音频开发 / 系统课时

封装统一 ASR 与 TTS 服务接口

封装统一 ASR 与 TTS 服务接口

这一节把识别、合成和流式能力收口到一组稳定契约中:业务层只依赖统一请求、结果和事件模型,供应商 SDK、模型参数与协议差异全部留在适配层,后续更换实现时无需改业务流程。

学习目标

  • 设计同时覆盖 ASR、TTS 与流式处理的统一接口
  • 用适配层隔离供应商字段、错误码和音频格式差异
  • 验证上层业务可以在不改调用代码的情况下切换实现

先固定业务真正依赖的契约

统一接口的关键不是把所有厂商参数做成一个巨大的请求对象,而是先找出业务长期稳定依赖的字段。ASR 通常需要音频、采样率和语言;TTS 通常需要文本、音色和目标采样率;流式场景还要明确“输入帧”和“增量事件”的边界。

统一语音服务边界与适配层

接口层应避免暴露某家 SDK 的类名,例如不要让业务代码直接接收 VendorRecognitionResult。一旦供应商类型进入 Controller、领域服务或数据库模型,替换模型就会变成跨层重构。

用统一数据结构覆盖同步与流式调用

下面的 Java 17 示例是可运行的最小契约。MockSpeechService 只是用于验证接口形状,不代表真实识别或合成模型;生产实现可以替换为云服务、本地模型或其他推理服务。

java
import java.util.List;
public class SpeechContractDemo {
    record AsrRequest(byte[] audio, int sampleRate, String language) {}
    record AsrEvent(String text, boolean isFinal) {}
    record TtsRequest(String text, String voice, int sampleRate) {}
    record AudioChunk(byte[] pcm, boolean last) {}
    interface SpeechService {
        AsrEvent recognize(AsrRequest request);
        Iterable<AsrEvent> recognizeStream(Iterable<byte[]> frames, int sampleRate, String language);
        byte[] synthesize(TtsRequest request);
        Iterable<AudioChunk> synthesizeStream(TtsRequest request);
    }
    static final class MockSpeechService implements SpeechService {
        public AsrEvent recognize(AsrRequest request) {
            return new AsrEvent("hello world", true);
        }
        public Iterable<AsrEvent> recognizeStream(Iterable<byte[]> frames, int sampleRate, String language) {
            return List.of(new AsrEvent("hello", false), new AsrEvent("hello world", true));
        }
        public byte[] synthesize(TtsRequest request) {
            return new byte[request.text().length() * 2];
        }
        public Iterable<AudioChunk> synthesizeStream(TtsRequest request) {
            return List.of(new AudioChunk(new byte[4], false), new AudioChunk(new byte[2], true));
        }
    }
    public static void main(String[] args) {
        SpeechService service = new MockSpeechService();
        System.out.println("ASR=" + service.recognize(new AsrRequest(new byte[3200], 16000, "en")).text());
        service.recognizeStream(List.of(new byte[1600], new byte[1600]), 16000, "en")
                .forEach(e -> System.out.println("ASR_STREAM=" + e.text() + "," + e.isFinal()));
        System.out.println("TTS_BYTES=" + service.synthesize(new TtsRequest("hello", "default", 24000)).length);
        service.synthesizeStream(new TtsRequest("hello", "default", 24000))
                .forEach(c -> System.out.println("TTS_CHUNK=" + c.pcm().length + "," + c.last()));
    }
}

预期输出

text
ASR=hello world
ASR_STREAM=hello,false
ASR_STREAM=hello world,true
TTS_BYTES=10
TTS_CHUNK=4,false
TTS_CHUNK=2,true

这个例子同时验证了四种调用形态:整段识别、流式识别、整段合成、流式合成。真实实现只要遵守同一接口,上层代码就不需要知道底层是哪个模型。

把供应商差异关在适配层

适配层负责做三类转换。第一类是输入归一化,例如将业务统一使用的 PCM 16 kHz 转换为某个模型要求的格式。第二类是输出归一化,例如把不同的 partial、final、segment 字段映射成统一 AsrEvent。第三类是异常归一化,把供应商错误映射为业务可判断的错误类型。

错误模型至少应区分参数错误、限流、上游超时和内部故障,并额外保留“是否可重试”。业务层只根据统一错误语义决定重试、降级或提示用户,不读取供应商原始错误码。

流式接口要明确事件语义

流式 ASR 的难点不是把回调改成迭代器,而是规定事件什么时候可以被覆盖。通常 isFinal=false 表示临时假设,可以刷新 UI;isFinal=true 表示稳定片段,可以写入会话记录。TTS 的 last=true 则表示本次合成已经结束,上层可以关闭播放器或释放缓冲区。

生产中还应给每个流式会话分配 requestId,并统一约束帧大小、最大静音时间、取消语义和背压策略。这样 WebSocket、gRPC 或供应商回调都只是传输实现,不会改变业务协议。

验证可替换性

判断封装是否成功,最有效的方法不是看接口是否“漂亮”,而是写第二个实现并直接替换注入对象。如果业务层无需改请求结构、状态判断和错误处理,只修改依赖注入配置就能切换实现,边界才真正稳定。

同时检查日志中是否仍出现供应商专有字段。如果上层日志、数据库或接口响应还保存着某家 SDK 的对象结构,说明抽象泄漏尚未清理干净。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

封装统一 ASR 与 TTS 服务接口

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通