# Product Requirements Document: 语音共创模式增量方案 **Version**: 0.2 **Date**: 2026-04-24 **Author**: Codex (based on founder direction) **Status**: Phase A Alpha / 已进入可演示收束 --- ## Executive Summary DreamWeaver 当前已经具备“输入主题 -> 生成故事/绘本 -> 补全封面/语音 -> 保存回看”的稳定主链路，但它仍然更接近一个“单次提交、单次返回”的生成器。创始人提出的新方向，是把产品进一步升级为一个“孩子能直接用声音参与创作、并在讲述过程中纠正故事走向”的语音共创体验。 这个方向的价值不在于再加一个输入方式，而在于把 DreamWeaver 从“生成结果”推进到“陪伴式创作过程”。孩子不是先写清楚需求再等待结果，而是可以像和讲故事的人对话一样，说出自己想要的角色、情节和变化，系统实时或准实时地接住这些表达，再继续讲下去。 本增量 PRD 最初用于把语音共创定义为一条独立、可评估、可拆阶段落地的产品路线。2026-04-24 更新后，远端 `main` 已经提前跑通 Phase A Alpha：独立 Voice Studio、语音/文本回合、低置信度确认、安全改写、TTS 回复、会话恢复、finalize 保存为 Story，以及接回统一 generation job 的资产补全与 trace。下一步不应继续扩大到 Phase B 实时化，而应先完成 Alpha 验收、真实 ASR Provider 接入、成本/观测补齐，并回到原主线的跨环境 Provider 汇聚、监控告警和断点续跑。 --- ## Roadmap Position ### Decision 语音共创模式已经从 **产品发现与方案设计阶段** 进入 **Phase A Alpha 可演示收束阶段**。 ### Why - 当前主线已经完成统一生成工作流、任务控制、Provider 运营分析、资产补全 trace 和基本恢复能力。 - Phase A 的数据模型、API、Voice Studio 和 finalize 链路已经落地，但仍处于 Alpha；它需要验收、真实 ASR 接入和观测补齐，而不是继续扩大范围。 - Phase B/Phase C 会引入流式 ASR、WebSocket、barge-in 和更高实时性要求，应等 Phase A 的产品价值和稳定性被验证后再启动。 ### Proposed Sequencing 1. 先完成 Phase A Alpha 收束：回归验证、演示清单、验收矩阵和已知限制记录。 2. 补齐真实 ASR Provider、turn 级成本/指标归因、Voice Studio smoke 路径和失败降级验收。 3. 回到生产化主线：跨环境 Provider 汇聚、监控告警、断点续跑与更细粒度任务控制。 4. Phase A 稳定并验证产品价值后，再评估 Phase B 准实时共创。 --- ## Problem Statement ### Current Product State DreamWeaver 当前的核心体验仍然是“家长或用户输入文本指令，系统一次性生成结果”。这条链路已经能稳定支持故事、绘本、封面和语音朗读，但它有三个天然限制： 1. **孩子参与感不够强** 当前孩子更多是内容接收者，而不是创作参与者。 2. **故事方向难以中途修正** 一旦提交生成请求，用户通常只能等待结果，然后再重来，而不是在讲述过程中自然修正。 3. **声音只承担播放，不承担创作交互** 现在的语音能力是 TTS 朗读，是结果层资产，不是输入层或互动层能力。 ### User Problem 对于 3-8 岁孩子来说，“打字描述需求”不是自然交互方式。更符合他们习惯的体验是： - 直接说“我想听一个关于恐龙和月亮的故事” - 讲到一半再说“不要坏人了，我想让小兔子帮它” - 如果系统理解错了，可以马上纠正，而不是整段作废 也就是说，孩子真正需要的不是一个更复杂的表单，而是一个 **能听、能接、能改、能继续讲** 的声音共创伙伴。 --- ## Product Vision DreamWeaver 的语音共创模式应当成为一种“孩子可以开口参与的故事编织方式”： - 孩子用语音说出主题、角色或希望发生的事情 - 系统用温暖的语音回应，并逐步讲出故事 - 孩子在关键节点可以插话、纠正或改写走向 - 系统保留上下文，继续讲述，而不是从头全部重来 - 最终形成一个可以保存、回放、补全插图和沉淀到故事库的正式作品 这个模式本质上把 DreamWeaver 从“故事生成器”升级为“语音驱动的亲子共创体验”。 --- ## User Personas ### Primary Persona: 孩子（3-8 岁） - **Role**: 直接参与讲故事与改故事的人 - **Goals**: - 用说话而不是打字表达想法 - 让故事里出现自己喜欢的角色、动物和发展 - 在听的过程中随时改变剧情 - **Pain Points**: - 难以通过文字清楚描述想法 - 注意力持续时间短，不适合长时间等待 - 如果系统不理解，缺少自然纠正方式 ### Secondary Persona: 家长 / 陪伴者 - **Role**: 陪伴孩子使用、保证内容安全和完成保存的人 - **Goals**: - 让孩子更主动参与故事 - 获得安全、温和、可回放的亲子体验 - 能把共创结果沉淀为正式故事资产 - **Pain Points**: - 担心纯开放对话失控或跑偏 - 担心延迟太高，孩子失去耐心 - 担心故事很有趣但无法保存和复用 ### Tertiary Persona: 产品拥有者 / 系统维护者 - **Role**: 定义体验边界、控制成本与稳定性的人 - **Goals**: - 在儿童安全前提下提供有趣的语音共创体验 - 控制实时语音链路成本和复杂度 - 让新模式尽量复用现有 generation workflow、memory、profile、universe 能力 - **Pain Points**: - 语音链路天然更难做低延迟和可控性 - 需要同时解决识别、推理、朗读和状态同步 - 容易在“实时体验”与“工程稳定性”之间失衡 --- ## Core User Journeys ### Journey 1: 孩子发起一个语音故事 1. 孩子进入“语音共创”模式 2. 点击说话或自动开始收音 3. 说出“我想听一个关于小猫去太空的故事” 4. 系统识别语音、理解意图，并用语音确认 5. 系统开始讲述第一段故事 ### Journey 2: 孩子中途修正故事走向 1. 系统讲到一半 2. 孩子说“不要让它哭了，我想让它找到一个朋友” 3. 系统识别到这是“剧情修正”而不是新的故事请求 4. 系统更新当前故事状态 5. 后续讲述按照新方向继续 ### Journey 3: 结束后保存为正式作品 1. 一轮共创完成后，系统给出标题、摘要和正式文本版本 2. 家长选择“保存到故事库” 3. 系统将共创结果写入现有 Story / Storybook 体系 4. 后续可以补封面、插图、语音缓存和成长记忆 --- ## Product Principles 1. **Voice First，不是 Voice Only** 主要交互靠语音，但关键步骤仍要允许家长看到文本摘要、状态提示和保存入口。 2. **先做可控回合制，再追求完全实时** 第一阶段优先做低风险、可验证的回合式语音共创，而不是一开始就追求复杂的全双工实时对话。 3. **故事状态必须可追踪** 每一次“孩子说了什么、系统如何理解、故事如何被改写”都需要有清晰的会话状态，而不是只保留最终结果。 4. **儿童安全高于自由度** 产品目标是温暖陪伴，而不是无限开放对话。需要控制题材、安全边界和表达风格。 5. **尽量复用现有主干系统** Profile、Universe、Memory、Generation Job、Story 持久化、TTS Provider 等能力优先复用，不另起一套孤立系统。 --- ## Scope Definition ### In Scope for This PRD - 定义语音共创模式的产品目标、交互边界和分阶段路线 - 定义与当前系统的关系和复用策略 - 定义关键功能需求、非功能需求、风险与架构方向 - 明确什么可以作为未来 MVP，什么应延后 ### Out of Scope for Immediate Mainline - 当前 Sprint 立刻开始实现实时语音共创 - 为所有页面全面重做 UI - 一开始就支持多人同时共创 - 一开始就支持完全开放世界、无限长对话 - 一开始就做跨设备实时同步、家庭房间、复杂社交机制 --- ## Functional Requirements ### FR-001: MUST - 用户可以通过语音发起故事共创会话 系统必须支持孩子使用语音表达故事主题、角色或目标，而不是只依赖文字输入。 **Acceptance Criteria** - 提供独立的“语音共创”入口 - 用户可以开始录音、结束录音，并获得识别结果反馈 - 系统能够把一次语音输入解析成结构化创作意图或剧情修正指令 - 当识别失败时，系统给出可理解的重试提示 ### FR-002: MUST - 系统可以区分“新建故事”与“修正走向” 语音输入不能一律视为新的生成请求，系统必须识别当前输入是开启新故事、继续讲述还是修改走向。 **Acceptance Criteria** - 会话中至少支持三类意图：开始、继续、修正 - 修正输入不会默认清空整个已生成故事 - 系统会在内部保留当前故事状态与修正后的新状态 - 用户在听感上能感知“故事接住了刚刚的修改” ### FR-003: MUST - 系统可以用语音回应并继续讲述 语音共创模式下，系统不只返回文字，也必须以语音形式继续讲述故事。 **Acceptance Criteria** - 每轮系统响应可生成可播放语音 - 语音风格默认保持儿童友好、温和、清晰 - 当 TTS 失败时，系统至少保留文本响应，不让会话完全中断 - 语音播放与文本状态能在界面中同步显示 ### FR-004: MUST - 共创过程可以保存为正式故事资产 语音共创不应只是一段即时对话，它必须能在某个节点沉淀为正式故事内容。 **Acceptance Criteria** - 会话结束后可生成正式标题、摘要和正文 - 用户可以选择保存为 Story，后续扩展为 Storybook - 保存后的结果能够进入现有故事库 - 保存后的作品仍可复用现有封面、插图、TTS、Memory 和 Reading Event 流程 ### FR-005: MUST - 系统必须记录语音会话状态 产品必须有独立于最终 Story 的语音会话状态模型，以支持恢复、调试和后续体验优化。 **Acceptance Criteria** - 每次语音共创会话拥有唯一 ID - 至少记录：用户语音转写、系统文本响应、系统语音响应、会话阶段 - 会话中断后可以恢复最近上下文，而不是完全丢失 - 关键节点可映射到可观测事件，便于排障 ### FR-006: SHOULD - 家长可以查看或确认关键改写 考虑儿童表达噪声和误识别，家长应在关键节点拥有轻量确认能力。 **Acceptance Criteria** - 至少提供一个可选的“本轮系统理解为”可视反馈 - 当系统置信度较低时，可提示家长确认或重说 - 家长可选择“保存当前版本”作为正式结果 ### FR-007: SHOULD - 共创过程支持分段生成插图节点 系统应当为未来“边讲边出图”保留能力，但不要求首版立刻做到全量每回合同步出图。 **Acceptance Criteria** - 会话状态模型中为未来插图节点留出扩展点 - MVP 阶段至少支持结束后统一补图 - 后续版本可以基于关键段落触发插图生成 ### FR-008: COULD - 支持故事分叉或“如果这样会怎样”的选择分支 共创模式后续可支持轻量分叉体验，但不作为首版必须项。 **Acceptance Criteria** - 文档中明确分叉能力属于后续增强 - 当前状态模型设计不阻断未来扩展分支结构 --- ## Non-Functional Requirements ### NFR-001: MUST - 首版交互应优先保证响应可接受 - 回合式语音识别结果返回目标：95 分位 <= 2.5 秒 - 系统语音开始播放目标：95 分位 <= 4 秒 - 若无法满足实时级别要求，允许先以“说一句、等一句”的回合式体验上线 ### NFR-002: MUST - 儿童内容安全优先 - 系统需要有儿童场景安全提示词与内容过滤策略 - 对明显不适宜内容、暴力或成人化内容进行拦截或柔性改写 - 需要提供家长可理解的安全降级提示 ### NFR-003: MUST - 成本必须可观测 - ASR、对话生成、TTS 调用应能够分能力记录 - 共创模式需要纳入现有 Provider analytics / cost 体系或其扩展版 - 必须能评估单次会话成本，而不是只有最终故事成本 ### NFR-004: MUST - 会话必须可恢复 - 浏览器刷新、页面切换或短暂断线后，最近会话上下文不能完全丢失 - 至少支持恢复最近一轮会话状态和最后一次系统响应 ### NFR-005: SHOULD - 架构保持可插拔 - ASR、对话模型、TTS 都应沿用 Provider/Capability 思路，而不是写死单一供应商 - 允许首版先只接一套最稳组合，但系统边界要为后续扩展留口 --- ## Recommended Rollout Strategy ### Phase A: 回合式语音共创 MVP **Goal** 验证“孩子用语音发起故事 + 中途修正剧情 + 保存正式故事”是否真的有产品价值。 **Characteristics** - Push-to-talk 或显式录音按钮 - 一次说完一句，系统识别后再回应 - 先输出文本 + TTS，不做复杂打断 - 故事会话结束后保存为正式 Story **Why This First** - 技术风险最低 - 最容易复用当前 generation workflow - 能最快验证孩子是否真的愿意参与“改故事” ### Phase B: 低延迟准实时共创 **Goal** 让对话更像自然讲故事，而不是轮流发消息。 **Characteristics** - 引入流式 ASR - 允许系统分段说、用户分段打断 - 引入更细粒度的会话状态和中间故事状态 ### Phase C: 实时沉浸式语音陪伴 **Goal** 把 DreamWeaver 升级为更连续的声音陪伴系统。 **Characteristics** - 更自然的 barge-in - 多轮上下文记忆更稳定 - 关键段落插图联动 - 更丰富的角色语气、音色和故事节奏控制 --- ## Architecture Direction ### Recommended Architecture 首版推荐采用 **“语音会话层 + 现有生成主干复用”** 的增量架构，而不是重写整套系统。 #### 1. 新增 Voice Session 层 新增独立的语音会话概念，用于管理： - 当前会话 ID - 当前轮次 turn - 每轮用户语音转写 - 每轮系统文本回应 - 每轮系统语音回应 - 当前故事状态摘要 - 当前修正意图 建议未来新增的数据对象包括： - `voice_sessions` - `voice_turns` - `voice_story_snapshots` 或等价状态字段 #### 2. 复用现有主干能力 以下能力应优先复用： - `profiles` / `universes` - memory context 构建 - 统一 generation workflow - Story / Storybook 持久化 - TTS Provider Router - generation job / generation event 可观测机制 #### 3. 新增 ASR / Dialogue Orchestrator 能力 当前系统已有 `text` / `image` / `tts` / `storybook` capability，但 **没有输入侧语音识别能力**。未来至少需要新增： - `asr` 或 `speech_input` capability - 会话级 story planner / dialogue orchestrator 这里的核心不是单纯“把语音转文字”，而是让系统理解： - 这是新故事还是修正 - 修正的是角色、风格还是情节 - 该在当前故事哪一层生效 #### 4. 首版通信建议 首版不要一开始就强依赖 WebRTC 或复杂全双工实时架构，建议先使用： - 前端录音上传 - 后端异步识别与生成 - 前端轮询或 SSE 获取本轮结果 等 MVP 价值被验证后，再考虑： - WebSocket - Realtime API - WebRTC --- ## Model Capability Guidance 本 PRD 不锁死具体供应商，但建议能力分层如下： | Capability | Role | 首版建议 | | --- | --- | --- | | `speech_input` | 语音转写 | 选择低延迟、儿童普通话识别稳定的 ASR 方案 | | `dialogue_orchestrator` | 判断用户意图、维护故事状态、决定下一段叙事 | 选择低延迟、指令遵循稳定的对话模型 | | `story_generation` | 生成正式叙事段落与收束文本 | 优先复用现有稳定文本模型 | | `tts` | 讲述输出 | 优先复用当前已接通的 TTS Provider 体系 | ### Practical Recommendation - **首版优先稳定组合，不追求最先进组合** - **优先验证体验价值，再做多 Provider 优化** - **如果需要低延迟实时感，可在第二阶段单独引入 realtime 类模型** --- ## Key Gaps vs Current Architecture 当前架构 **可以支撑语音共创方向**，但还不能直接无痛实现，主要差距有： 1. **没有语音输入能力层** 现在只有 TTS，没有 ASR / STT。 