更新 Pipecat 实时链路实验结论

有趣的项目/AI桌面陪伴助手/P0-Pipecat传输层实验报告.md

@@ -1,6 +1,6 @@
 # P0 实验报告 · Pipecat 传输层
 
-日期：2026-09-15。状态：**传输层跑通，帧路由未跑通——实验目标部分达成。**
+日期：2026-09-15。状态：**实时语音链路已闭环；A 方案验证通过。**
 
 代码：`~/workspace/ai-companion/services/bot_server.py`（服务端）、
 `client/test_client.py`（自写 aiortc 客户端）
@@ -26,27 +26,31 @@
 | ICE 连通 | ✅ 走 172.16.1.x 直连 |
 | data channel + 心跳 | ✅ |
 | 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 |
-| 管线启动、处理器 setup() | ✅ |
-| **帧路由到自定义处理器** | ❌ **`process_frame` 调用次数 = 0** |
-| 端到端出声 | ❌ 因上一行，引擎从未运行 |
+| 管线启动、处理器 setup() | ✅，只产生一个自动 StartFrame |
+| **帧路由到自定义处理器** | ✅ StartFrame 与 250+ 个音频帧实测到达 |
+| 端到端出声 | ✅ 文件音频 → STT → DeepSeek → Qwen3-TTS → 非静音回复 |
+| 浏览器真人对话 | ✅ SSH 隧道打开 Playground，麦克风输入与语音回复正常 |
+| 单次真实链路延迟 | 源音频结束→客户端首个非静音约 5.8s；仍需优化 |
 
-**即：传输层可用，但"把整条会话逻辑塞进一个 FrameProcessor"不是开箱即用的。**
+**即：Pipecat 负责传输/帧/RTVI、自有引擎负责会话语义的 A 方案成立。**
 
-## 三、没跑通的部分（关键）
+## 三、原问题根因与修复
 
-自定义 `EngineProcessor` 被创建了、`setup()` 也被调用了，但**一帧都没进来**——
-连自己用 `task.queue_frames([StartFrame()])` 注入的 StartFrame 都没有。
+原先看到 `EngineProcessor.setup()` 被调用、`process_frame` 却为 0，于是误判为
+Pipeline 接线或模型不兼容。服务器完整日志揭示了真实顺序：Pipecat 在 setup 阶段
+预热 NLTK 分句器，首次运行尝试下载 `punkt_tab`，20 秒后 setup timeout。worker
+尚未走到自动发送 `StartFrame` 的阶段，因此所有业务帧都还在等待。
 
-现象是：**连接全对、音轨协商成功、ICE connected，但助手永远不说话，
-而且日志里连一条错误都没有。**
+修复后把 `punkt_tab` 预装到权限 700 的
+`~/.local/share/ai-companion/nltk_data`，启动时 fail-fast 检查；同时改用
+`PipelineWorker(params=PIPELINE_PARAMS)`，删除客户端连接事件中手工发送的第二个
+`StartFrame`。复测显示自动 StartFrame 正常抵达管线末端，音频持续进入处理器。
 
-这与 A 方案的核心假设直接相关：如果帧送不进自定义处理器，
-"Pipecat 只做传输、逻辑归引擎"这个切分方式就不成立。
+之后仍不出声是第二个独立问题：文件客户端播放完 WAV 后没有继续推进 PTS，服务端
+收不到 VAD 所需的 700ms 尾静音。客户端现在固定发送 1.2s 尾静音且持续推进时钟。
+接收端也改为只有检测到非静音音频才算成功，不再把 WebRTC 空闲静音当作回复。
 
-**根因未定位。** 不能确定是这个版本 Pipecat 的管线用法与我们写的不符，
-还是模型本身不接受这种用法。这两者的区别很重要——见 §五。
-
-## 四、挖出的 8 个集成坑
+## 四、挖出的 13 个集成坑
 
 每个都会表现为"什么都没发生"，极难排查。无论最终选 A 还是 B 都会踩。
 
@@ -56,10 +60,15 @@
 | 2 | 客户端必须建 data channel 并定期发 `"ping"` | 不建则服务端**一帧音频都不推**，日志只有一句 "Data channel not established within 10s" | 建 channel + 1s 心跳 |
 | 3 | offer 里没有媒体时 aiortc **完全不收集 ICE 候选** | 信令成功、SDP 交换正常，但 ICE 永远停在 `new` | 即使只测连通也要加一条（静音）音轨 |
 | 4 | ICE 收集完成前就发 offer | SDP 里 0 个候选地址 | 等 `iceGatheringState == "complete"` |
-| 5 | `PipelineTask.run()` 要 `WorkerParams(task_manager=...)`，**不是** `PipelineParams` | 不传报 "missing 1 required positional argument"；传错报 "no attribute 'task_manager'" | 两个参数分别给构造函数和 run() |
+| 5 | `PipelineWorker.run()` 要 `WorkerParams(task_manager=...)`，**不是** `PipelineParams` | 不传报 "missing 1 required positional argument"；传错报 "no attribute 'task_manager'" | 两个参数分别给构造函数和 run() |
 | 6 | `TaskManager()` 内部调 `asyncio.get_running_loop()` | 模块级创建报 "no running event loop" | 必须在异步上下文里建 |
 | 7 | **后台任务里的异常被静默吞掉** | 日志里查不到任何线索，表现为"连接正常但没反应" | 自己 try/except + log.exception |
 | 8 | 信令回调里 `await task.run()` | 阻塞整个会话生命周期，管线初始化时序走歪 | `asyncio.create_task(task.run(...))` |
+| 9 | NLTK `punkt_tab` 在首个 worker 内临时下载 | setup 20 秒超时，看起来像帧路由坏了 | 部署时预装到私有目录，启动前检查 |
+| 10 | `PipelineWorker` 本身会自动发送 StartFrame | 手工再发会看到两个启动帧 | 删除连接回调里的手工 StartFrame |
+| 11 | 文件结束后静音帧 PTS 不增长 | VAD 永远等不到说完 | 源位置与媒体时钟分离，额外发送 1.2s 静音 |
+| 12 | WebRTC 输出轨空闲时也有静音 | “收到 34 秒音频/首音 206ms”的假成功 | 按非静音 RMS 判断业务回复 |
+| 13 | prebuilt Playground 连接前先请求 `/start` | 页面正常但 Connect 在 authenticating 阶段报 Not Found | 增加 `/start`，返回 `/api/offer` 的 `webrtcRequestParams` |
 
