# 技术方案：语音共创 Phase A MVP

**Version**: 0.1  
**Date**: 2026-04-19  
**Status**: Draft / Companion to `voice-co-creation-mode-incremental-prd.md`

---

## 1. 目标

这份技术方案用于把 [语音共创模式增量 PRD](../product/voice-co-creation-mode-incremental-prd.md) 收敛成一个可实现的 Phase A MVP。

## 0. 当前实现快照（2026-04-20）

远端 `main` 已经跑通以下 Phase A 主链路：

- 独立 Voice Studio 入口页与最近会话恢复
- `voice_sessions / voice_turns / voice_session_events` 数据模型与 API
- 文本 fallback 回合、录音上传回合、turn 轮询结果查询
- turn 级语音补发、失败重试、会话 abandon、finalize -> Story 持久化
- 会话事件记录与最近 turn / 最近事件展示

本轮新增收束：

- 当 `transcript_confidence` 或 `intent_confidence` 偏低时，后端优先返回确认提示，而不是直接把这一轮写进故事正文
- 前端明确展示“本轮系统理解为”与“建议家长确认后再继续”提示
- 低置信度确认链路已有后端测试覆盖，可作为下一阶段继续接 ASR 与更细确认交互的基础

Phase A 的核心目标不是做“完全实时的语音陪伴”，而是验证以下最小闭环：

1. 孩子可以用语音发起一个故事
2. 孩子可以在中途用语音修正故事走向
3. 系统能用语音回应并继续讲述
4. 会话结束后可以保存为正式故事，进入现有故事库

这一步必须尽量复用现有统一生成工作流、Profile、Universe、Memory、TTS 与故事持久化主干，而不是重新搭一套平行系统。

---

## 2. 非目标

Phase A 明确不做以下内容：

- 不做 WebRTC / 全双工实时通话
- 不做复杂 barge-in（系统说到一半被自然打断）
- 不做多人共创
- 不做绘本共创主链路
- 不做每回合即时插图生成
- 不把 ASR / Realtime 能力立刻并入当前 admin Provider 配置面板

换句话说，Phase A 是一个 **回合式 voice session MVP**，不是最终形态。

---

## 3. 推荐体验形态

### 3.1 交互模式

- 前端提供独立“语音共创”入口
- 用户按住说话或点击开始录音
- 一次提交一段语音
- 后端完成：转写 -> 意图识别 -> 更新故事状态 -> 生成回复 -> 合成语音
- 前端轮询或 SSE 获取这一轮结果
- 播放系统语音并展示文本摘要
- 进入下一轮

### 3.2 为什么先做回合式

- 与现有 `generation_job` + 轮询模式更一致
- 更容易做会话恢复和状态排障
- 对延迟要求低于全双工实时
- 能先验证“孩子是否愿意用语音改故事”

---

## 4. 与现有系统的关系

### 4.1 可以直接复用的能力

- `users`
- `child_profiles`
- `story_universes`
- `build_enhanced_memory_context`
- `stories`
- `generation_jobs` / `generation_job_events`
- `text` 能力对应的现有文本模型
- `tts` Provider Router
- 现有故事库、故事详情页和后续资产补全链路

### 4.2 当前明显缺失的能力

- 语音输入识别（ASR / STT）
- 会话级状态模型
- “剧情修正”语义解析
- 会话级可观测事件
- 从 voice session 保存为正式 Story 的收束服务

---

## 5. 核心设计原则

1. **会话先于结果**  
   语音共创首先是一个 session，不是一次性 generation request。

2. **最终结果仍然落到 Story**  
   voice session 是过程对象，Story 才是最终可回看、可补资产、可沉淀记忆的正式对象。

3. **过程状态与结果状态分离**  
   `voice_sessions` 管过程，`stories` 管正式结果，避免把会话噪音直接污染正式故事结构。

4. **先复用 `text` / `tts` 主干，再决定是否拆新 capability**  
   首版把复杂度压到最小，不急着把所有新能力都映射进 admin Provider 面板。

