aichat_sdk

一个语音对话 SDK。用户对着麦克风说话，SDK 负责听懂（语音识别）、想清楚（大模型 + 工具）、说出来（语音合成），宿主程序只需要把声音收进来、把声音放出去。

它能做什么

• 像人一样聊天：回复是口语、短句，不念标题、不念符号，适合直接朗读；用户随时插话就能打断
• 会查东西：天气、笑话、联网搜索（微博、搜狗，不用配 key），还能按需接入外部 MCP 工具
• 会用技能：读取本机 ~/.agents/skills 下的技能说明，按里面的指引一步步执行命令，比如查飞书群聊、发消息、看日程
• 会放音乐：本地曲库点歌，边放边推歌词
• 知道时间和地点：公历、农历、临近节日、用户所在城市，都会告诉模型
• 自己结束对话：聊完了或者空闲太久，会说句再见然后关会话

它是怎么工作的

整条链路是一根事件驱动的流水线：

1. 听：麦克风的声音通过 WebSocket 送到独立的 ASR 服务（单独的 asr_server 仓库，识别、断句、声纹都在那边），识别结果回到 SDK
2. 想：识别出的文字交给大模型。模型可以直接回答，也可以先调工具、读技能、执行命令，拿到结果再回答；整个过程流式进行，第一个字出来就开始往下传
3. 说：模型每吐出一点文字就喂给语音合成，合成出的音频编成 Opus 包排进队列
4. 播：宿主从队列里按顺序取消息——识别结果、工具调用、每句话的开始和结束、音频包、歌词、结束信号——自己解码播放

有一条必须遵守的约定：收到音频就把麦克风静音，收到「音频播完」再恢复拾音，否则机器会听见自己说话。

大模型这一层

• 支持任何 OpenAI 兼容的接口，实际用过 DeepSeek 和通义千问
• 系统提示词是模板生成的，把角色人设、当前日期、用户位置、可用技能清单一起注入；提示词专门为语音场景写，要求模型说人话、说短话
• 思考模式按需开关：用户刚说完话的第一次调用不开思考，保证回得快；一旦调过工具，后面的调用就打开思考，让推理过程走单独的通道、不会被念出来（AgentInfo.tool_thinking 可关掉，网页控制台上也有对应勾选框）。这么做是因为某些模型关掉思考后会把「让我先看看」这类内心独白直接写进回复，提示词管不住
• 推理内容会保存在对话记录里，web 页面上折叠显示，方便排查模型为什么这么答

语音合成

• 字节跳动（默认）：服务端双向流式，逐字喂进去就出声，延迟最低；tts_engine="bytedancev1"（默认，简写 v1）或 "bytedancev2"（简写 v2）
• 微软 Edge：免 key，按标点切成小段并发请求，段短所以首包也快
• 小米 MiMo：tts_engine="mimo"，使用 mimo-v2.5-tts 预置音色，按标点分段请求、逐段流式输出 24kHz PCM，支持插话打断

各引擎输出格式一致，切换只需要改一个参数。

从 0.1.0 升级到 0.1.1 时，原 bytedance、v2、bytedancev2 配置改用 bytedancev1（简写 v1）；原 v3、bytedancev3 改用 bytedancev2（简写 v2）。直接导入 TTS 模块时也需同步调整路径，旧 tts/bytedance/ 实现已删除。默认引擎仍使用原来的实现。

可通过 from aichat_sdk import get_tts_engines 查询 SDK 支持的引擎，返回每个引擎的 name、label、aliases 和 default。查询目录无需配置密钥，也不会加载各引擎依赖或发起连接；web 配置台的下拉选项和配置校验均使用该目录。

使用 MiMo TTS

按 MiMo 官方文档 获取 API Key，在环境变量或 .env 中配置：

MIMO_API_KEY=你的小米MiMo密钥
MIMO_TTS_VOICE=mimo_default
# 可选：语气、语速等自然语言指令，不会被朗读
MIMO_TTS_INSTRUCTIONS=用自然、温柔的语气说话
# 可选，默认地址如下
MIMO_BASE_URL=https://api.xiaomimimo.com/v1

使用 .env 时，在导入 SDK 前加载配置（web 配置台已自动加载）：

from dotenv import load_dotenv

load_dotenv()
from aichat_sdk import ChatBot

chat_bot = ChatBot(tts_engine="mimo")

其余初始化、拾音和队列播放流程与现有示例相同；web 配置台也可直接选择 mimo。MIMO_API_KEY 独立于聊天模型的 OPENAI_API_KEY。音色默认 mimo_default，可改为 冰糖、茉莉、苏打、白桦 等预置音色。

MiMo 每次请求接收一段完整文本；SDK 在逗号、句号等停顿处发起请求，段内边收音频边推送，结束时补发未带标点的尾句。当前接入预置音色合成，音色设计和音色克隆模型尚未接入。

怎么试

• 配好 .env：大模型的地址、模型名和 key；用字节 TTS 的话再加它的 App ID 和 Key；ASR 服务地址不改就用默认的本机端口
• 先把 asr_server 跑起来
• 有麦克风和扬声器就运行 tests/test_run_v2.py 直接对话；没有麦克风就运行 tests/test_run.py，它在代码里塞了两句话进去
• 想边聊边改配置，运行 examples/web/main.py，浏览器打开本机 8080 端口：可以换模型、换音色、改人设、开关工具、配外部 MCP，保存后立即生效；页面上还能实时看到每一轮对话、工具调用和模型的思考内容，每轮聊完会自动存一份完整记录

给开发者

要改代码，先看 AGENTS.md：队列和事件的实现细节、MCP 工具怎么注册注销、TTS 会话的生命周期限制、各种踩过的坑都记在那里。