From 74a30b11d748f1e7074972ac1b43f1ddfbd16df2 Mon Sep 17 00:00:00 2001 From: ylhan Date: Tue, 15 Sep 2026 17:54:34 +0800 Subject: [PATCH] =?UTF-8?q?Pipecat=20=E4=BC=A0=E8=BE=93=E5=B1=82=E5=AE=9E?= =?UTF-8?q?=E9=AA=8C=EF=BC=9A=E4=BC=A0=E8=BE=93=E5=B1=82=E9=80=9A=EF=BC=8C?= =?UTF-8?q?=E5=B8=A7=E8=B7=AF=E7=94=B1=E6=9C=AA=E9=80=9A?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 新增实验代码 - services/bot_server.py：Pipecat SmallWebRTC 服务端， 把 ConversationEngine 包成一个 FrameProcessor（检验 A 方案的核心假设） - client/test_client.py：自写 aiortc 客户端——Pipecat 的客户端 SDK 覆盖浏览器/移动端/C++/ESP32，没有适配"Linux x86 盒子接 USB 阵列"这种形态 实验结果 - ✅ 传输层跑通：信令（47–280ms 往返）、ICE 连通、data channel、 双向媒体轨（客户端音轨送达服务端，服务端音轨客户端收到） - ❌ 帧路由未通：自定义处理器的 process_frame 调用次数为 0， 连自己注入的 StartFrame 都没进去，引擎从未运行 - 现象：连接全对、音轨协商成功、助手永远不说话，日志里一条错误都没有 对架构决策的影响 A 方案（Pipecat 只做传输、逻辑归自有引擎）的核心假设不是开箱即用的。 B 方案按框架原生 service 重构，绕开了这个接缝。 根因未定位：接线错误（接缝浅，A 可行）vs 模型不兼容（接缝深，应转 B）。 顺带挖出 8 个 Pipecat 集成坑，每个都表现为"什么都没发生"，已记入 README： 客户端需发 data channel ping、offer 无媒体则不收集 ICE 候选、 run() 要 WorkerParams、TaskManager 需在事件循环内建、 后台任务异常被静默吞掉等。 其他 - bot_server.py 保留 [诊断] 前缀日志，供下一轮排查，定位后应清理 - 客户端默认地址改用 tailscale 域名（局域网已于当日重新编址， 从 192.168.0.x 变为 172.16.1.x） - 新增依赖 aiortc（含 av 17.x，注意 18.x 与 aiortc 1.15 不兼容） --- README.md | 40 +++- client/test_client.py | 338 +++++++++++++++++++++++++++++++++ services/bot_server.py | 422 +++++++++++++++++++++++++++++++++++++++++ 部署说明.md | 21 +- 4 files changed, 819 insertions(+), 2 deletions(-) create mode 100644 client/test_client.py create mode 100644 services/bot_server.py diff --git a/README.md b/README.md index 0725064..c3a380a 100644 --- a/README.md +++ b/README.md @@ -31,7 +31,11 @@ app/ 助手本体（部署到服务器） └── tests/ 4 个测试，共 88 项断言，全部无需硬件 services/ -└── tts_server.py Qwen3-TTS 服务（跑在 ~/tts-qwen，独立 venv） +├── tts_server.py Qwen3-TTS 服务（跑在 ~/tts-qwen，独立 venv） +└── bot_server.py Pipecat SmallWebRTC 服务端（实验，见下） + +client/ +└── test_client.py 自写 aiortc 客户端（实验用，也是 N5095 客户端的雏形） p0/ P0 阶段的验证与基准脚本（保留用于复现） ├── verify_deepseek.py DeepSeek 四条路径 @@ -76,6 +80,40 @@ cd ~/ai-companion **引擎与传输解耦。** 不依赖 Pipecat、不依赖任何传输方式，只依赖四个接口。 好处：可以用文件音频端到端测试；接 WebRTC 时只需写薄适配层。 +## 当前卡点：Pipecat 传了但没接上 + +方案文档写"Pipecat 作为唯一会话管线框架"，但**代码里它只在 requirements.txt 里**。 + +2026-09-15 做了传输层实验（`services/bot_server.py` + `client/test_client.py`）： + +- ✅ **传输层跑通**：信令、ICE、data channel、双向媒体轨 +- ❌ **帧路由未通**：自定义处理器的 `process_frame` 调用次数为 0， + 连自己注入的 StartFrame 都没进去；引擎从未运行 + +现象是"连接全对、音轨协商成功、但助手永远不说话，且日志里一条错误都没有"。 + +**这直接影响 A/B 架构方案**：A 是"Pipecat 只做传输、逻辑归自有引擎"， +B 是"按 Pipecat 的 service 模型重构"。帧送不进自定义处理器， +说明 A 的核心假设不是开箱即用的。 + +根因未定位，两种可能必须区分：接线错误（接缝浅，A 可行） +vs 模型不兼容（接缝深，应转 B）。 + +完整记录见代码仓库外的 `P0-Pipecat传输层实验报告.md`（在 Obsidian 笔记库里）。 + +### 实验挖出的 8 个坑 + +每个都表现为"什么都没发生"，极难排查： + +1. Pipecat 客户端 SDK 不覆盖"Linux x86 盒子接 USB 阵列"这种形态 → 客户端得自己写 +2. 客户端必须建 data channel 并定期发 `"ping"`，否则服务端一帧音频都不推 +3. offer 里没有媒体时 aiortc **完全不收集 ICE 候选**（连连通性测试都要加静音轨） +4. ICE 收集完成前发 offer → SDP 里 0 个候选地址 +5. `PipelineTask.run()` 要 `WorkerParams(task_manager=...)`，不是 `PipelineParams` +6. `TaskManager()` 必须在事件循环内创建 +7. **后台任务里的异常被静默吞掉**，日志里查不到 +8. 信令回调里必须 `create_task`，不能 `await task.run()` + ## 踩过的坑 全部写在对应文件的注释里，这里只列索引，详见 `部署说明.md` §已知的坑： diff --git a/client/test_client.py b/client/test_client.py new file mode 100644 index 0000000..36f4f46 --- /dev/null +++ b/client/test_client.py @@ -0,0 +1,338 @@ +#!/usr/bin/env python3 +"""最小 aiortc 客户端（实验用）。 + +**为什么需要它**：Pipecat 的官方客户端 SDK 覆盖浏览器 / 移动端 / C++ / ESP32， +唯独没有适配"跑 Linux 的 x86 盒子接 USB 麦克风阵列"——也就是 N5095 的形态。 +所以客户端必须自己写，这个文件是雏形。 + +它同时是验证工具：不依赖浏览器就能测服务端。用法： + + # 发一段 wav，收回应答音频 + python client/test_client.py --server http://<服务器>:7860 \ + --wav p0/stt_tts_bench/wavs/stt_1.wav --out /tmp/reply.wav + + # 只做连接测试，不发音频 + python client/test_client.py --server http://<服务器>:7860 --connect-only + +**它还不是什么**：不做 AEC、不做播客参考、不做打断（那些要真实声卡和硬件）， +只用文件音频验证信令与媒体通路。 +""" + +from __future__ import annotations + +import argparse +import asyncio +import fractions +import json +import logging +import sys +import time +import urllib.request +import wave +from pathlib import Path + +import numpy as np +from aiortc import ( + RTCConfiguration, + RTCPeerConnection, + RTCSessionDescription, +) +from aiortc.mediastreams import AudioStreamTrack, MediaStreamError + +logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s") +log = logging.getLogger("client") + + +class SilentTrack(AudioStreamTrack): + """静音音轨。只为触发 ICE 候选收集，不发真实音频。""" + + kind = "audio" + + def __init__(self, sample_rate: int = 16000): + super().__init__() + self.sample_rate = sample_rate + self._n = 0 + + async def recv(self): + import fractions as _fr + from av import AudioFrame as _AF + await asyncio.sleep(0.02) + pcm = np.zeros(self.sample_rate // 50, dtype=np.int16) + f = _AF(format="s16", layout="mono", samples=len(pcm)) + f.planes[0].update(pcm.tobytes()) + f.sample_rate = self.sample_rate + f.pts = self._n + f.time_base = _fr.Fraction(1, self.sample_rate) + self._n += len(pcm) + return f + + +class FileAudioTrack(AudioStreamTrack): + """把 wav 文件当作麦克风音源，按实时速率吐出来。 + + 实时速率很重要——如果一次性灌完，服务端的 VAD 会把它当成 + 一段超长的连续语音，测出来的延迟也不真实。 + """ + + kind = "audio" + + def __init__(self, wav_path: Path, *, sample_rate: int = 16000): + super().__init__() + with wave.open(str(wav_path)) as w: + assert w.getnchannels() == 1, "需要单声道" + self.src_rate = w.getframerate() + pcm = np.frombuffer(w.readframes(w.getnframes()), dtype=np.int16) + self.samples = pcm.astype(np.float32) / 32768.0 + self.sample_rate = sample_rate + if self.src_rate != sample_rate: + n = int(len(self.samples) * sample_rate / self.src_rate) + self.samples = np.interp(np.linspace(0, len(self.samples) - 1, n), + np.arange(len(self.samples)), self.samples) + self._pos = 0 + self._t0: float | None = None + self._frame_samples = sample_rate // 100 # 10ms + + async def recv(self): + """按 10ms 一块、以真实时间节奏产出。""" + if self._t0 is None: + self._t0 = time.perf_counter() + self._pos = 0 + + # 音频放完后持续吐静音，让服务端的 VAD 能判到"说完" + if self._pos >= len(self.samples): + audio = np.zeros(self._frame_samples, dtype=np.float32) + else: + audio = self.samples[self._pos:self._pos + self._frame_samples] + if len(audio) < self._frame_samples: + audio = np.pad(audio, (0, self._frame_samples - len(audio))) + self._pos += self._frame_samples + + # 实时节奏 + target = self._t0 + self._pos / self.sample_rate + delay = target - time.perf_counter() + if delay > 0: + await asyncio.sleep(delay) + + pcm = (np.clip(audio, -1, 1) * 32767).astype(np.int16) + from av import AudioFrame + f = AudioFrame(format="s16", layout="mono", samples=len(pcm)) + f.planes[0].update(pcm.tobytes()) + f.sample_rate = self.sample_rate + f.pts = int(self._pos * 90000 / self.sample_rate) + f.time_base = fractions.Fraction(1, 90000) + return f + + @property + def finished(self) -> bool: + return self._pos >= len(self.samples) + + +class ReplyRecorder: + """收服务端音频，写 wav，并记录首音延迟。""" + + def __init__(self, out_path: Path, sample_rate: int = 