5. **首版允许“文本可用但语音失败”降级**  
   这与当前 DreamWeaver 主结果优先可读的原则一致。

---

## 6. 数据模型建议

## 6.1 `voice_sessions`

用于承载一个完整的语音共创会话。

**建议字段**

- `id: str`
- `user_id: str`
- `child_profile_id: str | None`
- `universe_id: str | None`
- `status: str`
- `target_mode: str`  
  Phase A 固定为 `story`
- `current_turn_index: int`
- `working_title: str | None`
- `story_state: dict`
- `latest_user_transcript: str | None`
- `latest_assistant_text: str | None`
- `final_story_id: int | None`
- `last_error: str | None`
- `created_at`
- `updated_at`

**`story_state` 建议结构**

```json
{
  "premise": "小猫去太空",
  "characters": ["小猫", "月亮朋友"],
  "tone": "温暖冒险",
  "beats": [
    "准备出发",
    "遇到困难",
    "得到帮助"
  ],
  "narrative_segments": [
    "第一段故事",
    "第二段故事"
  ],
  "latest_direction": "不要让它哭，给它一个朋友",
  "safety_flags": []
}
```

### 6.2 `voice_turns`

用于记录会话中的每一轮输入与响应。

**建议字段**

- `id: str`
- `session_id: str`
- `turn_index: int`
- `status: str`
- `user_audio_path: str | None`
- `user_transcript: str | None`
- `transcript_confidence: float | None`
- `detected_intent: str`
- `intent_confidence: float | None`
- `story_patch: dict`
- `assistant_text: str | None`
- `assistant_audio_path: str | None`
- `assistant_duration_ms: int | None`
- `error_message: str | None`
- `created_at`
- `updated_at`

**`detected_intent` 首版建议值**

- `start_story`
- `continue_story`
- `correct_story`
- `end_story`
- `save_story`
- `unknown`

### 6.3 `voice_session_events`

建议新增轻量 append-only 事件表，而不是强行复用 `generation_job_events`。

原因很简单：

- `generation_job_events` 的主语是“后台生成任务”
- `voice_session_events` 的主语是“语音会话过程”

二者关注点不同，不应混在一个表里。

**建议字段**

- `id: int`
- `session_id: str`
- `turn_id: str | None`
- `event_type: str`
- `status: str`
- `message: str | None`
- `event_metadata: dict`
- `created_at`

### 6.4 为什么首版不单独建 `voice_story_snapshots`

首版先把故事中间态压缩进 `voice_sessions.story_state` 和 `voice_turns.story_patch` 即可。

如果后续需要：

- 可回滚到任意 turn
- 支持剧情分支
- 做更复杂的 diff / merge

再考虑独立 `voice_story_snapshots` 表。

---

## 7. 状态机建议

## 7.1 Session 状态

**建议值**

- `draft`
- `active`
- `processing_turn`
- `waiting_user`
- `finalizing_story`
- `completed`
- `abandoned`
- `failed`

**状态含义**

- `draft`: 会话已创建但还没有第一轮输入
- `active`: 已进入共创流程
- `processing_turn`: 正在处理某一轮语音
- `waiting_user`: 系统已经返回，等待下一轮输入
- `finalizing_story`: 正在把会话收束为正式 Story
- `completed`: 已完成并成功保存
- `abandoned`: 用户主动结束但未保存
- `failed`: 当前会话不可继续，需要用户重新开始

## 7.2 Turn 状态

**建议值**

- `received`
- `transcribing`
- `intent_resolved`
- `narrative_ready`
- `audio_ready`
- `failed`

---

## 8. API 草图

## 8.1 创建会话

`POST /api/voice-sessions`

**Request**

```json
{
  "child_profile_id": "profile-id",
  "universe_id": "universe-id",
  "target_mode": "story"
}
```

**Response**

```json
{
  "id": "session-id",
  "status": "draft",
  "target_mode": "story",
  "current_turn_index": 0,
  "final_story_id": null
}
```

