更新 Pipecat 实时链路实验结论
This commit is contained in:
ylhan
@@ -6,8 +6,9 @@
|
||||
> `README.md`（代码说明）、`部署说明.md`（运维）——这两份也在代码仓库。
|
||||
>
|
||||
> 更新：2026-09-15。状态：**助手本体已在服务器上实现并跑通**（端到端测试 16/16）；
|
||||
> **Pipecat 传输层实验已做，传输层通、帧路由未通**（见 §10 与
|
||||
> `P0-Pipecat传输层实验报告.md`）——**A/B 架构方案待定**，这是当前卡点；
|
||||
> **Pipecat 实时语音链路已闭环**（见 §10 与
|
||||
> `P0-Pipecat传输层实验报告.md`）——A 方案已确定：Pipecat 管传输/帧/RTVI，
|
||||
> 自有引擎管会话语义；当前风险转为真实首音延迟与真人中文识别率；
|
||||
> 设备侧（N5095 外设桥、ESP32）尚未开始。
|
||||
> 已确认：Ubuntu 24.04；N5095 / 16G 作为**客户端**；助手本体部署在 cadadmin-server（i9-14900K / 3090）；麦克风、音箱、摄像头均未购；屏幕已于 09-14 到货并点亮（2.8 寸 ILI9341 触摸屏，非原定的 1.28 寸圆屏）。
|
||||
> 核心目标：听得清、回应及时、可打断、表情明确、转头自然。
|
||||
@@ -55,7 +56,7 @@
|
||||
│ 会话引擎（身份 → 记忆 → LLM → TTS） │
|
||||
│ ├─ LLM：DeepSeek deepseek-flash（云端，关思考） │
|
||||
│ ├─ TTS：Qwen3-TTS 1.7B（RTX 3090，独立 HTTP 服务 :18040） │
|
||||
│ ├─ 传输：Pipecat SmallWebRTC :7860（实验，帧路由未通） │
|
||||
│ ├─ 传输：Pipecat SmallWebRTC :7860（实时链路已闭环） │
|
||||
│ ├─ STT：Zipformer 中英宽带 int8（CPU 4 线程） │
|
||||
│ ├─ 记忆：SQLite（按 owner_user_id 强制隔离） │
|
||||
│ └─ 身份：手动切换 + 访客兜底 │
|
||||
@@ -406,41 +407,34 @@ P5通过Home Assistant统一调用。按实际设备比较官方Xiaomi Home和Xi
|
||||
### 下一步顺序（按风险从高到低）
|
||||
|
||||
评审建议的思路——**先把风险最大的实时语音链路闭环**——认可并采纳。
|
||||
但执行顺序要修正一处：**服务端目前没有任何客户端能连的入口**，
|
||||
所以第一块不是客户端，是服务端的 WebRTC 入口。
|
||||
|
||||
> 核实过：代码里 `pipecat` 一次都没被 import 过（只在 `requirements.txt` 里），
|
||||
> 引擎是独立 asyncio，由测试脚本用文件音频驱动。**没有进程在监听 WebRTC 连接。**
|
||||
服务端 WebRTC 入口和客户端骨架现已完成。2026-09-16 通过 SSH 隧道打开
|
||||
Pipecat Playground 做了真人浏览器对话，麦克风 → STT → LLM → TTS → 浏览器播放
|
||||
正常。当前仍是 P1 调试形态：连接后持续上传并响应有效语音；正式的本地唤醒、
|
||||
待机不上传和 20 秒连续对话窗口留在 P2，本轮按决定暂不实现。
|
||||
|
||||
| # | 步骤 | 状态 | 能验证什么 / 不能验证什么 |
|
||||
|---|---|---|---|
|
||||
| 0 | **音频边界定稿** | ✅ 2026-09-15 完成（见 §5） | 决定了客户端接口形态 |
|
||||
| 1 | **服务端 WebRTC 入口 + 客户端骨架** | 🔶 **传输层跑通，帧路由未通**（见 `P0-Pipecat传输层实验报告.md`） | 已验证：信令、ICE、data channel、双向媒体轨。**未验证：帧进不到自定义处理器，引擎从未运行** |
|
||||
| 1b | **查清帧路由根因 → 定 A/B 方案** | **待办，当前卡点** | 根因决定 A 方案（Pipecat 只做传输）是否可行，还是必须转 B（按框架 service 模型重构） |
|
||||
