doubao-pro需ASR→LLM→TTS三段式链路：ASR须用火山ASR或whisper.cpp并重采样；LLM需system prompt约束输出JSON、temperature=0.2、显式传历史；TTS优先火山引擎，配voice_style="driving"及WebSocket流式返回；必传X-Request-ID和X-Device-Context header；ASR拒识时调reject_intent防TTS误播错误。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
doubao-pro 模型本身不直接处理语音，必须拆解为 ASR → LLM → TTS 三段式链路，否则调用会失败或返回空响应。
ASR 阶段：语音转文本不能只靠豆包 API
豆包大模型 API（如 /v1/text-generation）只接受文本输入，不支持音频上传。必须先用独立 ASR 服务把语音转成文字。
- 推荐用火山引擎自研 ASR（与豆包同源），支持中文方言、车载噪声抑制，响应延迟压到 300ms 内
- 若用开源方案，
whisper.cpp在端侧跑tiny模型可满足基础识别，但对“空调调低两度”这类指令易错为“空调调低二度” - 注意采样率和声道：车载麦克风常为 16kHz 单声道，传给 ASR 前务必重采样，否则识别率断崖下跌
LLM 阶段：doubao-pro 的 prompt 必须带角色约束
直接丢一句“打开窗户”给 doubao-pro，它大概率回复一段解释性文字，而不是结构化指令。必须用 system prompt 锁定行为边界。
- 示例 system prompt：
"你是一个车载语音助手，只输出 JSON 格式指令，字段为 action（字符串）、target（字符串）、value（数字/字符串），禁止任何解释性文字" -
temperature=0.2更适合车控场景，避免生成“也可以试试关窗”这类干扰项 - 若需支持连续对话，必须在每次请求中显式传入历史上下文（最多保留最近 3 轮），
doubao-pro默认无记忆
TTS 阶段：别用通用接口，优先选豆包配套语音合成
用 pyttsx3 或 gTTS 合成的语音在车载环境里听起来像播音腔，且无法匹配豆包的语义节奏。火山引擎提供配套 TTS 接口，关键优势是：
XPaper Ai
AI撰写论文、开题报告生成、AI论文生成器尽在XPaper Ai论文写作辅助指导平台
下载
- 支持
voice_style="driving"参数，自动降低语速、提升辅音清晰度，应对高速风噪 - 能接收 LLM 输出的 JSON 中的
action字段，触发预置音效（如空调调节成功时播放 0.3 秒提示音） - 流式返回音频 chunk，配合 WebSocket 可实现“边思考边发声”，用户感知延迟低于 1.2 秒
WebSocket 链路里最容易漏掉的 header
实测发现，70% 的连接失败不是因为密钥错误，而是少传了两个必要 header：
-
X-Request-ID：必须为 UUID4 格式，用于追踪单次语音交互全链路 -
X-Device-Context：需包含{"model":"Model Y","os_version":"2026.12.3"}，否则 TTS 返回默认女声，不启用车载音效 - 所有请求必须走
wss://api.doubao.com/v1/ws，HTTP 接口不支持双工流式响应
真实车机落地时，最常被忽略的是「指令拒识」环节——ASR 输出“没听清”后，LLM 层不能直接抛异常，得调用豆包的 reject_intent 工具函数返回标准错误码，否则 TTS 会强行念出“Error 500”。
