小智AI复刻第2步：WebSocket协议核心流程图学习

在复刻小智AI的过程中，本次重点围绕WebSocket协议的核心流程展开，旨在深入剖析实时通信的底层实现机制。文章将涵盖以下核心内容：基于Arduino框架的复刻背景、WebSocket协议在小智AI通信中的关键作用与数据类型，以及建立连接的详细步骤与配置参数。

前言

本次继续沿用复刻小智AI的技术路线，但将开发框架切换为Arduino。

上周已经完成了VSCode + PlatformIO + Arduino环境下ESP32-S3、ESP-SR、ESP-TTS整套开发环境的搭建（详细过程可参阅上一篇文章），并成功实现了语音唤醒、命令识别以及文本转语音功能。接下来的核心任务就是对接小智AI服务端的WebSocket协议。

原项目78/xiaozhi-esp32功能虽然完整，但代码结构较为复杂，阅读门槛相对较高，且实在不想重新搭建IDF编译环境。后续发现了一个Python实现的桌面客户端huangjunsen0406/py-xiaozhi，它不仅带有图形界面，还支持手动与自动对话模式的切换，是一个很好的学习样本，可以一边研究PC端轻量级语音识别的实现，一边深入理解WebSocket通信。

通信过程

小智AI客户端与服务端之间的通信可以选择WebSocket或MQTT，这里我们选择更易于上手的WebSocket协议进行实现。

协议概述

WebSocket负责客户端与服务器之间的实时双向通信，主要涉及以下几类数据：

• 控制指令：用于开始/停止监听、中断TTS播放等操作。
• 文本信息：包含LLM响应内容、情绪指令、配置信息等。
• 音频数据：
  • 客户端 → 服务器：传输录制好的Opus编码音频流。
  • 服务器 → 客户端：推送TTS生成的Opus编码音频流。
• 状态同步：用于同步TTS播放开始/结束等状态。

通信格式分为两种：JSON格式用于传输文本、控制和状态信息；Binary格式用于传输Opus编码的音频数据。

建立连接

1. 客户端发起连接：根据配置文件中的WEBSOCKET_URL地址，向服务器发起WebSocket连接请求。

2. 发送头部信息：连接时需附带必要的HTTP头部信息，具体包括：

   • Authorization: Bearer （来源于配置中的WEBSOCKET_ACCESS_TOKEN）
   • Protocol-Version: 1
   • Client-Id: 客户端标识
   • Device-Id: 设备标识（通常使用MAC地址）

   目前除了Device-Id需要客户端自行生成外，其他参数均可直接使用示例中的固定值：

   "WEBSOCKET_URL": "wss://api.tenclass.net/xiaozhi/v1/",
   "WEBSOCKET_ACCESS_TOKEN": "test-token",
   "CLIENT_ID": "1dd91545-082a-454e-a131-1c8251375c9c",

3. 服务器响应：服务器接受连接请求。

4. 客户端发送hello：连接成功后，客户端需要发送一条JSON格式的hello消息：

   hello_message = {
     "type": "hello",
     "version": 1,
     "transport": "websocket",
     "audio_params": {
       "format": AudioConfig.FORMAT,
       "sample_rate": AudioConfig.SAMPLE_RATE,
       "channels": AudioConfig.CHANNELS,
       "frame_duration": AudioConfig.FRAME_DURATION,
     }
   }

   这里预设的音频编码参数问题不大，服务器后续会推送其实际接受的音频配置。

5. 服务器响应hello：服务器返回会话ID和初始配置信息：

   {
     "type": "hello",
     "version": 1,
     "transport": "websocket",
     "audio_params": {
       "format": "opus",
       "sample_rate": 24000,
       "channels": 1,
       "frame_duration": 20
     },
     "session_id": "a1f81xs89"
   }

   这里有两点需要特别注意：客户端必须保存返回的session_id，后续所有需要会话标识的消息都会用到它；此外，还需根据audio_params更新本地的Opus编码设置，以确保编解码参数一致。

