# mcp/asr — 语音识别服务 一个容器,两个入口,共用同一套转写实现: | 入口 | 谁在用 | 说明 | |---|---|---| | `POST /transcribe` | `agent-core` 的 `/api/asr/transcribe`(H5 输入框) | 普通 HTTP,音频二进制进、`{text}` 出。**不经过模型、不消耗 token、1~3s** | | `POST /mcp` | 模型(MCP 工具 `transcribe_audio`) | 转写任务目录里已有的音频,参数是公网 URL(与 `video_task` 的 `image_url` 同构) | | `GET /health` | compose healthcheck | `{ok, service}`(无状态服务,不反映上游配置) | 端口 `3000` **只在 `agent-mcp-net` 内网**,不映射宿主机——本服务自身没有鉴权,暴露即被白嫖。 对外唯一入口仍是 `agent-core`(`/api/asr` 走登录态鉴权)。 ## 为什么不是「录音 → 上传附件 → 模型调工具」 那要额外一次完整模型往返(3~10s + token),识别结果落进聊天记录而不是输入框,用户还没法改错字。 输入法级别的功能必须绕开模型;`/mcp` 那个口只留给「转写一段已上传的录音」这种低频需求。 ## 部署 ```bash # 1) 配上游:写进仓库根 config.yml 的 mcp_servers(与 image_task 同构),容器不存任何密钥 # - name: asr # url: "http://mcp_asr:3000/mcp" # headers: # Authorization: Bearer # 免鉴权的自建服务可省 # X-ASR-Base-Url: "https:///v1" # X-ASR-Model: "whisper-1" # mode: skill # 2) 起服务 docker compose up -d --build mcp_asr docker compose restart agent-core # core 要在启动时读到 config.yml 与 ASR_URL curl -s http://127.0.0.1:8090/api/asr/status # {"enabled":true,...} ``` `agent-core` 的环境变量 `ASR_URL`(compose 里固定为 `http://mcp_asr:3000`)是部署接线; 真正的开关是 config.yml 里那段 `asr`:置为 `mode: disable` 或删掉 = 不启用,`/api/asr/*` 回 503, 前端不显示麦克风按钮。 > 从旧版升级:以前上游 key 写在根 `.env` 的 `ASR_API_KEY`(并默认复用 `BIGMODEL_KEY`), > 现在容器不再读它。把原来那三个值搬到 `config.yml` 的 `asr.headers` 即可,`.env` 里那行可以删掉; > 不搬的话语音入口会自动关闭(`GET /api/asr/status` 会返回具体 `reason`)。 ## 上游 任何 OpenAI 兼容的 `/audio/transcriptions` 都能用。**本服务不保存、也不预设任何平台**: key / base_url / model 全部由调用方随每个请求用 header 带入(与 `image_task` 同构)。 | Header | 必填 | 说明 | |---|---|---| | `X-ASR-Base-Url` | 是 | 上游地址,如 `https:///v1`(服务自己拼 `/audio/transcriptions`) | | `X-ASR-Model` | 是 | 模型名,如 `glm-asr` / `whisper-1` | | `Authorization` | 否 | `Bearer `;写成裸 key 也会自动补 `Bearer `;免鉴权的自建服务可省 | `agent-core` 从 `config.yml` 的 `mcp_servers[name=asr].headers` 取这三个头,两条入口(`/transcribe` 与 `/mcp`)共用同一处配置——所以换平台只改 YAML + 重启 core,不碰 `.env`、不重建镜像。 缺 `X-ASR-Base-Url` / `X-ASR-Model` 时回 503,并在错误文案里指出缺哪个。 常驻内存约 35~40MB,CPU 基本为 0。没有本地模型可选:2 vCPU / 2GB 的机器跑不动能用的 whisper(固定 30 秒窗口,`small` 单次要 15~30 秒),需要私有化就把这个容器放到另一台机器, 只改 core 的 `ASR_URL` 指向它。 ## HTTP 接口 ```bash # 任意格式(webm / mp4 / mp3 / wav / ogg / aac / flac),服务端用 ffmpeg 归一化 curl -s -X POST http://mcp_asr:3000/transcribe \ -H 'Content-Type: audio/webm' \ -H 'X-ASR-Base-Url: https:///v1' \ -H 'X-ASR-Model: whisper-1' \ -H 'Authorization: Bearer ' \ --data-binary @voice.webm # → {"text":"打开今天的日报","ms":842,"model":"whisper-1"} ``` - 上限 20MB。**只有超过 `ASR_MAX_CHUNK_SEC`(默认 25s)才切**:套壳是流式的,一次请求本就是一�句话, 直接一次送出去(不跑静音检测);长音频(浏览器整段上传 / `/mcp`)才需要断开。 - 切点尽量落在停顿上:只在距上限最后 `ASR_CUT_LOOKBACK_SEC`(默认 6s)的窗口里找静音区间中点, 挑不到才硬切——硬切会把字劈成两半,而两段之间没有上下文,接缝处的字就丢了。 段数因此最少(≈ 时长/25),不存在“切太碎”的退化。单段不短于 `ASR_MIN_SEG_SEC`(默认 1s)。 - 单段失败不连坐:其余段照常返回(长录音里偶发静音段很常见);**全部**段失败才报错。 - 同时最多 `ASR_MAX_CONCURRENT`(默认 2)个转写请求,超了回 429。 ## MCP 工具 ```yaml # config.yml mcp_servers: - name: asr url: "http://mcp_asr:3000/mcp" headers: # 上游参数随请求带入,同「上游」一节 X-ASR-Base-Url: "https:///v1" X-ASR-Model: "whisper-1" Authorization: Bearer mode: skill # 低频能力,别每轮都发 schema ``` `transcribe_audio({ url })`:本地文件先用内置工具 `mint_public_link` 换成公网短链, 再把链接传进来(和 `video_task` 要 `image_url` 是同一套路)。 ## 环境变量速查 | 变量 | 默认 | 说明 | |---|---|---| | `ASR_MAX_BYTES` | 20971520 | 单次上传上限 | | `ASR_PAUSE_SEC` | `0.5` | 多长的静音算一个停顿(`silencedetect` 的 `d`,仅在需要切时用) | | `ASR_SILENCE_DB` | `-35` | 判定“没人说话”的音量门限(正常语音约 -20dB) | | `ASR_MIN_SEG_SEC` | `1` | 单段最短;避免切出识别不了的碎片 | | `ASR_MAX_CHUNK_SEC` | `25` | 单段最长;≤ 它就不切(一次请求) | | `ASR_CUT_LOOKBACK_SEC` | `6` | 切点搜索窗:只在距上限最后这几秒里找停顿 | | `ASR_MAX_CONCURRENT` | `2` | 并发转写数 | | `ASR_LOG_LEVEL` | `info` | debug / info / warn / error / none | | `FFMPEG_BIN` | `ffmpeg` | 归一化 / 静音检测工具路径 | 上游参数(key / base_url / model)**不是环境变量**,见上面「上游」一节。 ## 客户端怎么录音 浏览器侧只有 HTTPS 才允许开麦;**Android 套壳 App 用原生录音再把 base64 交给页面**, http 页面也能用。桥的契约与 Kotlin 示例见 [docs/voice-input.md](../../docs/voice-input.md)。