| 1 | **服务端 WebRTC 入口 + 客户端骨架** | ✅ **实时链路已闭环**（见 `P0-Pipecat传输层实验报告.md`） | 已验证：信令、ICE、data channel、帧路由、STT→LLM→TTS、文件与浏览器真人非静音回复 |
|
||||
| 1b | **查清帧路由根因 → 定 A/B 方案** | ✅ **根因已定位，采用 A 方案** | NLTK 运行时下载导致 setup timeout；不是模型不兼容。网页 RTVI 保留 |
|
||||
| 2 | **N5095 客户端骨架** | 🔶 雏形已有（`client/test_client.py`） | 非 trickle ICE、data channel 心跳、文件音频实时发送、回复录音都已实现。**不做 AEC/播客参考/打断**——那些要真实声卡 |
|
||||
| 3 | **接入真实麦克风与音箱** | 阻塞：硬件未购 | 唯一能验证 AEC、打断、唤醒的一步，也是 P2 的全部内容 |
|
||||
| 3 | **接入真实麦克风与音箱** | 阻塞：硬件未购；网页仅验证普通麦克风对话 | 唯一能完整验证阵列 AEC、打断、本地唤醒的一步，也是 P2 的全部内容 |
|
||||
| 4 | **STT 中文识别正确率** | 阻塞：需录音 | 见下"最大功能风险" |
|
||||
| 5 | ESP32 表情串口 | 硬件已到货，可独立推进 | 串口协议、表情渲染 |
|
||||
| 6 | 摄像头、多人跟踪、电机 | 阻塞：硬件未购 | — |
|
||||
|
||||
### 第 1 步的实验结论（2026-09-15）
|
||||
|
||||
**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。**
|
||||
**实时链路已闭环，A 方案成立。** 原 `process_frame` 为 0 的根因是 Pipecat
|
||||
setup 阶段预热 NLTK `punkt_tab`，首次下载阻塞后触发 20 秒 timeout；worker 尚未
|
||||
发送自动 StartFrame，并非 Pipeline 接线或自定义处理器模型不兼容。
|
||||
|
||||
自定义处理器被创建、`setup()` 被调用，但 **`process_frame` 调用次数为 0**——
|
||||
连自己注入的 StartFrame 都没进去。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"。
|
||||
修复后自动 StartFrame、250+ 个输入音频帧均正常经过 `EngineProcessor`，完整
|
||||
文件音频 → STT → DeepSeek → Qwen3-TTS → WebRTC 返回非静音语音。保留 RTVI
|
||||
和 `/client/` 网页入口，同时继续支持自写 aiortc/N5095 客户端。
|
||||
|
||||
**这对 A/B 决策的影响**：实验前判断"Pipecat 的价值收敛到传输层"，
|
||||
现在要修正——**传输层与自定义逻辑之间的接缝比预想的深**。
|
||||
B 方案恰恰绕开这个接缝（用框架原生 service，不由一个处理器吞掉全部）。
|
||||
|
||||
**但根因未定位**，两种可能必须区分：
|
||||
- 若是接线错误（管线用法与 Pipecat 1.10 的实际约定不符）→ 接缝浅，A 仍可行
|
||||
- 若是模型不兼容（该版本不接受这种用法）→ 接缝深，应转 B
|
||||
|
||||
实验同时挖出 **8 个 Pipecat 集成坑**（客户端需发 ping、offer 无媒体则不收集
|
||||
ICE 候选、`run()` 要 WorkerParams、后台异常被静默吞掉等），
|
||||
实验累计挖出 **13 个集成坑**（客户端需发 ping、offer 无媒体则不收集
|
||||
ICE 候选、Playground 需要 `/start`、`run()` 要 WorkerParams、后台异常被静默吞掉等），
|
||||
每个都表现为"什么都没发生"，详见实验报告。
|
||||
|
||||
**第 2 步的边界要说清楚**：用合成音频能验证传输层，**验不了 AEC 和远场识别**——
|
||||
|
||||
@@ -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
|
||||
|
||||
|
||||
Reference in New Issue
Block a user