, cfg)
	if err != nil {
		fatal("合成连接失败：" + err.Error())
	}
	defer ts.Close()
	if err := ts.Speak(text); err != nil {
		fatal("合成推文字失败：" + err.Error())
	}
	_ = ts.Finish()
	var out []byte
	for chunk := range ts.Audio() {
		out = append(out, chunk...)
	}
	if len(out) == 0 {
		fatal("合成没拿到音频")
	}
	return out
}

func send(conn *websocket.Conn, m voice.ClientMsg) {
	b, _ := json.Marshal(m)
	_ = conn.WriteMessage(websocket.TextMessage, b)
}

// downsample24kTo16k 16bit PCM 24k→16k（3 取 2 抽取）。
func downsample24kTo16k(in []byte) []byte {
	n := len(in) / 2
	out := make([]byte, 0, n*2*2/3+4)
	for i := 0; i < n; i++ {
		if i%3 == 2 {
			continue
		}
		out = append(out, in[i*2], in[i*2+1])
	}
	return out
}

func writeWAV(path string, pcm []byte, rate int) error {
	f, err := os.Create(path)
	if err != nil {
		return err
	}
	defer f.Close()
	var h []byte
	put := func(s string) { h = append(h, s...) }
	u32 := func(v uint32) { b := make([]byte, 4); binary.LittleEndian.PutUint32(b, v); h = append(h, b...) }
	u16 := func(v uint16) { b := make([]byte, 2); binary.LittleEndian.PutUint16(b, v); h = append(h, b...) }
	put("RIFF")
	u32(uint32(36 + len(pcm)))
	put("WAVEfmt ")
	u32(16)
	u16(1)
	u16(1)
	u32(uint32(rate))
	u32(uint32(rate * 2))
	u16(2)
	u16(16)
	put("data")
	u32(uint32(len(pcm)))
	if _, err := f.Write(h); err != nil {
		return err
	}
	_, err = f.Write(pcm)
	return err
}

func fatal(msg string) {
	fmt.Fprintln(os.Stderr, "❌ "+msg)
	os.Exit(1)
}