Voice Gateway

test 一个可配置的一体化语音网关，统一管理文生语音（TTS）与语音识别（ASR），支持一键启动、标准化接口与 OpenAI 兼容接口。

apidoc.md

功能概览

• TTS 标准化接口 /v1/tts，支持 text | clone | mix | prompt_voice
• 上传参考音频克隆 /v1/tts/clone_upload
• OpenAI 兼容 TTS /v1/audio/speech
• ASR 文件识别 /v1/asr
• ASR 流式识别 /v1/asr/stream（WebSocket）
• OpenAI 兼容 ASR /v1/audio/transcriptions
• YAML 配置驱动，支持自动拉起上游服务

快速启动

分别两个终端

终端 1，Windows PowerShell，启动 CosyVoice：

cd D:\Users\viaco\PycharmProjects\CosyVoice
..venv\Scripts\python.exe api.py

终端 2，WSL，启动网关：

  cd /mnt/d/Users/viaco/tools/voice                                                                                                                                  
  source .venv/bin/activate                                                                                                                                          
  export PYTHONPATH=$PWD                                                                                                                                             
  export VOICE_CONFIG_PATH=config/services.yaml                                                                                                                      
  uvicorn src.voice_service.main:app --host 0.0.0.0 --port 8000      

一条命令

 cd /mnt/d/Users/viaco/tools/voice
  ./scripts/start_all.sh

其他运行命令 run.md

默认配置在 config/services.yaml，可切换 provider、端口、启动方式。

降级wetext 代表缺包 需要 pip install -r requirements.txt

配置示例

config/services.yaml 中包含：

• gateway：网关监听与默认 provider
• providers：TTS provider 列表
• asr_gateway / asr_providers：ASR provider 列表
• voice_presets / style_presets：音色与提示词映射

TTS 调用示例

curl --noproxy '*' -X POST http://127.0.0.1:8000/v1/tts \
  -H 'Content-Type: application/json' \
  -d '{"text":"你好，这是标准化接口测试。","provider":"cosyvoice_local","mode":"text","voice_id":"default_female","format":"wav","use_cache":false}'

上传克隆音色：

curl --noproxy '*' -X POST http://127.0.0.1:8000/v1/tts/clone_upload \
  -F 'text=这是上传参考音频后的克隆测试' \
  -F 'provider=cosyvoice_local' \
  -F 'format=wav' \
  -F 'reference_text=这是参考音频对应文本' \
  -F 'reference_audio=@/abs/path/reference.wav'

OpenAI 兼容 TTS：

curl --noproxy '*' -X POST http://127.0.0.1:8000/v1/audio/speech \
  -H 'Content-Type: application/json' \
  -d '{"model":"tts-1","input":"这是一段 OpenAI 兼容格式的测试。","voice":"default_female","response_format":"wav"}' \
  --output out.wav

ASR 调用示例

文件识别：

curl --noproxy '*' -X POST http://127.0.0.1:8000/v1/asr \
  -F 'provider=mock_asr' \
  -F 'language=zh' \
  -F 'audio=@/abs/path/audio.wav'

OpenAI 兼容识别：

curl --noproxy '*' -X POST http://127.0.0.1:8000/v1/audio/transcriptions \
  -F 'file=@/abs/path/audio.wav' \
  -F 'language=zh' \
  -F 'provider=local_whisper'

流式识别（WebSocket）：

• 连接：ws://127.0.0.1:8000/v1/asr/stream
• 协议：start → 多次 audio → end

{"event":"start","provider":"local_whisper","language":"zh","format":"wav","segment_seconds":2.0}
{"event":"audio","audio_base64":"..."}
{"event":"end"}

本地 Whisper

local_whisper 由 faster-whisper 驱动，需要额外依赖与模型下载。

启用方式：

asr_gateway:
  default_provider: local_whisper

asr_providers:
  local_whisper:
    engine: local_whisper
    enabled: true

文档

• 接口文档：md/apidoc.md
• 启动说明：md/startup.md
• CosyVoice 接入：md/CosyVoice_run.md

运行环境

• Python 3.10+
• 依赖见 requirements.txt