Feature: 为 voiceflow 提供完整的 ws 的音频流解决方案

[cubxxw]

Checklist

• I've searched for similar issues and couldn't find anything matching
• I've discussed this feature request in the telepace Slack and got positive feedback

Is this feature request related to a problem?

✅ Yes

Problem Description

我希望能满足我对 LLM 语音的基础能力，我的项目是 分析是否有一些语音的开源项目，可以很轻松的实现实时翻译，支持集成多个三方的语音平台（实时翻译的云服务） 或者是本地模型训练的实时翻译的 ws 以及 API， 其中可以支持通过ws实时的将翻译的内容返回给前端

Solution Description

1. 新增字段设计

• 音频存储路径 (audio_url)：在系统中新增字段 audio_url，用于存储音频文件的访问路径。当用户录制完语音并通过 VoiceFlow 处理后，生成的音频文件将存储在 MinIO 中，并返回对应的 URL 供前端访问。

2. 优化后的业务流程

1. 用户通过麦克风实时录音
   • 用户点击前端界面上的麦克风按钮开始录音，录音数据通过 WebSocket 实时传递给 VoiceFlow 组件。
2. 语音转文本（STT）
   • VoiceFlow 接收到语音数据后，调用语音转文本（STT）服务，将用户的语音内容转换为文本，并将结果存储到数据库中。
3. 与 LLM 交互
   • 直接将语音对接现用支持音频的 LLM 进行交互，生成智能回复的文本内容。
4. 文本转语音（TTS）
   • LLM 返回的文本结果通过文本转语音（TTS）服务转换为语音，当系统检测到 minio_enabled 为 true 时，生成的音频文件将自动存储到 MinIO 中，并返回文件的 URL。
   • 存储后，系统会返回该音频文件的 URL 地址（即 audio_url），并与会话相关联，记录在数据库中。
5. 将 MinIO 地址返回给前端
   • 后端将生成的 audio_url 返回给前端，前端可选择通过 WebSocket 或 API 获取此地址。用户在调用业务服务的过程中，前端可以使用该地址将 MinIO 中存储的音频文件发送出去或直接访问播放。
6. 语音结果返回用户
   • 前端接收到音频文件的 URL 后，通过音频播放器将 MinIO 中存储的语音文件播放给用户，实现语音交互的闭环。
7. 幂等性保证
   • 系统根据会话 ID 以及音频文件的 audio_url 进行幂等性处理，确保相同的请求不会被重复处理，提升系统的健壮性。

Benefits

解耦开来，并且提供组件级别的能力

Potential Drawbacks

No response

Additional Information

No response