当前位置：首页 > news >正文

【AI智能体】智能音视频-硬件设备基于 WebSocket 实现语音交互

news 2025/7/9 10:53:05

本文介绍硬件设备通过 WebSocket 实现语音交互的完整流程。WebSocket 技术为硬件设备提供了低延迟的语音交互能力，支持按键说话和自由对话两种模式，适用于智能音箱、车载系统、智能家居控制、在线客服、游戏语音聊天等场景，满足不同使用场景的需求。

WebSocket 语音功能介绍

扣子 WebSocket 提供了高效且灵活的语音交互解决方案，以下是其核心功能：

支持按键说话与自由对话
- 按键说话（客户端按键判停）：用户通过按键控制录音的开始和结束，适用于需要精准控制对话的场景。
- 自由对话（扣子云端判停）：扣子云端通过语音活动检测（VAD）自动判断语音的开始和结束，实现无缝的自然对话体验。
支持多种音频编码格式

扣子 WebSocket 支持多种音频编码格式，以满足不同设备和网络环境的需求：

输入音频：支持 PCM、OPUS、G711A 和 G711U 格式。
输出音频：支持 PCM、OPUS、G711A 和 G711U 格式，默认为采样率 24000 的 PCM 片段。
低延迟交互

扣子 WebSocket 具备低延迟的语音交互体验，按键说话场景的时延低至 1.2 秒，自由对话场景的时延低至 1.8 秒。

按键说话场景的实现流程

1 检查智能体配置

在接入硬件设备之前，确保智能体的配置无误，且通话延迟小于两秒。可以通过以下步骤进行测试和验证：

在 WebSocket 实时语音 Demo 页面右上角的 Settings 中配置个人访问令牌（PAT）和智能体 ID ，具体步骤请参见集成 WebSocket 实时语音 Web SDK。
与智能体进行语音对话。测试对话的延迟，如果延迟较高，建议检查智能体的配置，例如是否配置了插件或工作流。可以先去掉这些配置进行测试，正常体感延迟应控制在 2 秒左右。

2 设备侧接入

整体交互流程

步骤一：建立 WebSocket 连接

与扣子建立 WebSocket 连接，具体请参见双向流式语音对话。

步骤二：发送 chat.update 事件更新配置

与扣子 WebSocket 连接成功后，立即发送 chat.update 事件更新对话配置。以下是配置示例：

说明：

实际使用时需要去掉代码中的注释。

输入输出音频都是 PCM

{ "id": "event_id", "event_type": "chat.update", "data": { "chat_config": { "auto_save_history": true, // 保存历史记录。默认 true "conversation_id": "", // 会话 ID，按需配置，可以不设置，不设置就去掉这行配置，不要传空!，你可以通过查看会话列表 API 的返回参数中获取 conversation_id。"user_id": "xxx",  // 标识当前与智能体的用户，由使用方自行定义、生成与维护。user_id 用于标识对话中的不同用户，不同的 user_id，其对话的上下文消息、数据库等对话记忆数据互相隔离。如果不需要用户数据隔离，可将此参数固定为一个任意字符串 "meta_data": {}, // 附加信息,通常用于封装一些业务相关的字段。查看对话消息详情时,系统会透传此附加信息。 "custom_variables": {}, // 智能体中定义的变量。在智能体prompt中设置变量{{key}}后,可以通过该参数传入变量值,同时支持Jinja2语法。详细说明可参考变量示例。变量名只支持英文字母和下划线。 "extra_params": {},   // 附加参数,通常用于特殊场景下指定一些必要参数供模型判断,例如指定经纬度,并询问智能体此位置的天气。自定义键值对格式,其中键(key)仅支持设置为:latitude:纬度,此时值(Value)为纬度值,例如39.9800718。longitude:经度,此时值(Value)为经度值,例如116.309314。 "parameters": {"custom_var_1": "测试"} }, "input_audio": {         // 输入音频格式 "format": "pcm",       // 输入音频格式，支持 PCM格式 "codec": "pcm",         // 输入音频编码。 支持 pcm/g711a/g711u/opus。默认 pcm "sample_rate": 24000,  // 按需配置采样率 "channel": 1, // 通道数 "bit_depth": 16 // 位深 }, "output_audio": {        // 输出音频格式 "codec": "pcm",      // 支持 pcm/g711a/g711u/opus。默认 pcm。如果是 g711a/g711u，pcm_config 的 sample_rate 只能是 8000"pcm_config": { "sample_rate": 16000,  // 默认  24000 "frame_size_ms": 50, "limit_config": { "period": 1, "max_frame_num": 22 } }, "speech_rate": 0,  // 回复的语速，取值范围 [-50, 100]，默认为 0，-50 表示 0.5 倍速，100 表示 2倍速 "voice_id": "7426720361733046281"    // 音色id，你可以通过查看音色列表 API 获取可用的音色，具体请参见https://www.coze.cn/open/docs/developer_guides/list_voices},"event_subscriptions": ["error","conversation.chat.camplete","conversation.chat.canceled","conversation.audio.delta","conversation.chat.failed"]} 
}