服务端认证

首次连接到小智AI官方后台时，需要在控制台中添加设备。具体操作非常便捷：当客户端成功连接服务器并发送第一条语音消息时，服务器会返回一条语音，并附带一个6位数的验证码，使用该验证码即可在后台完成设备添加。

至此，WebSocket连接已成功建立，接下来就可以进行后续的对话流程了。

客户端消息

主动发起对话的机制与之前一致——要么通过手动触发录音，要么通过唤醒词触发。

listen (JSON)

用于控制音频监听（录音）的状态。

• 开始监听：

  {
    "session_id": "session-id",
    "type": "listen",
    "state": "start",
    "mode": "manual" | "auto" | "realtime"  // 监听模式
  }

• 停止监听：

  {
    "session_id": "session-id",
    "type": "listen",
    "state": "stop"
  }

wake_word (JSON)

如果通过唤醒词启动对话，需要发送另一种listen消息，告知服务器已检测到唤醒词。这样服务器会立即返回一条语音消息作为回应。

• 格式：

  {
    "session_id": "session-id",
    "type": "listen",
    "state": "detect",
    "text": "你好小智"  // 根据实际唤醒词修改
  }

abort (JSON)

用于请求服务器中断当前正在进行的操作（主要是TTS语音播放）。

• 格式：

  {
    "session_id": "session-id",
    "type": "abort",
    "reason": "wake_word_detected"  // (可选)中断原因
  }

这个功能主要用在当服务器正在输出一段较长的语音，而用户希望重新开始新对话的场景。

audio (Binary)

用于发送录制的音频数据。

• 格式：二进制数据帧 (Binary Frame)。
• 内容：根据session_info中audio_config约定的格式（默认为Opus）编码的音频数据块。

IoT 消息

这部分内容暂时不涉及，留待后续研究具体格式。

服务端消息

小智AI服务端返回的消息同样分为JSON和Binary两种格式，JSON类型通过type字段来区分实际内容。示例JSON格式如下：

{
  "type": "tts",
  "state": "start",
  "sample_rate": 24000,
  "session_id": "session-id"
}

type字段的可能取值包括llm、tts、stt等。

type=tts (JSON)

这是服务端返回的核心消息类型，其中包含了情绪、语音输出以及语音识别结果等信息。可以说，小智AI的整个交互流程，主要工作都由服务端承担，客户端的实现相对轻量。

根据state字段的不同值，需要进行针对性处理：

state=start

服务器接收到客户端的语音数据后，生成了LLM聊天对话内容，并开始返回语音数据。同时会提供音频sample_rate参数，客户端可根据此参数同步更新播放配置。

{
  "type": "tts",
  "state": "start",
  "sample_rate": 24000,
  "session_id": "session-id"
}

state=sentence_start

表示对话中的一句话开始，text字段包含该句话的文本内容。

{
  "type": "tts",
  "state": "sentence_start",
  "text": "感觉你心情不太好，发生了什么事吗？",
  "session_id": "session-id"
}

state=sentence_end

表示一句话结束。

{
  "type": "tts",
  "state": "sentence_end",
  "text": "感觉你心情不太好，发生了什么事吗？",
  "session_id": "session-id"
}

state=stop

表示服务端对之前收到的语音数据生成的响应内容已整体结束，客户端可以继续录音操作。

{
  "type": "tts",
  "state": "stop",
  "session_id": "session-id"
}

type=llm (JSON)

用于返回大模型回复时需要表达的情绪状态。text字段是一个Emoji表情，emotion字段对应情绪单词。在无法显示Emoji的设备上，可以通过单词映射到对应的图片进行展示。

{
  "type": "llm",
  "text": "              

                

                  热点追踪提示词
                  一键复制
                
                
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：小智AI复刻第2步：WebSocket协议核心流程图学习要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题