2. **没有会话态故事模型** 现在更像“提交任务 -> 等结果”，缺少持续共创 session。 3. **没有剧情修正语义** 当前重试和取消针对 job，不针对“故事中途被改写”。 4. **没有低延迟链路设计** 当前 worker 化设计适合生成任务，不适合直接承载高频实时会话。 5. **没有儿童语音场景安全机制** 需要额外的识别置信度、内容边界和家长确认机制。 --- ## Risks and Blockers ### Risk 1: 延迟过高，孩子失去耐心 如果每次说完都等待太久，产品体验会从“共创”退化成“多轮卡顿提交”。 **Mitigation** - MVP 先做短回合 - 优先压低首响应延迟 - 必要时让系统先做简短确认，再继续讲长段内容 ### Risk 2: 语音识别错误导致故事跑偏 儿童语音、环境噪音和吐字不清会显著增加误识别。 **Mitigation** - 低置信度时进行轻量确认 - UI 中显示“系统理解为” - 允许家长快速纠正 ### Risk 3: 开放对话导致内容不可控 孩子的表达可能跳跃，系统也可能走向不适合儿童的内容。 **Mitigation** - 强化儿童安全 prompt - 限定世界观和风格边界 - 对危险输入进行柔性改写或拒绝 ### Risk 4: 实时架构过早引入，打乱当前主线 如果还没验证价值就上 WebRTC / 全双工，会显著增加工程复杂度。 **Mitigation** - 先做回合式 MVP - 先验证留存和参与感 - 价值成立后再升级实时架构 --- ## MoSCoW Prioritization ## Phase A Alpha Acceptance Snapshot（2026-04-24） | Requirement | Status | Evidence | Next Action | | --- | --- | --- | --- | | FR-001 语音发起故事共创会话 | Alpha Done | `VoiceStudio` 已提供独立入口，支持录音上传回合和文本 fallback；后端有 `POST /api/voice-sessions/{id}/turns` | 用真实儿童表达样本补演示 smoke | | FR-002 区分开始、继续、修正 | Alpha Done | turn service 已按 `start/continue/correct` 更新会话状态，修正不会清空整段故事 | 增加更多真实儿童表达样本验收 | | FR-003 系统语音回应并继续讲述 | Alpha Done | 每轮生成 assistant 文本后调用 TTS，TTS 失败保留文本响应 | 记录 TTS 延迟与失败率到更细指标 | | FR-004 保存为正式故事资产 | Alpha Done | `finalize` 已持久化 Story，并返回 `generation_job_id` 接回封面资产补全 trace | 补 finalize 后故事库/详情页端到端 smoke | | FR-005 记录语音会话状态 | Alpha Done | 已有 `voice_sessions / voice_turns / voice_session_events`，前端展示最近 turn 与事件 | 补 turn 级成本与 Provider 归因 | | FR-006 家长确认关键改写 | Alpha Done | 低 `transcript_confidence` 或 `intent_confidence` 会触发确认，支持继续、重说、改文本 | 打磨确认文案和移动端操作密度 | | FR-007 分段插图节点 | Partial | 当前支持结束后统一封面补全，并为 asset job 接回统一 trace | 后续评估关键段落插图，不进当前 P0 | | FR-008 分支剧情 | Deferred | 当前状态模型不阻断未来扩展，但未实现分叉体验 | 保持 P2，Phase