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

// voicecheck 是火山语音协议自检工具：不需要麦克风、不需要起全栈，直接从本机连火山公网端点，
// 端到端验证我们手搓的 ASR / TTS 二进制帧协议是否被真火山接受。
//
// 做两件事：
//  1. TTS：合成一句中文 → 收音频（PCM 24k）→ 存 out_tts.wav（可播放试听）。
//  2. 往返：把 TTS 音频降采样到 16k → 喂 ASR → 打印转写。若转写≈原句，则 ASR+TTS 两协议全validated。
//
// 用法（凭证只走环境变量，绝不进代码/git）：
//
//	export VOLC_API_KEY=<你的APIKey>
//	export VOLC_ASR_RESOURCE_ID=volc.seedasr.sauc.duration
//	export VOLC_TTS_RESOURCE_ID=seed-tts-2.0
//	export VOLC_TTS_VOICE=zh_male_m191_uranus_bigtts
//	go run ./cmd/voicecheck            # 默认合成并往返一句
//	go run ./cmd/voicecheck "自定义要合成的话"
package main

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

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

func main() {
	cfg := voice.Config{
		APIKey:        os.Getenv("VOLC_API_KEY"),
		AppID:         os.Getenv("VOLC_APP_ID"),
		ASRResourceID: os.Getenv("VOLC_ASR_RESOURCE_ID"),
		TTSResourceID: os.Getenv("VOLC_TTS_RESOURCE_ID"),
		TTSVoiceType:  os.Getenv("VOLC_TTS_VOICE"),
	}
	if cfg.APIKey == "" {
		fatal("缺 VOLC_API_KEY（见文件头用法）")
	}
	text := "北京今天的天气怎么样，需要带伞吗。"
	if len(os.Args) > 1 && os.Args[1] != "" {
		text = os.Args[1]
	}
	fmt.Printf("配置：ASR-resource=%q  TTS-resource=%q  音色=%q\n", cfg.ASRResourceID, cfg.TTSResourceID, cfg.TTSVoiceType)

	// ---- 0. 握手探针：分别验 ASR / TTS 端点能否连上（区分"鉴权方案错"还是"某个 resource-id 错"）----
	if cfg.ASREnabled() {
		if asr, err := voice.StartASR(context.Background(), cfg, "probe"); err != nil {
			fmt.Printf("[探针] ASR 握手 ❌ %v\n", err)
		} else {
			fmt.Println("[探针] ASR 握手 ✅（鉴权方案 + ASR resource-id 有效）")
			asr.Close()
		}
	}

	// ---- 1. TTS：合成 → 收音频 ----
	fmt.Printf("\n[TTS] 合成：%q\n", text)
	pcm24k, err := runTTS(cfg, text)
	if err != nil {
		fatal("TTS 失败：" + err.Error())
	}
	fmt.Printf("[TTS] ✅ 收到音频 %d 字节（PCM 24k 单声道，%.1f 秒）\n", len(pcm24k), float64(len(pcm24k)/2)/24000)
	if err := writeWAV("out_tts.wav", pcm24k, 24000); err != nil {
		fmt.Printf("[TTS] ⚠️ 存 WAV 失败：%v\n", err)
	} else {
		fmt.Println("[TTS] 已存 out_tts.wav —— 可 `afplay out_tts.wav` 试听")
	}

	// ---- 2. 往返：TTS 音频降采样→16k 喂 ASR ----
	if !cfg.ASREnabled() {
		fmt.Println("\n[ASR] 跳过（未配 ASR resource-id）")
		return
	}
	pcm16k := downsample24kTo16k(pcm24k)
	fmt.Printf("\n[ASR] 把合成音频降采样到 16k（%d 字节）喂识别…\n", len(pcm16k))
	transcript, err := runASR(cfg, pcm16k)
	if err != nil {
		fatal("ASR 失败：" + err.Error())
	}
	fmt.Printf("[ASR] ✅ 转写结果：%q\n", transcript)
	fmt.Println("\n🎉 若转写与原句大致一致，说明 ASR + TTS 两套协议都已被真火山验证通过。")
}