 第 5、6、7 条各花了好几轮才发现——因为异常在后台任务里，日志什么都不显示。
 
@@ -68,44 +77,38 @@
 实验前的判断是"Pipecat 的独特价值收敛到传输层"（因为方案 §5 的音频边界决定
 把 AEC 和播放放在客户端，绕开了 Pipecat 的打断机制）。
 
-**现在要修正**：
+根因已经证明既不是 Pipeline 接线，也不是自定义处理器模型不兼容。因此确定采用
+**A 方案**：保留已验证的 `ConversationEngine`，由薄 `EngineProcessor` 适配
+Pipecat 的输入输出帧。网页客户端需要的 RTVI 继续开启；N5095 精简客户端可以忽略
+暂不认识的 RTVI data-channel 消息。
 
-- 传输层确实能用——前半部分的结论成立
-- 但**传输层与自定义会话逻辑之间的接缝，比预想的深**
-- B 方案恰恰绕开这个接缝：它不把逻辑塞进一个处理器，
-  而是用框架原生的 STT/LLM/TTS service，由框架自己编排
-
-所以这次实验**没有支持 A 方案**，反而间接给了 B 方案更多理由。
-
-**但前提是根因要查清**：
-
-- 如果是我接线错（管线用法和 Pipecat 1.10 的实际约定不符）→ 接缝是浅的，A 仍然可行
-- 如果是模型不兼容（这个版本不接受"单一处理器吞整条管线"）→ 接缝是深的，应该转 B
+不做 B 方案的全量重构。后续只在确有收益时渐进引入 Pipecat 的 VAD、turn processor、
+metrics 与 interruption，不重写已有的记忆、身份、LLM/TTS 适配。
 
 ## 六、下一步
 
-**建议先查清帧路由的根因**，再决定 A 还是 B。候选方向：
-
-1. 对照 Pipecat 官方 smallwebrtc 示例的管线接法（我们的接法可能有细节差异）
-2. 检查 `Pipeline([...])` 在 1.10 里的连接语义（是否有自动 link）
-3. 检查 `queue_frames` 的注入点与处理器位置的匹配关系
-4. 在传输层的 input/output 处理器上加日志，看帧到底停在哪一环
-
-若排查成本过高，**建议直接转 B**——因为 B 用的是框架原生 service，
-不存在"帧送不进自定义处理器"这个问题。
+1. 优化真实首音延迟：分别记录 VAD、STT、LLM 首 token、TTS 首段和客户端播放时间
+2. 继续用 prebuilt 网页客户端做真人语音、浏览器 AEC 与主观试听（基础对话已通过）
+3. Tailscale tailnet 开启 Serve 后，用 HTTPS 暴露 `/client/`
+4. 音频硬件到货后实现 N5095 声卡、AEC、播放参考与打断
+5. 录本人普通话语料，对 Zipformer / SenseVoice / faster-whisper 做 CER 对比
 
 ## 七、当前代码状态
 
 **服务端** `services/bot_server.py`：
 
 - 已实现：SmallWebRTC 信令端点 `/api/offer`、prebuilt 网页客户端挂载 `/client/`、
-  `EngineProcessor`（自写能量 VAD + 引擎调用）
-- **仍带着诊断日志**（`[诊断]` 前缀），用于下一轮排查。定位后应清理
+  Playground 启动端点 `/start`、`EngineProcessor`（自写能量 VAD + 引擎调用）
+- 已改用 `PipelineWorker`，保留 RTVI；启动/超时/错误有显式日志
+- 音频缓冲加入 1 秒预卷、60 秒上限和短噪声丢弃，连接结束释放会话资源
 - VAD 是**极简能量判定**，不是最终方案（方案 §5 的说完判定还没选型）
+- 当前没有唤醒门控：网页连接后每段有效语音都会触发回复。正式唤醒仍在 P2
+  的 N5095 本地实现，待机时不上传音频；本次按用户决定暂不处理
 
 **客户端** `client/test_client.py`：
 
-- 已实现：非 trickle ICE、data channel + 心跳、文件音频按实时速率发送、回复录音
+- 已实现：非 trickle ICE、data channel + 心跳、文件音频实时发送、1.2s 尾静音、回复录音
+- 只有检测到非静音回复才成功；按 WebRTC 实际 48kHz 保存 WAV
 - **不做 AEC、不做播放参考、不做打断**——那些要真实声卡和硬件
 - 它是 N5095 客户端的雏形，不是产品代码
 
@@ -123,7 +126,9 @@ python client/test_client.py \
   --wav p0/stt_tts_bench/wavs/stt_1.wav --out /tmp/reply.wav
 ```
 
-预期（当前实际）：连接成功、收到 34 秒音频轨，**但全是静音**。
+当前实测：连接成功，收到非静音语音回复；源音频结束到首个非静音约 5.8 秒。
+浏览器通过 SSH 隧道访问 `http://localhost:7860/client/` 也已完成真人对话；
+2026-09-16 一轮服务端指标约 3.0 秒。
 
 ## 九、顺带发现的环境问题