fdbw commited on
Commit
2d865c7
·
verified ·
1 Parent(s): ffc7824

Delete README.md

Browse files
Files changed (1) hide show
  1. README.md +0 -69
README.md DELETED
@@ -1,69 +0,0 @@
1
- # AB 双语语音陪练
2
-
3
- 单机版语音外语陪练:对着麦克风说母语(A),机器人(B)用你正在学的目标语言实时聊天,
4
- 屏幕显示 A原文/A译文/B原文/B译文 四行文字,扬声器播放 A译音 + B原文外语发音(可重播)+
5
- B译文母语翻译(按需播放,可重播)。
6
-
7
- ## 目录结构
8
-
9
- ```
10
- config.py # 模型名、语言、音色等配置
11
- bailian_client.py # 封装三块 API:livetranslate WebSocket / 聊天 / 文本翻译 / TTS
12
- app.py # Gradio 界面 + 状态管理(对话历史、两个音频缓存槽位)
13
- requirements.txt
14
- ```
15
-
16
- ## 快速开始
17
-
18
- ```bash
19
- pip install -r requirements.txt
20
- export DASHSCOPE_API_KEY="sk-xxxxxxxx" # 在百炼控制台获取
21
- python app.py
22
- ```
23
-
24
- 浏览器打开 Gradio 给出的本地地址即可。
25
-
26
- ## 运行前必须核实的几件事(无法在我这边联网测试,请务必自查一遍)
27
-
28
- 1. **livetranslate 的 WebSocket 事件名**(`bailian_client.py` 里 `LiveTranslateClient.translate_utterance`
29
- 的 `on_message` 部分)。我是根据官方文档公开片段拼出来的事件类型(`session.update` /
30
- `input_audio_buffer.append` / `response.audio.delta` / `response.done` 等),但没有拿到完整的
31
- 事件清单做逐字核对。**建议第一次跑通前,把 `LiveTranslateClient(..., debug=True)` 打开**,
32
- 看终端打印出来的真实事件名和字段,和代码里 `on_message` 的分支对一下,字段名不一致就照实改。
33
- 官方文档:https://help.aliyun.com/zh/model-studio/qwen3-livetranslate-flash-realtime
34
-
35
- 2. **TTS 返回的音频格式**。`synthesize_speech` 用的是 `dashscope.audio.tts_v2.SpeechSynthesizer`
36
- (非实时 CosyVoice 接口),代码里按 `.mp3` 后缀保存返回的二进制数据。如果实际返回的是别的编码
37
- (比如 pcm 裸数据),浏览器可能放不出来,把 `app.py` 里 `_bytes_to_tempfile(..., suffix=".mp3")`
38
- 的后缀改成实际格式即可(或者在 `SpeechSynthesizer` 构造参数里显式指定 `format` 参数)。
39
-
40
- 3. **音色名(voice)是否可用**。`config.py` 里 `DEFAULT_VOICE` 现在填的是文档示例里出现过的音色名
41
- (如 `longxiaochun_v2`、`longanhuan_v3`),不同语言实际支持的音色列表请去百炼控制台"语音合成"
42
- 页面核对,模型升级后音色名可能变化。
43
-
44
- 4. **语种代码**。`config.py` 的 `LANGUAGE_NAME` 只列了常用的 8 种,livetranslate 支持的语言代码
45
- (`zh`/`en`/`ja` 等)以官方文档"支持的语言"章节为准,按需增删。
46
-
47
- 5. **计费**。这套 pipeline 每轮对话会调用:1 次 livetranslate(音频,按秒计 token)+ 1 次聊天模型
48
- (文本)+ 1 次 TTS(B原文)+ 按需 1 次翻译模型 + 按需 1 次 TTS(B译文)。具体单价请在百炼控制台
49
- "模型广场 -> 价格"页面查当前实际价格,不同渠道给出的第三方比价数字经常对不上,只有控制台的是准的。
50
-
51
- ## 交互逻辑回顾(对应设计讨论)
52
-
53
- - **A → B 方向完全走 livetranslate 一次调用**:拿到 A原文、A译文(B语言)、A译音(B语言语音,自动播)。
54
- - **B 是机器人**,不需要语音输入,直接吃 A译文文本。
55
- - **机器人回复(B原文)自动合成外语语音播放**,是唯一的听力练习环节,同时缓存到 `b_audio_cache_state`
56
- 供 🔁 按钮重播,不重新计费。
57
- - **B译文(母语)默认只显示文字,不自动发声**,避免削弱听力训练强度;点击 🌐 才第一次合成语音并播放,
58
- 同一轮内再点用缓存。
59
- - **两个音频缓存都只保留"最近一句"**,新一轮对话发起后自动被覆盖,不做历史音频归档,避免单机内存/
60
- 磁盘无限增长。
61
-
62
- ## 已知的简化 / 未覆盖的部分
63
-
64
- - 当前是"录一句 -> 点发送 -> 等结果"的**轮次式交互**,不是连续双工的实时打断式对话。真要做成"边说边出字、
65
- 可随时打断机器人"的连续流式体验,需要把 Gradio 换成 FastAPI + 前端 WebSocket 的常驻连接架构,工作量会
66
- 显著增加,这版没有实现。
67
- - 没有做错误重试、断线重连、超时后的用户提示细化,生产环境建议加上。
68
- - 没有做多用户/多会话隔离,`history_state` 等状态是每个浏览器 session 各自独立(Gradio State 默认行为),
69
- 单机自用没问题,多人同时用需要再检查一下并发场景。