Audio Interact — 语音输入

WonderEchoPro（树莓派硬件）

将输入模式设为 WonderEchoPro 后，树莓派上的 wonderecho_listener 定长录音并上传到 /audio_interact/api/audio/segment，返回的 TTS 由树莓派本地扬声器播放。

当前输入模式：加载中…

Pi 扬声器音量 80%

远程播报

与上面的采集模式无关：只要树莓派保持 /ws/audio 连接，就能随时把下面输入的文字推送到 Pi 本地扬声器播放（不需要设为采集模式）。

web模式（浏览器麦克风 / 扬声器）

点击「开始对话」后，浏览器持续采集麦克风并发送到云端；audio_interact 用 Silero VAD 自动断句，每句 ASR→唤醒词判断→robot_sandbox 指令→安全→真实执行，TTS 由浏览器扬声器自动播报。需说唤醒词（如“你好瓦力”）才会触发动作。也可直接上传一段音频识别。

未启动上传音频识别

VAD

仿真回灌模式

上传一段长音频（可含多句、带唤醒词，如“你好瓦力，往前走 … 你好瓦力，左转”），它会被回灌进云端 Silero VAD 流式管线：自动切分出每句语音，逐句 ASR→唤醒→robot_sandbox 指令→安全→真实执行→TTS 播报。用于无麦克风时复现完整交互。

选择长音频回灌未开始

VAD

VAD_ASR_TTS（测试 / 调试）

识别方向（调试）：观察 VAD 电平条与逐句识别——只做 ASR + 唤醒判断，不调用沙盒、不派发动作（安全调试）。 VAD 电平条随说话概率变色/伸缩，下方「识别与指令结果」显示 ASR 文本与唤醒状态。日常真实交互请用 web模式。

未启动

VAD

识别与指令结果

ASR 文本

—

唤醒状态

—

命中技能

—

TTS 文本

—

原始响应 JSON

—

合成方向（TTS）

输入任意文本，用 common_api TTS 合成并在浏览器扬声器直接播报；也可作为 action_move 的 speak 原子技能推送到实车 turbopi-01 本机喇叭播报。

待输入

—

音色播报风格提示词播报音量 80%