输入是 PCM，输出是 OPUS

{ "id": "event_id", "event_type": "chat.update", "data": { "chat_config": { "auto_save_history": true, // 保存历史记录。默认 true "conversation_id": "", // 会话 ID，按需配置，可以不设置，不设置就去掉这行配置，不要传空!，你可以通过查看会话列表 API 的返回参数中获取 conversation_id"user_id": "xxx",  // 标识当前与智能体的用户，由使用方自行定义、生成与维护。user_id 用于标识对话中的不同用户，不同的 user_id，其对话的上下文消息、数据库等对话记忆数据互相隔离。如果不需要用户数据隔离，可将此参数固定为一个任意字符串 "meta_data": {}, // 附加信息,通常用于封装一些业务相关的字段。查看对话消息详情时,系统会透传此附加信息。 "custom_variables": {}, // 智能体中定义的变量。在智能体prompt中设置变量{{key}}后,可以通过该参数传入变量值,同时支持Jinja2语法。详细说明可参考变量示例。变量名只支持英文字母和下划线。 "extra_params": {},   // 附加参数,通常用于特殊场景下指定一些必要参数供模型判断,例如指定经纬度,并询问智能体此位置的天气。自定义键值对格式,其中键(key)仅支持设置为:latitude:纬度,此时值(Value)为纬度值,例如39.9800718。longitude:经度,此时值(Value)为经度值,例如116.309314。 "parameters": {"custom_var_1": "测试"} }, "input_audio": {         // 输入音频格式 "format": "pcm",       // 输入音频格式，支持 PCM 格式 "codec": "pcm",         // 输入音频编码。支持 pcm/g711a/g711u/opus。默认 pcm "sample_rate": 24000,  // 采样率 "channel": 1, // 通道数 "bit_depth": 16 // 位深 }, "output_audio": {        // 输出音频格式 "codec": "opus",      // 支持 pcm/g711a/g711u/opus。默认 pcm。如果是 g711a/g711u，pcm_config 的 sample_rate 只能是 8000"opus_config": { "bitrate": 48000,   // 码率 "use_cbr": true,     // 是否使用 cbr 编码 "frame_size_ms": 60,   // 帧长(单位ms) "limit_config": { "period": 1,   // 周期（单位 s） "max_frame_num": 17 // 周期内返回最大 opus 帧数量 } }, "speech_rate": 0,  // 回复的语速，取值范围 [-50, 100]，默认为 0，-50 表示 0.5 倍速，100 表示 2倍速 "voice_id": "7426720361733046281"  // 音色id，你可以通过查看音色列表 API 获取可用的音色，具体请参见https://www.coze.cn/open/docs/developer_guides/list_voices},"event_subscriptions": ["error","conversation.chat.camplete","conversation.chat.canceled","conversation.audio.delta","conversation.chat.failed"]} 
}

输入是 OPUS，输出是 PCM

{ "id": "event_id", "event_type": "chat.update", "data": { "chat_config": { "auto_save_history": true, // 保存历史记录。默认 true "conversation_id": "", // 会话 ID，按需配置，可以不设置，不设置就去掉这行配置，不要传空!，你可以通过查看会话列表 API 的返回参数中获取 conversation_id。"user_id": "xxx",  // 标识当前与智能体的用户，由使用方自行定义、生成与维护。user_id 用于标识对话中的不同用户，不同的 user_id，其对话的上下文消息、数据库等对话记忆数据互相隔离。如果不需要用户数据隔离，可将此参数固定为一个任意字符串 "meta_data": {}, // 附加信息,通常用于封装一些业务相关的字段。查看对话消息详情时,系统会透传此附加信息。 "custom_variables": {}, // 智能体中定义的变量。在智能体prompt中设置变量{{key}}后,可以通过该参数传入变量值,同时支持Jinja2语法。详细说明可参考变量示例。变量名只支持英文字母和下划线。 "extra_params": {},   // 附加参数,通常用于特殊场景下指定一些必要参数供模型判断,例如指定经纬度,并询问智能体此位置的天气。自定义键值对格式,其中键(key)仅支持设置为:latitude:纬度,此时值(Value)为纬度值,例如39.9800718。longitude:经度,此时值(Value)为经度值,例如116.309314。 "parameters": {"custom_var_1": "测试"} }, "input_audio": {         // 输入音频格式 "format": "pcm",       // 输入音频格式，支持 PCM格式 "codec": "opus",         // 输入音频编码。 支持 pcm/g711a/g711u/opus。默认 pcm "sample_rate": 24000,  // 按需配置采样率 "channel": 1, // 通道数 "bit_depth": 16 // 位深 }, "output_audio": {        // 输出音频格式 "codec": "pcm",        // 支持 pcm/g711a/g711u/opus。默认 pcm。如果是 g711a/g711u，pcm_config 的 sample_rate 只能是 8000"pcm_config": { "sample_rate": 16000,  // 默认  24000 "frame_size_ms": 50, "limit_config": { "period": 1, "max_frame_num": 22 } }, "speech_rate": 0,  // 回复的语速，取值范围 [-50, 100]，默认为 0，-50 表示 0.5 倍速，100 表示 2倍速 "voice_id": "7426720361733046281"    // 音色id，你可以通过查看音色列表 API 获取可用的音色，具体请参见https://www.coze.cn/open/docs/developer_guides/list_voices},"event_subscriptions": ["error","conversation.chat.camplete","conversation.chat.canceled","conversation.audio.delta","conversation.chat.failed"]} 
}