24000): + self.out_path = out_path + self.sample_rate = sample_rate + self.chunks: list[np.ndarray] = [] + self.first_at: float | None = None + self.t0 = time.perf_counter() + + def feed(self, frame) -> None: + if self.first_at is None: + self.first_at = time.perf_counter() + arr = frame.to_ndarray() + # 多声道取第一路 + if arr.shape[0] > 1: + arr = arr[0:1] + self.chunks.append(arr.astype(np.float32).reshape(-1) / 32768.0) + + def save(self) -> float: + if not self.chunks: + return 0.0 + audio = np.concatenate(self.chunks) + pcm = (np.clip(audio, -1, 1) * 32767).astype(np.int16) + self.out_path.parent.mkdir(parents=True, exist_ok=True) + with wave.open(str(self.out_path), "wb") as w: + w.setnchannels(1) + w.setsampwidth(2) + w.setframerate(self.sample_rate) + w.writeframes(pcm.tobytes()) + return len(audio) / self.sample_rate + + @property + def first_audio_ms(self) -> float | None: + return None if self.first_at is None else (self.first_at - self.t0) * 1000 + + +def post_offer(server: str, sdp: str, type_: str) -> dict: + """把 offer 发给服务端，取回 answer。""" + payload = json.dumps({"sdp": sdp, "type": type_, "pc_id": None, + "restart_pc": False, "request_data": None}).encode() + req = urllib.request.Request(f"{server.rstrip('/')}/api/offer", data=payload, + headers={"Content-Type": "application/json"}, + method="POST") + with urllib.request.urlopen(req, timeout=30) as r: + return json.loads(r.read().decode()) + + +async def run(server: str, wav: Path | None, out: Path, *, connect_only: bool, + timeout_s: float) -> int: + pc = RTCPeerConnection(RTCConfiguration(iceServers=[])) + recorder = ReplyRecorder(out) + track = None + got_audio = asyncio.Event() + + @pc.on("connectionstatechange") + async def _state(): + log.info("连接状态: %s", pc.connectionState) + if pc.connectionState in ("failed", "closed"): + got_audio.set() + + @pc.on("track") + def _track(t): + log.info("收到服务端音轨: %s", t.kind) + + async def _pump(): + try: + while True: + frame = await t.recv() + recorder.feed(frame) + if not got_audio.is_set() and recorder.chunks: + pass + except (MediaStreamError, asyncio.CancelledError): + pass + finally: + got_audio.set() + + asyncio.ensure_future(_pump()) + + if wav and not connect_only: + track = FileAudioTrack(wav) + pc.addTrack(track) + log.info("音源: %s（%d 采样点）", wav.name, len(track.samples)) + else: + # --connect-only 也要加一条（静音）音轨。 + # **不能省**：aiortc 的 offer 里没有媒体时完全不收集 ICE 候选， + # 现象是"信令成功、SDP 交换正常、但 ICE 永远停在 new"。 + pc.addTrack(SilentTrack()) + log.info("连接测试模式：已加静音音轨（仅为触发 ICE 收集）") + + # **必须建 data channel 并定期发 "ping"。** + # Pipecat 的 SmallWebRTC 用 data channel 上的消息来判断"客户端还活着"： + # if isinstance(message, str) and message.startswith("ping"): + # self._last_received_time = time.time() + # 而 connection 的 connected 事件、进而 on_client_connected 回调、 + # 进而 StartFrame（音频推流的开关）都依赖它。 + # 不发 ping 的现象是：ICE 连通、音轨协商成功、但**服务端一帧音频都不推**、 + # 助手永远不说话，而且日志里只有一句 "Data channel not established within 10s"。 + channel = pc.createDataChannel("pipecat") + dc_state = {"ok": False} + + @channel.on("open") + def _dc_open(): + dc_state["ok"] = True + log.info("data channel 已打开，开始发心跳") + + async def _keepalive(): + while pc.connectionState not in ("closed", "failed"): + if dc_state["ok"]: + try: + channel.send("ping") + except Exception: # noqa: BLE001 + pass + await asyncio.sleep(1.0) + + asyncio.ensure_future(_keepalive()) + + offer = await pc.createOffer() + await pc.setLocalDescription(offer) + + # 等 ICE 收集完成再发 offer——**这步不能省**。 + # 不等的话 SDP 里没有任何候选地址，服务端拿到的是一份"空地址"的 offer， + # 信令看着成功，但 ICE 永远连不上（状态停在 new）。 + # 这叫非 trickle ICE：把候选都塞进 SDP 一次发完。 + # 真实产品会用 trickle（边收集边发候选），但那样需要额外的信令端点。 + for _ in range(100): + if pc.iceGatheringState == "complete": + break + await asyncio.sleep(0.1) + n_cand = pc.localDescription.sdp.count("candidate:") + log.info("ICE 收集: %s，SDP 含 %d 个候选", pc.iceGatheringState, n_cand) + if n_cand == 0: + log.warning("SDP 里没有候选地址，ICE 很可能连不上") + + log.info("本地 SDP 已生成，发给服务端…") + + t_send = time.perf_counter() + answer = post_offer(server, pc.localDescription.sdp, pc.localDescription.type) + if answer.get("type") not in ("answer", None): + log.error("服务端返回异常: %s", answer) + return 1 + if answer.get("sdp"): + await pc.setRemoteDescription(RTCSessionDescription( + sdp=answer["sdp"], type=answer["type"])) + log.info("远端 SDP 已设置（往返 %.0f ms）", (time.perf_counter() - t_send) * 1000) + else: + log.info("服务端未返回 SDP（可能是 pc_id 复用）: %s", answer) + + # 等 ICE 连通 + for _ in range(100): + if pc.connectionState in ("connected", "completed"): + break + if pc.connectionState in ("failed", "closed"): + log.error("连接失败") + await pc.close() + return 1 + await asyncio.sleep(0.1) + log.info("✅ ICE 已连通（%s）", pc.connectionState) + print(f" ✅ 连接建立，状态 {pc.connectionState}") + + if track: + # 等音频放完 + 留出响应时间 + t0 = time.perf_counter() + while not track.finished and time.perf_counter() - t0 < timeout_s: + await asyncio.sleep(0.2) + log.info("音频已发完，等待回复…") + # 等首个回复音频 + t_wait = time.perf_counter() + while time.perf_counter() - t_wait < timeout_s: + if recorder.chunks: + break + await asyncio.sleep(0.1) + # 再收一会儿，让回复说完 + await asyncio.sleep(6) + + dur = recorder.save() + await pc.close() + got_audio.set() + + print() + print("=== 结果 ===") + print(f" 连接: {'✅ 成功' if dur > 0 else '⚠️ 无音频返回'}") + if dur: + print(f" 收到音频: {dur:.2f} 秒 → {out}") + fa = recorder.first_audio_ms + if fa: + print(f" 首音延迟（发完到收到首段）: {fa:.0f} ms") + return 0 if dur > 0 else 1 + + +def main() -> int: + p = argparse.ArgumentParser() + p.add_argument("--server", default="http://cadadmin-server.taild0f91d.ts.net:7860", + help="服务端地址。默认用 tailscale 域名——LAN 地址会被重新编址" + "（2026-09-15 实测从 192.168.0.x 变成 172.16.1.x）") + p.add_argument("--wav", type=Path) + p.add_argument("--out", type=Path, default=Path("/tmp/client_reply.wav")) + p.add_argument("--connect-only", action="store_true") + p.add_argument("--timeout", type=float, default=30.0) + a = p.parse_args() + if not a.connect_only and not a.wav: + print("需要 --wav 或 --connect-only", file=sys.stderr) + return 2 + return asyncio.run(run(a.server, a.wav, a.out, + connect_only=a.connect_only, timeout_s=a.timeout)) + + +if __name__ == "__main__": + sys.exit(main()) diff --git a/services/bot_server.py b/services/bot_server.py new file mode 100644 index 0000000..6134d17 --- /dev/null +++ b/services/bot_server.py @@ -0,0 +1,422 @@ +#!/usr/bin/env python3 +"""Pipecat SmallWebRTC 服务端（实验）。 + +**目的**：验证 Pipecat 传输层与自有引擎能否协同工作，并拿到真实传输下的延迟数字。 +不是产品代码——见文件末尾"这还不是什么"。 + +结构： + + ┌──────────────── Pipecat ────────────────┐ + │ transport.input() → EngineProcessor │ + │ ↓ │ + │ transport.output() │ + └─────────────────────────────────────────┘ + ↑ + 我们的 ConversationEngine + （STT→记忆→LLM→TTS 全在里面） + +EngineProcessor 把整条管线"吞"进一个处理器——这是 A 方案的核心假设： +**Pipecat 提供传输与帧模型，会话语义归我们的引擎。** 这个实验就是在检验它成不成立。 + +用法： + # 服务器上 + .venv/bin/python services/bot_server.py --host 0.0.0.0 --port 7860 + # 浏览器打开 http://<服务器IP>:7860/ 点连接后说话 +""" + +from __future__ import annotations + +import argparse +import asyncio +import logging +import os +import sys +import time +import uuid +from pathlib import Path + +import numpy as np + +sys.path.insert(0, str(Path(__file__).resolve().parent.parent)) + +from fastapi import FastAPI +from fastapi.responses import RedirectResponse +from pipecat.frames.frames import ( + CancelFrame, + EndFrame, + InputAudioRawFrame, + InterruptionFrame, + OutputAudioRawFrame, + StartFrame, + TextFrame, +) +from pipecat.pipeline.pipeline import Pipeline +from pipecat.pipeline.task import PipelineParams, PipelineTask +from pipecat.processors.frame_processor import FrameDirection, FrameProcessor +from pipecat.transports.base_transport import TransportParams +from pipecat.transports.smallwebrtc.request_handler import ( + SmallWebRTCRequest, + SmallWebRTCRequestHandler, +) +from pipecat.transports.smallwebrtc.transport import SmallWebRTCTransport +from pipecat.utils.asyncio.task_manager import TaskManager +from pipecat.workers.base_worker import WorkerParams + +from app.config import AppConfig +from app.engine import ConversationEngine, EventKind +from app.identity import ManualIdentityProvider +from app.llm import FallbackProvider, create_provider +from app.memory import SQLiteMemoryStore +from app.voice import StreamingSTT, create_tts + +logging.basicConfig(level=logging.INFO, + format="%(asctime)s %(levelname)s %(message)s") +log = logging.getLogger("bot") + +#: 输入音频格式（WebRTC 侧协商后的格式） +IN_RATE = 16000 +IN_CHANNELS = 1 +#: 输出音频格式（Qwen3-TTS 输出 24kHz） +OUT_RATE = 24000 + +#: 管线参数。给 PipelineTask 构造用。 +PIPELINE_PARAMS = PipelineParams( + audio_in_sample_rate=IN_RATE, + audio_out_sample_rate=OUT_RATE, + enable_metrics=True, +) + +#: 注意：PipelineTask.run() 要的是 WorkerParams（内含 task_manager）， +#: **不是** PipelineParams。传错会依次报两个错，且都发生在后台任务里， +#: 主日志里什么都看不到： +#: 1. 不传 → "PipelineWorker.run() missing 1 required positional argument: 'params'" +#: 2. 传错 → "'PipelineParams' object has no attribute 'task_manager'" +#: 而且 TaskManager() 内部调用 asyncio.get_running_loop()， +#: **不能在模块级创建**（会报 "no running event loop"），必须在异步上下文里建。 +#: 参考实现：pipecat/workers/runner.py + + +# ---------------------------------------------------------------- 能量 VAD + +class SimpleVAD: + """极简能量判定。 + + **这是实验用的占位实现**，不是最终方案。方案 §5 把"说完判定"列为需要 + 实测的部分，正式的 VAD 还没选（候选：Pipecat 的 Silero、 + sherpa-onnx VAD、或客户端 VAD + 服务端二次确认）。 + + 用它的唯一原因是：先把传输层跑通，VAD 的好坏不影响"Pipecat 能不能 + 当传输层用"这个结论。 + """ + + def __init__(self, *, threshold: float = 350.0, + silence_ms: int = 700, min_speech_ms: int = 300): + self.threshold = threshold # PCM16 的 RMS 阈值 + self.silence_ms = silence_ms + self.min_speech_ms = min_speech_ms + self._silence = 0.0 + self._speech = 0.0 + + def reset(self) -> None: + self._silence = 0.0 + self._speech = 0.0 + + def feed(self, pcm16: np.ndarray, chunk_ms: float) -> str | None: + """喂一块音频，返回 'start' / 'end' / None。""" + if pcm16.size == 0: + return None + rms = float(np.sqrt(np.mean(pcm16.astype(np.float32) ** 2))) + event = None + if rms >= self.threshold: + if self._speech == 0.0: + event = "start" + self._speech += chunk_ms + self._silence = 0.0 + else: + if self._speech > 0: + self._silence += chunk_ms + if self._silence >= self.silence_ms: + if self._speech >= self.min_speech_ms: + event = "end" + self.reset() + return event + + +# ---------------------------------------------------------------- 引擎处理器 + +class EngineProcessor(FrameProcessor): + """把 ConversationEngine 包成一个 Pipecat 处理器。 + + A 方案的核心假设在这里被检验：**一个处理器吞掉整条会话逻辑， + Pipecat 只负责音频进出和帧路由。** + """ + + def __init__(self, cfg: AppConfig, transport: SmallWebRTCTransport): + super().__init__() + log.info("[诊断] EngineProcessor 已创建") + self.cfg = cfg + self.transport = transport + self._vad = SimpleVAD() + self._buf = bytearray() # 当前话语的 PCM16 + self._turn: asyncio.Task | None = None + self._engine: ConversationEngine | None = None + self._session = "" + self._bot_speaking = False + # 计时：用于拿真实延迟数字 + self._t_speech_end = 0.0 + self._t_first_audio = 0.0 + + # ------------------------------------------------------------ 生命周期 + + async def _ensure_engine(self) -> ConversationEngine: + if self._engine is None: + mem = SQLiteMemoryStore(Path.home() / ".local/share/ai_assistant/memory.db") + await mem.open() + llm = FallbackProvider(create_provider(self.cfg.llm), + create_provider(self.cfg.llm_fallback)) + self._engine = ConversationEngine( + self.cfg, llm, mem, ManualIdentityProvider(), + create_tts(self.cfg.voice), StreamingSTT(self.cfg.voice)) + self._session = await self._engine.start_session(user_id="u_ylhan") + return self._engine + + async def setup(self, setup): + log.info("[诊断] EngineProcessor.setup() 被调用") + await super().setup(setup) + log.info("[诊断] EngineProcessor 初始化完成") + + async def process_frame(self, frame, direction: FrameDirection): + log.info("[诊断·顶] 进入 process_frame: %s", type(frame).__name__) + await super().process_frame(frame, direction) + + # [诊断] 记录到达的帧类型分布 + self._seen = getattr(self, "_seen", {}) + k = type(frame).__name__ + self._seen[k] = self._seen.get(k, 0) + 1 + if sum(self._seen.values()) <= 40 or self._seen[k] == 1: + log.info("[诊断] 帧: %s (累计 %d)", k, sum(self._seen.values())) + + if isinstance(frame, StartFrame): + await self.push_frame(frame, direction) + + elif isinstance(frame, InputAudioRawFrame): + await self._on_audio(frame) + + elif isinstance(frame, InterruptionFrame): + # 客户端判定打断后发来的信号（或 Pipecat 内部产生） + log.info("收到打断信号，取消当前生成") + await self._cancel_turn() + await self.push_frame(frame, direction) + + elif isinstance(frame, (EndFrame, CancelFrame)): + await self._cancel_turn() + await self.push_frame(frame, direction) + + else: + await self.push_frame(frame, direction) + + # ------------------------------------------------------------ 音频处理 + + async def _on_audio(self, frame: InputAudioRawFrame) -> None: + pcm16 = np.frombuffer(frame.audio, dtype=np.int16) + chunk_ms = len(pcm16) / IN_RATE * 1000.0 + + # 头几帧打日志，用于确认音频真的到了处理器 + self._n_audio = getattr(self, "_n_audio", 0) + 1 + if self._n_audio <= 3: + rms = float(np.sqrt(np.mean(pcm16.astype(np.float32) ** 2))) if pcm16.size else 0.0 + log.info("收到音频帧 #%d: %d 采样, %.0fms, RMS=%.0f", + self._n_audio, pcm16.size, chunk_ms, rms) + + # 助手正在说话时收到的音频 = 用户插话的候选。 + # 这里只记日志，真正的打断判定在客户端（见方案 §5 的边界决定）。 + if self._bot_speaking and float(np.sqrt(np.mean(pcm16.astype(np.float32) ** 2))) > self._vad.threshold: + log.info("检测到用户插话（助手正在播放）") + + self._buf.extend(frame.audio) + event = self._vad.feed(pcm16, chunk_ms) + + if event == "end": + audio = np.frombuffer(bytes(self._buf), dtype=np.int16).astype(np.float32) / 32768.0 + self._buf.clear() + if len(audio) > IN_RATE * 0.3: # 太短的不处理 + self._t_speech_end = time.perf_counter() + self._t_first_audio = 0.0 + await self._cancel_turn() + self._turn = asyncio.create_task(self._run_turn(audio)) + + async def _cancel_turn(self) -> None: + if self._turn and not