92 lines
2.9 KiB
Go
92 lines
2.9 KiB
Go
package dto
|
|
|
|
import (
|
|
"encoding/json"
|
|
"time"
|
|
)
|
|
|
|
// OpenAITTSRequest 是 /v1/audio/speech 接收的请求体。
|
|
// 仅 input / speed / response_format 实际影响火山侧;
|
|
// voice / model 当前保留接收但不做映射,详见 controller。
|
|
type OpenAITTSRequest struct {
|
|
Model string `json:"model"`
|
|
Input string `json:"input"`
|
|
Voice string `json:"voice"`
|
|
ResponseFormat string `json:"response_format,omitempty"`
|
|
Speed float64 `json:"speed,omitempty"`
|
|
}
|
|
|
|
// V3TTSResponse 是火山 v3 HTTP Chunked 流式响应中每一行的 JSON 结构。
|
|
// Sentence 字段上游有时返回字符串(TTSSentenceStart 里的句文本),有时返回对象
|
|
// ({"phonemes":[...],"text":"...","words":[...]}),用 json.RawMessage 兼容两种形态,
|
|
// 避免任意一种上游变更都导致整行解析失败。
|
|
type V3TTSResponse struct {
|
|
ReqID string `json:"reqid"`
|
|
Code int `json:"code"`
|
|
Message string `json:"message"`
|
|
Event string `json:"event"`
|
|
Sequence int `json:"sequence"`
|
|
Data string `json:"data"`
|
|
Sentence json.RawMessage `json:"sentence,omitempty"`
|
|
IsFinal bool `json:"is_final"`
|
|
Usage *V3Usage `json:"usage,omitempty"`
|
|
}
|
|
|
|
// SentenceText 从 Sentence 提取可读文本:
|
|
// - 字符串直接返回
|
|
// - 对象尝试取 .text 字段
|
|
// - 其它情况返回原始 JSON
|
|
func (r *V3TTSResponse) SentenceText() string {
|
|
if len(r.Sentence) == 0 {
|
|
return ""
|
|
}
|
|
var s string
|
|
if err := json.Unmarshal(r.Sentence, &s); err == nil {
|
|
return s
|
|
}
|
|
var obj struct {
|
|
Text string `json:"text"`
|
|
}
|
|
if err := json.Unmarshal(r.Sentence, &obj); err == nil && obj.Text != "" {
|
|
return obj.Text
|
|
}
|
|
return string(r.Sentence)
|
|
}
|
|
|
|
// V3Usage 由 X-Control-Require-Usage-Tokens-Return 触发,包含计费字符数。
|
|
type V3Usage struct {
|
|
TextWords int `json:"text_words"`
|
|
}
|
|
|
|
// ByteDanceTTSConfig 是 setting 包的全局 TTS 配置,目前只承载鉴权 / URL / 超时;
|
|
// 完整的合成参数见 adapter/volcano.Options。
|
|
type ByteDanceTTSConfig struct {
|
|
ApiKey string
|
|
ResourceId string
|
|
URL string
|
|
Timeout time.Duration
|
|
}
|
|
|
|
// SynthesisResult 是火山适配器向 controller 返回的最终结果。
|
|
// Format 与 AudioData 的实际编码一致;controller 据此设置响应 Content-Type。
|
|
type SynthesisResult struct {
|
|
AudioData []byte
|
|
Format string
|
|
SampleRate int
|
|
ReqID string
|
|
TextWords int // 来自 V3Usage,无 usage 时为 0
|
|
Chunks int // 实际收到的音频 chunk 数
|
|
AudioBytes int // 解码后总字节数
|
|
TTFB time.Duration // 收到首个音频 chunk 的耗时
|
|
Duration time.Duration // 整体合成耗时
|
|
}
|
|
|
|
// SubtitleEntry 描述一个字级时间戳条目(当 enable_subtitle / enable_timestamp 启用时返回)。
|
|
type SubtitleEntry struct {
|
|
Text string
|
|
StartMs int
|
|
EndMs int
|
|
Sequence int
|
|
// 原始事件可能为不同形态,这里只保留通用字段
|
|
}
|