// runTTS 连火山双向 TTS，推一句文字，收全部音频。
func runTTS(cfg voice.Config, text string) ([]byte, error) {
	ctx, cancel := context.WithTimeout(context.Background(), 30*time.Second)
	defer cancel()
	ts, err := voice.StartTTS(ctx, cfg)
	if err != nil {
		return nil, err
	}
	defer ts.Close()
	if err := ts.Speak(text); err != nil {
		return nil, fmt.Errorf("Speak: %w", err)
	}
	if err := ts.Finish(); err != nil {
		return nil, fmt.Errorf("Finish: %w", err)
	}
	var out []byte
	for chunk := range ts.Audio() {
		out = append(out, chunk...)
	}
	if e := ts.Err(); e != nil {
		return out, e
	}
	if len(out) == 0 {
		return nil, fmt.Errorf("没收到任何音频（检查音色/resource-id/payload 键名）")
	}
	return out, nil
}

// runASR 连火山流式识别，喂完整段 PCM，收最终转写。
func runASR(cfg voice.Config, pcm16k []byte) (string, error) {
	ctx, cancel := context.WithTimeout(context.Background(), 30*time.Second)
	defer cancel()
	asr, err := voice.StartASR(ctx, cfg, "voicecheck")
	if err != nil {
		return "", err
	}
	defer asr.Close()

	// 分帧推送（模拟流式；每帧 ~100ms = 3200 字节）。
	const frame = 3200
	go func() {
		for i := 0; i < len(pcm16k); i += frame {
			end := i + frame
			if end > len(pcm16k) {
				end = len(pcm16k)
			}
			_ = asr.PushAudio(pcm16k[i:end])
			time.Sleep(80 * time.Millisecond) // 稍慢于实时，贴近真实节奏
		}
		_ = asr.Finish()
	}()

	var last string
	for r := range asr.Results() {
		if r.Err != nil {
			if last != "" {
				return last, nil // 已有转写，流结束正常
			}
			return "", r.Err
		}
		if r.Text != "" {
			last = r.Text
		}
		if r.Final {
			return last, nil
		}
	}
	return last, nil
}

// downsample24kTo16k 把 16bit PCM 从 24k 降到 16k（3 取 2 的线性抽取）。
func downsample24kTo16k(in []byte) []byte {
	n := len(in) / 2
	out := make([]byte, 0, n*2*2/3+4)
	var buf [2]byte
	for i := 0; i < n; i++ {
		if i%3 == 2 { // 每 3 个采样丢 1 个 → 24k*2/3=16k
			continue
		}
		binary.LittleEndian.PutUint16(buf[:], uint16(int16(binary.LittleEndian.Uint16(in[i*2:]))))
		out = append(out, buf[0], buf[1])
	}
	return out
}

// writeWAV 把 16bit 单声道 PCM 包成可播放的 WAV。
func writeWAV(path string, pcm []byte, rate int) error {
	f, err := os.Create(path)
	if err != nil {
		return err
	}
	defer f.Close()
	dataLen := len(pcm)
	var h []byte
	put := func(s string) { h = append(h, s...) }
	putU32 := func(v uint32) { b := make([]byte, 4); binary.LittleEndian.PutUint32(b, v); h = append(h, b...) }
	putU16 := func(v uint16) { b := make([]byte, 2); binary.LittleEndian.PutUint16(b, v); h = append(h, b...) }
	put("RIFF")
	putU32(uint32(36 + dataLen))
	put("WAVEfmt ")
	putU32(16)             // fmt chunk size
	putU16(1)              // PCM
	putU16(1)              // mono
	putU32(uint32(rate))   // sample rate
	putU32(uint32(rate*2)) // byte rate = rate * block align
	putU16(2)              // block align = channels * bits/8
	putU16(16)             // bits per sample
	put("data")
	putU32(uint32(dataLen))
	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)
}