TTS 与 ASR：给 AI Agent 装上嘴巴和耳朵

示例代码：examples/tts-stt-test/

概览

TTS（文字转语音）和 ASR（语音转文字）让 Agent 从「只能打字」变成「能说能听」。三个 Demo 文件覆盖了完整链路：

tts-test.mjs            文字 → 音频文件（HTTP 同步）
streaming-tts-test.mjs  文字分段 → 流式音频（WebSocket）
asr-test.mjs            音频文件 → 文字（HTTP 同步）

TTS：文字转语音

基础版（HTTP 同步请求）

文字 → 腾讯云 TTS API → Base64 音频 → Buffer.from() 解码 → fs.writeFile() → output.mp3

核心概念：

• Base64：HTTP/JSON 只能传文本，mp3 是二进制，Base64 是「二进制 ↔ 文本」互转方案
• VoiceType：音色编号，如 502006 对应腾讯云某个预置音色

局限性：等全部合成完才返回，长文本等待太久。

流式版（WebSocket 边生成边播放）

	基础版	流式版
协议	HTTPS	WebSocket
模式	一问一答	持续双向通信
体验	等全部合成	边合成边播放

关键流程：

buildWsUrl() 签名 → WebSocket 连接 → ws.on("open")
  → ws.on("message")：区分 JSON 帧（控制）和二进制帧（音频数据）
  → 文字逐段发送 → 音频逐片写入 → final=1 关闭

真实场景：LLM 边输出文字 → 立刻把每句发给 TTS → 第一句还没播完第二句已在合成。

ASR：语音转文字

output.mp3 → fs.readFileSync() → Buffer → .toString("base64")
  → 腾讯云 ASR API → data.Result → 识别文字

和 TTS 的结构完全对称：

	TTS	ASR
包	tencentcloud-sdk-nodejs-tts	tencentcloud-sdk-nodejs-asr
核心 API	TextToVoice	SentenceRecognition
方向	文字 → Base64 音频	音频 Base64 → 文字
超时	默认	30s（音频比文字慢）

SentenceRecognition 适合 60 秒以内短音频。长录音用 CreateRecTask 异步接口，实时流用 WebSocket 版。

完整语音 Agent 链路

🎤 用户说话
  → ASR：音频 → Base64 → 腾讯云 → 文字
  → LLM Agent：文字 → ReAct 循环 → 调工具 → 生成回复
  → 流式 TTS：文字片段 → WebSocket → 音频片段 → 播放
  → 🔊 用户听到回答

核心收获

• TTS 和 ASR 是对称的——一个是文字→音频，一个是音频→文字，数据都在经过 Base64 这座桥
• 流式 TTS + WebSocket 是给 Agent 做语音交互的关键——用户体验不在"合成快"，而在"第一句出来快"
• 腾讯云 SDK 的包名按服务名+版本号管理：tts.v20190823.Client → 服务 tts，版本 v20190823