4.1 语音

1. 适用范围

本章介绍 SpacemiT Robot SDK 中与语音交互相关的基础能力，包括语音活动检测、声纹识别、语音识别和语音合成。它们可以单独集成，也可以组合成端到端语音链路：

麦克风采集 -> VAD 断句 -> 声纹验证（可选） -> ASR 转写 -> LLM 推理 -> TTS 合成 -> 扬声器播放

语音模块主要面向 K3 机器人语音助手、离线语音识别、说话人验证、语音播报和 omni_agent 端到端对话应用。音频采集、播放、重采样和声源定位属于多媒体基础能力，见 多媒体总览。

2. 文档关系

• 前置阅读：先了解 6.3.3 audio，确认录音、播放、设备索引和采样率配置。
• 组合应用：端到端语音对话见 4.5 Agent，其中串联了 VAD、ASR、LLM、TTS、声纹和 MCP 工具调用。
• 仓库路径：
  • ASR：components/model_zoo/asr
  • TTS：components/model_zoo/tts
  • VAD：components/model_zoo/vad
  • 声纹：components/model_zoo/voiceprint
  • 语音对话应用：application/native/omni_agent

3. 阅读索引

建议按下表顺序阅读。只做语音播报时可以直接阅读 TTS；只做说话人验证时可以直接阅读声纹。

序号	文档	摘要
1	4.1.3 VAD	使用 Silero VAD 检测语音开始和结束，为 ASR 断句、barge-in 和低功耗监听提供前置能力。
2	4.1.4 声纹	使用 CamP+ 提取 192 维 embedding，支持注册、识别和 1:1 验证。
3	4.1.1 ASR	使用 SenseVoice、Zipformer、Qwen3-ASR、Fun-ASR Nano 或 Gemma4 ASR 进行语音转写；Gemma4 ASR 还支持外语语音转英文。
4	4.1.2 TTS	使用 Matcha-TTS 或 Kokoro 将文本合成为 WAV/PCM，支持文件合成和流式播放。
5	4.5 Agent	组合音频、VAD、声纹、ASR、LLM、TTS 和 MCP，运行完整语音助手。