## 8.2 查询会话详情

`GET /api/voice-sessions/{session_id}`

返回：

- session 基础信息
- 当前 `story_state`
- 最近若干 turn
- 是否可继续
- 是否可保存

## 8.3 提交一轮语音输入

`POST /api/voice-sessions/{session_id}/turns`

建议首版使用 `multipart/form-data`：

- `audio_file`
- `duration_ms`
- `client_turn_id`（可选）

如果后续为了调试和降级，也可以兼容：

- `transcript_text`

**Response**

```json
{
  "turn_id": "turn-id",
  "session_id": "session-id",
  "status": "received"
}
```

后续由前端轮询 turn 或 session detail。

## 8.4 查询 turn 结果

`GET /api/voice-sessions/{session_id}/turns/{turn_id}`

返回：

- `user_transcript`
- `detected_intent`
- `assistant_text`
- `assistant_audio_url` 或音频状态
- `status`

## 8.5 结束并保存为正式故事

`POST /api/voice-sessions/{session_id}/finalize`

**Request**

```json
{
  "save_story": true,
  "generate_cover": true,
  "generate_final_audio": false
}
```

**Response**

```json
{
  "session_id": "session-id",
  "status": "completed",
  "story_id": 123,
  "generation_job_id": "optional-asset-job-id"
}
```

## 8.6 放弃会话

`POST /api/voice-sessions/{session_id}/abandon`

用于显式结束但不保存。

---

## 9. 后端处理链路

## 9.1 一轮 turn 的推荐处理顺序

1. 接收语音文件
2. 创建 `voice_turns` 记录，状态为 `received`
3. 保存原始音频文件到会话目录
4. 调用 ASR，更新 `user_transcript`
5. 调用意图解析 / 对话编排器，得到：
   - `detected_intent`
   - `story_patch`
   - `assistant_text`
6. 将 `story_patch` 合并进 `voice_sessions.story_state`
7. 调用 TTS 生成本轮系统回应语音
8. 更新 turn 为 `audio_ready` 或 `narrative_ready`
9. 更新 session 为 `waiting_user`

## 9.2 为什么首版不直接放进 Celery worker 主链路

当前 `generation_jobs` 很适合“提交一个任务，然后后台处理较长流程”，但语音共创 turn 的特点是：

- 频率更高
- 单轮更短
- 更接近交互而不是离线任务

因此首版建议：

- turn 处理由应用层直接编排
- 必要时用短后台任务或轻量异步任务承接
- 只有最终“保存为正式故事 + 补资产”再接回现有 generation 主干

## 9.3 最终收束为 Story 的方式

当用户选择 finalize 时：

1. 把 `story_state.narrative_segments` 合并为最终正文
2. 生成标题和摘要
3. 写入 `stories`
4. 若需要封面或正式整篇朗读音频，再触发已有资产补全链路

首版建议不要让 finalize 再走完整“文本生成主任务”，因为正文已经在会话中逐步生成出来了。

---

## 10. Provider 与模型接入建议

## 10.1 Phase A 的最小能力分层

### A. ASR

新增会话内语音转写能力。

**建议**

- Phase A 先接单一稳定供应商
- 暂不并入当前 admin Provider CRUD
- 先通过配置文件或单独 service 封装

理由是：

- 当前 admin Provider 只有 `text/image/tts/storybook`
- 如果一开始把 `asr` 也并进全套管理能力，改动面会大很多

### B. Dialogue Orchestrator

首版建议直接复用当前 `text` capability，而不是另开一套 provider type。

对 orchestrator 来说，我们更需要：

- 意图识别稳定
- 遵循结构化输出
- 能基于已有 `story_state` 生成下一段文本

这本质上仍然可以由现有文本模型承担。

### C. TTS

直接复用当前 `tts` Provider Router。

### D. Final Story Asset Generation

继续复用已有 story asset completion 逻辑。

---

## 11. 文件与存储建议

### 11.1 音频文件目录

建议新增目录：

`storage/voice_sessions/<session_id>/`

目录下可包括：

- `turn-001-user.webm`
- `turn-001-assistant.mp3`
- `turn-002-user.webm`
- `turn-002-assistant.mp3`

