TTS 流水线

N.E.K.O. 支持多种 TTS（文本转语音）提供商，采用统一的基于队列的架构，实现流式音频输出和实时中断。

架构

LLM 文本输出
      │
      ▼
TTS 请求队列 ──> TTS 工作线程
                           │
                      ┌────┼────────────┐
                      │    │            │
                      ▼    ▼            ▼
                  CosyVoice  GPT-SoVITS  自定义
                  (DashScope) (本地)      端点
                      │    │            │
                      └────┼────────────┘
                           │
                      TTS 响应队列
                           │
                      音频重采样器（24→48 kHz）
                           │
                      WebSocket ──> 浏览器

支持的提供商

提供商	类型	特性
DashScope CosyVoice	云端 API	高质量、语音克隆、多种音色
DashScope TTS V2	云端 API	更快速、更低延迟
GPT-SoVITS	本地服务	完全离线、可自定义
自定义端点	用户自定义	任何 OpenAI 兼容的 TTS API

基于队列的流式传输

TTS 流水线使用生产者-消费者模式：

1. 生产者（主线程）：随着 LLM 流式输出文本，完整的句子被加入 tts_request_queue。
2. 消费者（TTS 工作线程）：从队列取出文本，合成音频，将 PCM 数据块加入 tts_response_queue。
3. 发送者（主线程）：从队列取出音频数据块，从 24kHz 重采样到 48kHz，通过 WebSocket 发送。

中断处理

当用户在角色仍在说话时开始发言：

1. LLM 提供商触发 on_interrupt 事件
2. 两个 TTS 队列立即被清空
3. 待处理的音频被丢弃
4. 系统准备好接收新的用户输入

语音克隆

用户可以通过上传约 15 秒的干净音频样本来创建自定义声音：

1. 通过 /api/characters/voice_clone 上传音频（multipart 表单）
2. 音频被发送到 DashScope 的语音克隆 API
3. 返回唯一的 voice_id 并存储在角色配置中
4. 该角色后续所有的 TTS 请求都使用克隆的声音

音频格式

参数	值
LLM 输出采样率	24,000 Hz
浏览器播放采样率	48,000 Hz
格式	PCM 16 位有符号小端序
声道	单声道
重采样器	soxr（高质量）

免费声音

N.E.K.O. 内置了无需自定义 API 密钥的音色：

名称	Voice ID
俏皮女孩 (Playful Girl)	voice-tone-OdVwaw2Az2
可爱女孩 (Cute Girl)	voice-tone-OdVwrbG3No
可爱少女 (Cute Maiden)	voice-tone-OdVx7X482K
温柔少女 (Gentle Maiden)	voice-tone-OdVyxjm0lk
清冷御姐 (Cool Elder Sister)	voice-tone-OdVyPmim9I
以及更多 5 种...