输入输出都是 OPUS

{ "id": "event_id", "event_type": "chat.update", "data": { "chat_config": { "auto_save_history": true, // 保存历史记录。默认 true "conversation_id": "", // 会话 ID，按需配置，可以不设置，不设置就去掉这行配置，不要传空!，你可以通过查看会话列表 API 的返回参数中获取 conversation_id"user_id": "xxx",  // 标识当前与智能体的用户，由使用方自行定义、生成与维护。user_id 用于标识对话中的不同用户，不同的 user_id，其对话的上下文消息、数据库等对话记忆数据互相隔离。如果不需要用户数据隔离，可将此参数固定为一个任意字符串 "meta_data": {}, // 附加信息,通常用于封装一些业务相关的字段。查看对话消息详情时,系统会透传此附加信息。 "custom_variables": {}, // 智能体中定义的变量。在智能体prompt中设置变量{{key}}后,可以通过该参数传入变量值,同时支持Jinja2语法。详细说明可参考变量示例。变量名只支持英文字母和下划线。 "extra_params": {},   // 附加参数,通常用于特殊场景下指定一些必要参数供模型判断,例如指定经纬度,并询问智能体此位置的天气。自定义键值对格式,其中键(key)仅支持设置为:latitude:纬度,此时值(Value)为纬度值,例如39.9800718。longitude:经度,此时值(Value)为经度值,例如116.309314。 "parameters": {"custom_var_1": "测试"} }, "input_audio": {         // 输入音频格式 "format": "pcm",       // 输入音频格式，支持 PCM 格式 "codec": "opus",         // 输入音频编码。支持 pcm/g711a/g711u/opus。默认 pcm "sample_rate": 24000,  // 采样率 "channel": 1, // 通道数 "bit_depth": 16 // 位深 }, "output_audio": {        // 输出音频格式 "codec": "opus",      // 支持 pcm/g711a/g711u/opus。默认 pcm。如果是 g711a/g711u，pcm_config 的 sample_rate 只能是 8000"opus_config": { "bitrate": 48000,   // 码率 "use_cbr": true,     // 是否使用 cbr 编码 "frame_size_ms": 60,   // 帧长(单位ms) "limit_config": { "period": 1,   // 周期（单位 s） "max_frame_num": 17 // 周期内返回最大 opus 帧数量 } }, "speech_rate": 0,  // 回复的语速，取值范围 [-50, 100]，默认为 0，-50 表示 0.5 倍速，100 表示 2倍速 "voice_id": "7426720361733046281"  // 音色id，你可以通过查看音色列表 API 获取可用的音色，具体请参见https://www.coze.cn/open/docs/developer_guides/list_voices},"event_subscriptions": ["error","conversation.chat.camplete","conversation.chat.canceled","conversation.audio.delta","conversation.chat.failed"]} 
}

步骤三：发送音频数据

用户按下录音键，开始录音，通过 input_audio_buffer.append 事件持续发送音频数据给扣子，事件说明请参见流式上传音频片段。

如果是上行是 PCM 编码的音频，每次发送 10ms ~ 20ms 的音频数据给扣子，例如每间隔 20ms，发送 20ms 的音频数据，对应字节数 = 采样率 * 位深/8 * 通道数 * 0.02。

如果上行是 OPUS 编码的音频，每次发送 20ms/40ms 帧长的 OPUS 音频数据是最优的选择。

用户松开录音键，结束录音，发送 input_audio_buffer.complete 事件告诉扣子音频发送完毕。事件说明请参见提交音频。

步骤四：接收音频事件

收到扣子返回的 conversation.audio.delta 事件后，解析其中的 content 字段，进行 Base64 解码后获取二进制音频数据。事件说明请参见增量语音。
将音频数据放入播放缓冲区队列，由单独的线程从缓冲区取音频数据进行播放。

步骤五：打断对话

智能体正在播放时，用户按下录音键，需要发送 conversation.chat.cancel 事件告诉扣子打断智能体输出。事件说明请参见打断智能体输出。
扣子接收到 conversation.chat.cancel 事件后，会停止返回音频数据，并返回 conversation.chat.canceled 事件。
设备侧接收到 conversation.chat.canceled 事件后，需要停止播放并清空播放缓冲区的数据。

自由对话场景的实现流程

扣子 WebSocket 方案支持自由对话，扣子云端会进行 VAD 的检测。