AiHummer
Latviešu▾
PierakstītiesKonts
v1.3.x▾
v1.3.xstablev1.2.xstablev1.1.xstablev1.0.xstable
{ }Swagger
Balsis/Runas ieraksts un atskaņošana (STT / TTS)

Runas ieraksts un atskaņošana (STT / TTS)

v1.3.x · atjaunināts 2026-09-15

AiHummer rokturi runāšana kastē iekšā un runāšana kastē ārā — nav nepieciešama maksas balss API. Ienākošais audio klips tiek pārrakstīts (STT), teksts virza parasto aģenta atbildi, un atbilde tiek atskaņota atpakaļ (TTS). Abas dzinēji ir bez maksas un vietējs un palaist kā blakusvāģi: faster-whisper transkripcijai un edge-tts sintēzei.

Kā darbojas balss pārslēgs

Balsis maiņa ir normāla aģenta maiņa ar audio abos galos:

  1. Vārteja nosūta ienākošo audio uz STT sānskapis (:8001, faster-whisper) un atgriež tekstu.
  2. Šis teksts virza parasto funkciju izsaukšanas kārtu — tas pats maršrutētājs, orķestrators, instrumenti un atmiņa kā īsziņa.
  3. Atbildes teksts tiek nosūtīts uz TTS blakussīkrīks (:8002, edge-tts) un runātā audio tiek atgriezta zvanītājam.

Tas tiek atklāts kā viens galapunkts, POST /v1/voice/turn, tādējādi kanāls vai klients var nodot audio un saņemt audio, neveicot pašam soļu organizēšanu.

Galapunkti

Metode Galapunkts Mērķis
POST /v1/voice/turn Audio ieeja → aģenta gājiens → audio izvade
GET /v1/voice/config Pašreizējā balss konfigurācija (dzinēji, regulēšanas kloķi) 
POST /v1/voice/turn HTTP/1.1
Host: localhost:8780
Content-Type: application/json

{
  "audio": "<base64-encoded clip>",
  "format": "wav"
}

[!NOTE] Runas iezīmes ir daļa no centrālais — tie nav saistīti ar SIP spraudni. SIP kanāls izmanto šīs pašas STT/TTS dzinējus savam local dzinējs, bet balss ieeja/izeja darbojas ar jebkuru klientu, kas zvana /v1/voice/turn.

Balss blakussēdvietas

Osta Sānskrijrata piekabe Motors Loma Savienots ar vadiem
8001 STT ātrāks čuksts runāšana → teksts AIHUMMER_STT_URL
8002 TTS edge-tts teksts → runa AIHUMMER_TTS_URL

Abi dzinēji ir bezmaksas un lokāli: nekas netiek nosūtīts maksas balss pakalpojumu sniedzējam. Tāpat kā ar katru sāndzirdi, vārteja tos sasniedz caur URL, lai jūs varētu tos palaist blakus vārtejai vai norādīt uz koplietotu instanci.

Vadu montāža

Saimniekservera vietējais instalētājs iestata jums STT un TTS URL. Tie ir kataloga iestatījumi — mainīt tos no administratora saskarnes (Pārvaldība → Iestatījumi) vai ar aihummer settings set; gateway.env ir tikai Bootstrap un tiek ignorēts šiem:

# Voice in/out (auto-configured by the installer)
aihummer settings set AIHUMMER_STT_URL http://127.0.0.1:8001
aihummer settings set AIHUMMER_TTS_URL http://127.0.0.1:8002

[!TIP] Tā kā katrs sānskapis ir tikai URL, vairāki vārtejas var koplietot vienu STT/TTS piemērs. Centralizējiet smagākos runas pakalpojumus, nevis palaidiet kopiju katram saimnieks

Audio ceļa regulēšana

Balses kvalitātes pogas dzīvo Mediji · Balss iestatījumu grupa un ir konfigurējama no tīmekļa administrēšanas saskarnes — pārizvietošana nav nepieciešama. Tie aptver reāllaika audio ceļu:

Poga Ko tas kontrolē
Duplekss Pilnduplekss (klausīties, runājot) pret pusduplekss
AEC Akustiskās atspulga slāpēšana
Trokšņu slāpēšana Filtrē fona troksni pirms STT
AGC Automātiskā pastiprinājuma kontrole (līmeņa normalizācija)
VAD slieksnis Balses aktivitātes noteikšanas jutīgums
Pārtraukšana Ļaujiet zvanītājam pārtraukt aģentu atbildes vidū

GET /v1/voice/config atgriež efektīvo konfigurāciju, lai klients varētu atklāt aktīvos dzinējus un šos iestatījumus.

Automātiskas balss atbildes

Kad ierunāt gatavu atbildi, nosaka trīs grupas „Media · Voice“ iestatījumi (tīmekļa saskarne → Pārvaldība → Iestatījumi):

Iestatījums Atslēga Vērtības
Automātiskas balss atbildes AIHUMMER_TTS_AUTO_REPLY off — nekad; always — vienmēr; inbound (noklusējums) — tikai atbildot uz ienākošu audio; tagged — pēc skaidras aģenta balss atzīmes
Ierunājamā teksta rakstzīmju limits AIHUMMER_TTS_MAX_CHARS 0 (noklusējums) — ierunāt pilnu atbildi; 100–10000 — ierunājamā teksta limits
Garo balss atbilžu kopsavilkums AIHUMMER_TTS_SUMMARIZE pēc noklusējuma ieslēgts: garu atbildi modelis saīsina līdz limitam; ja modelis nav pieejams, skan teksta sākums

Pilns atbildes teksts jebkurā režīmā paliek dialoga vēsturē. off izslēdz tikai automātisko ierunāšanu — skaidrs sintēzes pieprasījums ar rīku tts darbojas kā līdz šim.

Atsevišķam dialogam aģents pēc sarunas biedra lūguma var pārrakstīt šīs vērtības ar rīkiem voice_preferences (nolasīt spēkā esošās) un set_voice_preferences (iestatīt auto, max_chars, summarize; tukšs objekts atjauno instances noklusējumus). Rakstīt var tikai dialoga dalībnieks. Balss izvade uztver piegādātāju, kas pievienots jau pēc vārtejas starta, un ņem vērā konkrētā lietotāja iestatījumus.

Kur uz nākamo