### 11.2 为什么不直接复用 story audio cache

因为二者语义不同：

- `story audio cache` 是正式故事整篇或固定文本的可复用结果
- `voice session audio` 是会话过程资产

不应混存。

---

## 12. 安全与家长控制

Phase A 至少要有以下机制：

1. **儿童内容安全 prompt**
2. **转写后文本安全检查**
3. **低置信度识别提示**
4. **必要时家长可见的“系统理解为”**

### 首版推荐策略

- 默认不要求每轮家长确认
- 当 `transcript_confidence` 或 `intent_confidence` 低于阈值时，再提示确认
- 如果内容越界，则给出柔性改写或安全拒绝

---

## 13. 可观测性建议

### 13.1 需要记录的关键事件

- `session_created`
- `turn_received`
- `turn_transcribed`
- `intent_resolved`
- `story_state_updated`
- `assistant_text_ready`
- `assistant_audio_ready`
- `session_finalizing`
- `session_saved_as_story`
- `session_failed`

### 13.2 成本记录建议

Phase A 就应该按 turn 记录：

- ASR 成本
- 对话生成成本
- TTS 成本

这部分后续可以汇总到新的语音共创 analytics，而不是一开始就挤进现有故事生成 dashboard。

---

## 14. 前端建议

### 14.1 Phase A 最小 UI

- 独立入口页或 modal
- 录音按钮
- 当前会话卡片
- 本轮识别文本
- 系统文本回应
- 系统音频播放按钮
- “继续说”按钮
- “保存到故事库”按钮

### 14.2 状态反馈必须有

至少显示：

- 正在转写
- 正在理解故事走向
- 正在讲述
- 本轮失败，可重试

### 14.3 恢复策略

页面重新打开后：

- 如果存在 `active / waiting_user` session，优先恢复最近会话
- 展示最近一轮系统回应
- 允许继续说或结束保存

---

## 15. 推荐实现顺序

### Step 1

- 新增 `voice_sessions`
- 新增 `voice_turns`
- 新增 `voice_session_events`
- 新增基础 schema

### Step 2

- 新增会话 API
- 新增 turn API
- 打通音频文件存储

### Step 3

- 接入 ASR
- 实现 turn 编排 service
- 复用现有 `text` 与 `tts` 能力

### Step 4

- 实现 finalize -> Story 持久化
- 接入现有故事库入口

### Step 5

- 补最小 UI
- 补会话恢复
- 补日志和成本记录

---

## 16. 测试建议

### 单元测试

- `story_patch` 合并逻辑
- 意图映射逻辑
- finalize 正文拼接逻辑

### API 集成测试

- 创建会话
- 提交 turn
- 查询 turn
- 恢复会话
- finalize 为 Story

### 失败场景测试

- ASR 失败
- TTS 失败但文本成功
- 低置信度输入
- finalize 重复提交

---

## 17. 当前最合理的技术判断

如果目标是“尽快验证孩子能否通过声音共创故事”，那么最合理的 Phase A 路线是：

1. 新增 `voice session` 层，而不是修改现有 `generation_jobs` 去硬扛会话语义
2. 复用现有 `text` 与 `tts` 主干，不急着把所有新能力都产品化成新的 Provider 管理界面
3. 先做回合式体验，不做复杂实时双工
4. 最终结果仍然沉淀为 `Story`，继续接入已有故事库、资产补全和记忆系统

这条路线的优点是：

- 架构增量最小
- 与当前 DreamWeaver 主线一致
- 既能验证产品价值，也不会过早引入过重的实时系统复杂度

---

## 18. 下一步建议

如果这份技术方案方向确认无误，下一轮最值得继续做的是两件事之一：

1. 把 `voice_sessions / voice_turns / voice_session_events` 进一步细化成数据库迁移草案
2. 把 Phase A 的 API request/response schema 写成后端伪代码或 OpenAPI 草图

相比直接写实现代码，这两步能更稳地把范围钉住。