A 不做 | | NFR-001 响应可接受 | Needs Measurement | 回合式体验已实现，但尚无 p95 指标采集 | 加入 ASR/TTS/turn 编排耗时埋点 | | NFR-002 儿童内容安全 | Alpha Done | 已新增用户转写安全检查、assistant 柔性改写和 `safety_flags` 事件 | 扩充安全样本和误伤回归 | | NFR-003 成本可观测 | Partial | generation job/provider analytics 已覆盖资产补全；voice turn 级 ASR/TTS 成本仍需细化 | 把 ASR/Dialogue/TTS 成本写入 turn/event metadata | | NFR-004 会话可恢复 | Alpha Done | Voice Studio 支持最近会话恢复和 active session 查询 | 补刷新/切页手动验收记录 | | NFR-005 架构可插拔 | Alpha Done | ASR 已纳入 `asr` Provider capability，默认 demo fallback，可配置 `openai_asr` | 后续补更多 ASR provider 与管理端体验 | ### Alpha Exit Criteria - 后端测试、前端构建、管理端构建和 Docker smoke 在当前环境可重复通过。 - Voice Studio 手动路径覆盖：创建会话、文本 fallback、录音回合、低置信度确认、重说/改文本、finalize、故事库回看、资产 trace。 - 真实 ASR Provider 至少完成一个可配置适配器，并保留 demo fallback。（已接入 `openai_asr`，待真实 Key 环境验收） - turn 级事件至少能区分 ASR、Dialogue、TTS、Safety、Confirmation、Finalize 和 Asset Generation。 - PRD、技术方案、演示 checklist 与当前实现保持一致。 ### Must Have - 语音发起故事 - 语音修正剧情走向 - 系统语音回应 - 会话状态落库或可恢复 - 保存为正式故事 - 儿童安全边界 ### Should Have - 家长低置信度确认 - 分阶段插图补全 - 会话成本统计 - 与现有 analytics 打通 ### Could Have - 分支剧情 - 角色多音色切换 - 更自然的打断式实时对话 ### Won't Have in MVP - 多人实时共创 - 完整开放世界长时对话 - 复杂社交分享房间 - 首版就做跨端同步协作 --- ## Success Metrics ### Product Metrics - 语音共创发起成功率 >= 90% - 首轮系统语音响应开始时间中位数 <= 3 秒 - 至少一次剧情修正被成功接住的会话占比 >= 60% - 会话后保存为正式故事的比例 >= 40% ### Experience Metrics - 内部评审中，80% 以上样本能明显感受到“孩子参与改变了故事” - 家长主观反馈中，“比纯文字生成更适合孩子参与”的比例 >= 70% ### Technical Metrics - 单会话成本可拆解到 ASR / 对话 / TTS - 最近会话恢复成功率 >= 95% - 关键失败都能映射到可观测事件 --- ## Open Questions 1. 首版是否只支持普通故事，不支持绘本共创？ 2. 首版是否允许孩子自由说，还是需要半结构化引导句式？ 3. 家长确认机制默认开启还是仅在低置信度时触发？ 4. 正式保存时，是只保存最终版本，还是同时保留关键修正轨迹？ 5. 是否需要单独的“语音共创故事”内容类型，还是复用现有 Story 即可？ --- ## Final Recommendation 语音共创模式是一个值得做、也确实能把 DreamWeaver 从“工作流完整”再往上推一层的方向，但它不应该现在就直接插队主开发线。 最合理的做法是： 1. 把它作为独立增量 PRD 固化下来 2. 将其定位为下一波产品升级方向，而不是当前 Sprint 任务 3. 未来先从“回合式语音共创 MVP”开始 4. 复用现有生成主干，新增 voice session 层，而不是另起一套平行系统 这样既能保持当前 PRD 主线不被打断，也能确保后续做语音共创时，我们是在按计划推进，而不是临时起意。