一、产品概述

1.1 产品定位

本产品是一个基于语音交互的AIGC虚拟人系统，通过语音唤醒、实时对话、智能应答和虚拟人动画展示，为用户提供自然流畅的人机交互体验。

1.2 目标用户

• 企业客服场景用户
• 智能展示厅访客
• 需要语音交互体验的B端/C端用户

1.3 核心价值

• 即时响应：300ms内反馈，1秒内完成完整交互
• 自然交互：语音、文字、动作三位一体同步展示
• 智能对话：基于阿里百炼大模型的智能应答能力

---

二、功能需求

2.1 语音唤醒功能

功能描述
用户通过说出特定唤醒词（如"你好小智"）激活系统，无需手动点击。

交互流程

1. 系统处于待机状态，显示"待唤醒"提示
2. 用户说出唤醒词
3. 系统识别成功后：
   • 播放提示音（可选）
   • 虚拟人展示"倾听"动画
   • 界面显示"正在听…"状态
4. 进入对话模式

验收标准

• 唤醒词识别准确率 ≥ 95%
• 唤醒响应时间 ≤ 300ms
• 支持自定义唤醒词配置
• 误唤醒率 ≤ 5%

---

2.2 实时语音转文字（ASR）

功能描述
用户说话时，系统实时将语音转换为文字并显示在界面上，提供即时反馈。

交互流程

1. 用户开始说话
2. 系统实时采集音频流
3. 调用阿里百炼ASR服务进行流式识别
4. 识别结果实时显示在对话框中：
   • 临时识别结果以灰色/斜体显示
   • 确认识别结果转为正常显示
5. 虚拟人保持"倾听"状态

界面展示

用户: 今天天气怎么样... (识别中，灰色)
用户: 今天天气怎么样？ (识别完成，黑色)

验收标准

• 语音识别准确率 ≥ 95%
• 流式识别延迟 ≤ 200ms
• 支持中文普通话识别
• 能处理连续对话

---

2.3 自动提交对话

功能描述
用户说完话后，系统自动检测停顿，在2秒内无新语音输入时自动提交对话内容。

交互流程

1. 用户说话过程中，系统持续监听
2. 用户停止说话后，启动倒计时（2秒）
3. 倒计时期间：
   • 如用户继续说话，重置倒计时
   • 如超时，自动提交识别文本
4. 提交后进入"思考中"状态

界面提示

• 显示倒计时进度条（可选）
• 状态提示从"正在听…“变为"思考中…”

验收标准

• 静音检测延迟 ≤ 100ms
• 自动提交触发时间准确（2秒±100ms）
• 支持配置静音超时时间
• 用户可手动点击提交按钮立即提交

---

2.4 智能回复 + 语音播报

功能描述
系统接收用户输入后，调用大模型生成回复内容，同时进行流式TTS语音合成，边生成边播放，减少等待感。

交互流程

1. 系统提交用户对话内容到后端
2. 后端调用阿里百炼对话API：
   • 流式返回文本内容
   • 前端实时显示生成的文字
3. 文本分句后实时调用TTS服务：
   • 按句或按段进行TTS合成
   • 第一句合成完成立即播放
   • 后续句子流式合成排队播放
4. 虚拟人同步展示"说话"动画

界面展示

小智: 今天北京天气晴朗... (正在生成，边显示边播放)
小智: 今天北京天气晴朗，最高温度25度，适合出行。(生成完成)

验收标准

• 从用户提交到首句播放延迟 ≤ 1秒
• TTS合成准确率 ≥ 95%
• 支持流式播放，无明显卡顿
• 用户可随时打断播放（再次唤醒）

---

2.5 虚拟人动作同步

功能描述
虚拟人通过切换不同状态的视频片段，展示与语音内容匹配的动作和表情。

状态映射

系统状态	虚拟人动画	说明
待唤醒	idle.mp4	待机状态，轻微呼吸动作
正在听	listening.mp4	倾听状态，点头、专注表情
思考中	thinking.mp4	思考状态，眨眼、微表情
正在说话	speaking.mp4	说话状态，嘴型动作、手势

同步要求

• 语音播放时，虚拟人展示speaking动画
• 语音停止后200ms内切换到idle状态
• 视频循环播放，无明显接缝

验收标准

• 动画切换延迟 ≤ 100ms
• 语音与动画同步误差 ≤ 150ms
• 视频循环自然，无卡顿
• 支持配置不同虚拟人角色

---

三、界面设计需求

3.1 整体布局

┌─────────────────────────────────────┐
│          虚拟人展示区域               │
│     (视频播放，占据主要视觉区)        │
│                                      │
│                                      │
└─────────────────────────────────────┘
┌─────────────────────────────────────┐
│  状态指示器: [🟢 待唤醒]              │
│                                      │
│  对话历史:                           │
│  用户: 今天天气怎么样？               │
│  小智: 今天北京天气晴朗...           │
│                                      │
│  [当前识别文本区域...]               │
└─────────────────────────────────────┘

