Spaces:
Runtime error
Runtime error
Delete README.md
Browse files
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。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|