self._turn.done(): + self._turn.cancel() + try: + await self._turn + except (asyncio.CancelledError, Exception): # noqa: BLE001 + pass + self._turn = None + + # ------------------------------------------------------------ 跑一轮 + + async def _run_turn(self, audio: np.ndarray) -> None: + try: + engine = await self._ensure_engine() + async for ev in engine.respond_to_audio(audio, session_id=self._session): + if ev.kind == EventKind.RESPONSE_DELTA and ev.text: + await self.push_frame(TextFrame(text=ev.text)) + elif ev.kind == EventKind.SPEAK and ev.audio is not None and len(ev.audio): + if self._t_first_audio == 0.0: + self._t_first_audio = time.perf_counter() + log.info("首音延迟（说完→首段音频）: %.0f ms", + (self._t_first_audio - self._t_speech_end) * 1000) + await self._push_audio(ev.audio, ev.sample_rate) + elif ev.kind == EventKind.METRICS and ev.metrics: + log.info("本轮指标: %s", ev.metrics.summary()) + except asyncio.CancelledError: + log.info("本轮被取消") + raise + except Exception as e: # noqa: BLE001 + log.exception("跑轮失败: %s", e) + + async def _push_audio(self, samples: np.ndarray, sample_rate: int) -> None: + """把 float32 音频推给传输层。必要时重采样到 OUT_RATE。""" + if sample_rate != OUT_RATE: + # 简单线性重采样。实验够用；正式实现应该用 soxr/sox（已装）。 + n = int(len(samples) * OUT_RATE / sample_rate) + samples = np.interp(np.linspace(0, len(samples) - 1, n), + np.arange(len(samples)), samples).astype(np.float32) + pcm = (np.clip(samples, -1, 1) * 32767).astype(np.int16) + self._bot_speaking = True + # 按 20ms 一块推，模拟渐进播放 + step = OUT_RATE // 50 + for i in range(0, len(pcm), step): + chunk = pcm[i:i + step] + await self.push_frame(OutputAudioRawFrame( + audio=chunk.tobytes(), sample_rate=OUT_RATE, num_channels=1)) + self._bot_speaking = False + + async def cleanup(self): + await self._cancel_turn() + await super().cleanup() + + +# ---------------------------------------------------------------- HTTP 服务 + +app = FastAPI(title="AI Companion · Pipecat experimental server") +handler = SmallWebRTCRequestHandler() +_cfg: AppConfig | None = None +_tasks: list[PipelineTask] = [] +_bg_tasks: set[asyncio.Task] = set() # 持有后台 task 引用，避免被 GC + + +@app.post("/api/offer") +async def offer(request: SmallWebRTCRequest): + """WebRTC 信令：客户端发 offer，我们回 answer。""" + + async def on_connection(connection): + transport = SmallWebRTCTransport( + webrtc_connection=connection, + params=TransportParams( + audio_in_enabled=True, + audio_in_sample_rate=IN_RATE, + audio_in_channels=IN_CHANNELS, + audio_out_enabled=True, + audio_out_sample_rate=OUT_RATE, + audio_out_channels=1, + ), + ) + engine_proc = EngineProcessor(_cfg, transport) + pipeline = Pipeline([transport.input(), engine_proc, transport.output()]) + # 注意：这个版本里 PipelineParams 没有 allow_interruptions—— + # 打断在 1.10 已移到 pipecat/turns/ 框架。实验阶段我们不用它的 + # 轮次框架（方案 §5 的边界决定是"打断由客户端判定"）， + # 所以这里只开指标。 + # 注意：这个版本的 PipelineTask.run(params) **要求单独传 params**， + # 只传给构造函数不够。漏传的报错是 + # "PipelineWorker.run() missing 1 required positional argument: 'params'" + # 而这个异常发生在后台任务里，会被静默吞掉—— + # 现象是"连接正常但什么反应都没有"，而且日志里一条错误都看不到。 + # 所以下面的 _run_task 里必须 log.exception，不能让异常无声消失。 + task = PipelineTask(pipeline) + _tasks.append(task) + log.info("新连接已建立，管线启动") + + @transport.event_handler("on_client_connected") + async def _on_conn(t, client): + # **这一步不能省。** 传输层的音频推流由 StartFrame 驱动 + # （base_input.start()），而 PipelineTask.run() 自己不会补发。 + # 不喂 StartFrame 的话：ICE 连通、信令全对、但一帧音频都收不到， + # 表现为"连上了但助手永远不说话"。 + log.info("客户端已连接，发送 StartFrame 启动音频流") + await task.queue_frames([StartFrame()]) + + @transport.event_handler("on_client_disconnected") + async def _on_disc(t, client): + log.info("客户端断开") + await task.cancel() + + # **必须作为后台任务跑，不能 await。** + # 这个回调是被 handle_web_request 调用的，而后者又在 HTTP 请求里被 await。 + # 如果这里 `await task.run()`，就会在信令请求里阻塞整个会话的生命周期， + # 管线初始化的时序会歪掉——实测表现为 setup()/connect() 不被调用， + # 于是 on_client_connected 永远不触发、StartFrame 不发、一帧音频都收不到。 + # 官方 runner 用的是 background_tasks.add_task(bot, args)，同样的道理。 + async def _run_task(): + log.info("[诊断] PipelineTask 开始运行") + try: + # TaskManager 必须在这里建——模块级没有运行中的事件循环 + await task.run(WorkerParams(task_manager=TaskManager())) + except Exception as e: # noqa: BLE001 + log.exception("[诊断] PipelineTask 异常退出: %s", e) + log.info("[诊断] PipelineTask 已结束") + + bg = asyncio.create_task(_run_task()) + _bg_tasks.add(bg) + bg.add_done_callback(_bg_tasks.discard) + + answer = await handler.handle_web_request(request, on_connection) + if answer is None: + return {"status": "ok"} + return answer + + +@app.get("/health") +async def health(): + return {"status": "ok", "connections": len([t for t in _tasks if not t.has_finished()])} + + +@app.get("/") +async def root(): + return RedirectResponse("/client/") + + +def mount_client() -> bool: + """挂载 prebuilt 网页客户端（用于测试）。""" + try: + from pipecat_ai_small_webrtc_prebuilt.frontend import SmallWebRTCPrebuiltUI + app.mount("/client", SmallWebRTCPrebuiltUI, name="client") + return True + except Exception as e: # noqa: BLE001 + log.warning("prebuilt 客户端不可用（不影响服务端）: %s", e) + return False + + +def main() -> int: + global _cfg + p = argparse.ArgumentParser() + p.add_argument("--host", default="0.0.0.0") + p.add_argument("--port", type=int, default=7860) + a = p.parse_args() + + _cfg = AppConfig.load() + log.info("LLM=%s TTS=%s/%s STT=%d线程", + _cfg.llm.model, _cfg.voice.tts_backend, _cfg.voice.tts_speaker, + _cfg.voice.stt_threads) + mounted = mount_client() + log.info("网页客户端: %s", "已挂载 /client/" if mounted else "未挂载") + + import uvicorn + uvicorn.run(app, host=a.host, port=a.port, log_level="warning") + return 0 + + +if __name__ == "__main__": + sys.exit(main()) diff --git a/部署说明.md b/部署说明.md index ccfdf3a..9281103 100644 --- a/部署说明.md +++ b/部署说明.md @@ -51,6 +51,8 @@ DoA 读取和网络桥接，不跑任何推理。 ``` ~/ai-companion/ 助手主体 +├── client/test_client.py 自写 aiortc 客户端（实验用） +├── services/bot_server.py Pipecat SmallWebRTC 服务端（实验，端口 7860） ├── app/ 24 个 py 文件 │ ├── config.py 配置，支持环境变量覆盖 │ ├── prompts.py 单条 system 每轮重建 @@ -98,7 +100,11 @@ TTS 的线程扩展方向又和 STT 相反（越多越快）。 cd ~/tts-qwen && setsid nohup .venv/bin/python tts_server.py --port 18040 \ > logs/tts_service.log 2>&1 < /dev/null & -# 2. 确认就绪 +# 2. （可选）Pipecat 传输层服务端 —— 实验状态，帧路由未通 +cd ~/ai-companion && setsid nohup .venv/bin/python services/bot_server.py \ + --host 0.0.0.0 --port 7860 > logs/bot_server.log 2>&1 < /dev/null & + +# 3. 确认就绪 curl -s http://127.0.0.1:18040/health # 3. 跑测试 @@ -154,6 +160,19 @@ rsync -az --delete --exclude '__pycache__' --exclude '*.pyc' \ （vLLM 0.28 拉上来的）；源码编译要从 GitHub 拉依赖，而这台机器下 GitHub release 会断连。 +## 当前卡点：Pipecat 帧路由未通 + +2026-09-15 的传输层实验：**传输层跑通（信令/ICE/data channel/双向媒体轨）， +但帧送不进自定义处理器**——`process_frame` 调用次数为 0，引擎从未运行。 + +现象：连接全对、音轨协商成功、助手永远不说话，**日志里一条错误都没有**。 + +这直接影响 A/B 架构方案（A：Pipecat 只做传输；B：按框架 service 模型重构）。 +根因未定位。完整记录见 Obsidian 笔记库里的 `P0-Pipecat传输层实验报告.md`。 + +**注意** `services/bot_server.py` 里目前还带着 `[诊断]` 前缀的日志， +是留给下一轮排查用的，定位后应清理。 + ## 未做的事 - **没有常驻服务**：TTS 服务和助手都没有 systemd 开机自启（方案 §10 要求 P2 后做）