3.2 状态指示器

显示内容

• 🟡 待唤醒 - 系统待机，等待唤醒词
• 🔵 正在听… - 正在采集用户语音
• 🟣 思考中… - 正在生成回复
• 🟢 正在说话… - 虚拟人正在回复

设计要求

• 位置固定，清晰可见
• 状态切换有过渡动画
• 移动端适配，不遮挡关键内容

3.3 对话区域

显示规则

• 用户对话靠右，背景色浅蓝
• 虚拟人回复靠左，背景色浅灰
• 显示时间戳（可选）
• 支持滚动查看历史记录

交互设计

• 自动滚动到最新消息
• 识别中的文本以不同样式显示
• 支持复制对话内容

3.4 响应式设计

设备适配

• 桌面端（1920x1080）：虚拟人大尺寸展示
• 平板端（768x1024）：虚拟人中等尺寸
• 移动端（375x667）：虚拟人小尺寸，对话区域可收起

---

四、非功能需求

4.1 性能需求

指标	要求	说明
语音识别准确率	≥ 95%	商用标准
TTS合成准确率	≥ 95%	商用标准
总交互延迟	≤ 1秒	用户说完到听到回复
首次响应延迟	≤ 300ms	任何操作的初始反馈
系统可用性	≥ 99.9%	年宕机时间 ≤ 8.76小时
并发用户数	≥ 10	同时在线用户

4.2 兼容性需求

浏览器支持

• Chrome 90+
• Safari 14+
• Edge 90+
• Firefox 88+

设备支持

• 桌面电脑（Windows/Mac）
• 平板电脑（iPad/Android Pad）
• 智能手机（iOS/Android）

音频支持

• 需要麦克风权限
• 需要扬声器/耳机输出

4.3 安全需求

• 音频数据传输加密（HTTPS/WSS）
• 不存储用户语音原始数据
• 对话日志可选择性保存

---

五、配置需求

5.1 可配置参数

system:
  wake_word: "你好小智"           # 唤醒词
  silence_timeout: 2000          # 静音超时(ms)
  max_record_duration: 60000     # 最长录音时长(ms)
  
tts:
  voice: "zhixiaobai"            # 音色
  speed: 1.0                     # 语速
  volume: 80                     # 音量
  
avatar:
  character: "default"            # 虚拟人角色
  video_quality: "high"           # 视频质量
  
ui:
  theme: "light"                  # 主题
  show_timestamp: true            # 显示时间戳
  max_history: 50                 # 最大历史记录

5.2 配置方式

• 使用JSON/YAML配置文件
• 支持热更新（部分参数）
• 提供默认配置模板

---

六、用户场景

6.1 典型使用场景

场景1：快速咨询

1. 用户走近展示屏
2. 说"你好小智"唤醒系统
3. 问"今天天气怎么样？"
4. 虚拟人回答天气信息
5. 用户离开，系统自动回到待机

场景2：连续对话

1. 用户唤醒系统
2. 问"推荐一部电影"
3. 虚拟人推荐《流浪地球》
4. 用户追问"讲讲这部电影"
5. 虚拟人详细介绍
6. 对话结束，系统待机

6.2 异常场景处理

场景1：网络中断

• 显示"网络连接失败"提示
• 虚拟人展示"抱歉"动画
• 提供重试按钮

场景2：识别失败

• 显示"没听清，请再说一遍"
• 虚拟人展示"疑惑"表情
• 自动重新进入监听状态

场景3：音频权限拒绝

• 显示权限请求提示
• 提供授权指引
• 允许文字输入替代

---

七、项目范围

7.1 包含功能

✅ 语音唤醒
✅ 实时ASR语音识别
✅ 自动提交对话
✅ 流式对话生成
✅ 流式TTS语音合成
✅ 虚拟人动画展示
✅ 基础配置管理

7.2 不包含功能

❌ 用户登录注册
❌ 用户权限管理
❌ 数据统计分析
❌ 后台管理系统
❌ 支付功能

---

八、里程碑规划

Phase 1：核心功能开发（预计2周）

• 前端基础框架搭建
• 后端API服务开发
• ASR/TTS集成
• 基础对话功能

Phase 2：虚拟人集成（预计1周）

• 视频资源准备
• 状态机实现
• 动画同步逻辑

Phase 3：优化与测试（预计1周）

• 性能优化
• 用户体验优化
• 完整测试

---

九、成功指标

1. 技术指标

   • ASR识别准确率 ≥ 95%
   • 平均响应延迟 ≤ 1秒
   • 系统稳定性 ≥ 99.9%

2. 用户体验指标

   • 用户满意度 ≥ 85%
   • 单次对话轮次 ≥ 3轮
   • 任务完成率 ≥ 90%

3. 业务指标

   • 系统使用率 ≥ 70%
   • 日活用户增长率 ≥ 10%

---

十、附录

10.1 术语表

• ASR: Automatic Speech Recognition，自动语音识别
• TTS: Text-to-Speech，文本转语音
• 流式处理: 边接收边处理，不等待完整数据
• XState: 状态机管理库

10.2 参考文档

• 阿里百炼ASR文档
• 阿里百炼TTS文档

---