CamTalk/backend/internal/ai/tts/mimo.go

package tts

import (
	"bytes"
	"context"
	"encoding/base64"
	"encoding/json"
	"fmt"
	"io"
	"net/http"
	"strings"
	"time"

	"go.uber.org/zap"
)

// MiMoService 基于 Xiaomi MiMo TTS API 的语音合成实现。
// 接口兼容 OpenAI chat/completions 格式，通过 messages 传递待合成文本与风格指令。
type MiMoService struct {
	apiKey   string
	model    string
	voice    string
	endpoint string
	timeout  time.Duration
	logger   *zap.SugaredLogger
	client   *http.Client
}

// NewMiMoService 创建 MiMo TTS 服务。
func NewMiMoService(apiKey, model, voice, endpoint string, timeoutSec int, logger *zap.SugaredLogger) *MiMoService {
	if model == "" {
		model = "mimo-v2.5-tts"
	}
	if voice == "" {
		voice = "冰糖"
	}
	if endpoint == "" {
		endpoint = "https://api.xiaomimimo.com/v1"
	}
	timeout := time.Duration(timeoutSec) * time.Second
	if timeout <= 0 {
		timeout = 5 * time.Second
	}
	return &MiMoService{
		apiKey:   apiKey,
		model:    model,
		voice:    voice,
		endpoint: endpoint,
		timeout:  timeout,
		logger:   logger,
		client:   &http.Client{Timeout: 30 * time.Second},
	}
}

// mimoTTSRequest MiMo TTS API 请求体。
type mimoTTSRequest struct {
	Model    string           `json:"model"`
	Messages []mimoTTSMessage `json:"messages"`
	Audio    mimoTTSAudio     `json:"audio"`
	Stream   bool             `json:"stream"`
}

// mimoTTSMessage MiMo TTS 消息。
type mimoTTSMessage struct {
	Role    string `json:"role"`    // "user"（风格指令）| "assistant"（待合成文本）
	Content string `json:"content"`
}

// mimoTTSAudio MiMo TTS 音频配置。
type mimoTTSAudio struct {
	Format string `json:"format"` // "mp3" | "wav" | "pcm16"
	Voice  string `json:"voice"`  // 预置音色 ID
}

// mimoTTSResponse MiMo TTS 非流式响应。
type mimoTTSResponse struct {
	Choices []struct {
		Message struct {
			Audio struct {
				Data string `json:"data"` // base64 编码的音频数据
			} `json:"audio"`
		} `json:"message"`
	} `json:"choices"`
}

// mimoTTSStreamResponse MiMo TTS 流式响应。
type mimoTTSStreamResponse struct {
	Choices []struct {
		Delta struct {
			Audio struct {
				Data string `json:"data"` // base64 编码的音频数据片段
			} `json:"audio"`
		} `json:"delta"`
	} `json:"choices"`
}

// SynthesizeStream 实现 tts.Service。从 textStream 读取句子，逐句调用 MiMo TTS API。
func (m *MiMoService) SynthesizeStream(ctx context.Context, textStream <-chan string, opts Options) (<-chan Chunk, error) {
	voice := opts.Voice
	if voice == "" {
		voice = m.voice
	}

	ch := make(chan Chunk, 4)
	go func() {
		defer close(ch)

		for text := range textStream {
			if text == "" {
				continue
			}

			audio, err := m.synthesize(ctx, text, voice)
			if err != nil {
				m.logger.Warnw("mimo tts: synthesize failed", "error", err, "text", text)
				// 静默跳过，不中断整个流
				continue
			}

			select {
			case ch <- Chunk{Audio: audio, IsLast: false}:
			case <-ctx.Done():
				return
			}
		}

		// textStream 关闭，发送 IsLast 标记
		select {
		case ch <- Chunk{Audio: nil, IsLast: true}:
		case <-ctx.Done():
		}
	}()

	return ch, nil
}

// synthesize 调用 MiMo TTS API 合成单个句子。
// 使用非流式调用，返回完整音频数据（base64 解码后）。
func (m *MiMoService) synthesize(ctx context.Context, text, voice string) ([]byte, error) {
	// 单句超时
	ctx, cancel := context.WithTimeout(ctx, m.timeout)
	defer cancel()

	// 构建 MiMo TTS 请求：文本放在 assistant 消息中
	reqBody := mimoTTSRequest{
		Model: m.model,
		Messages: []mimoTTSMessage{
			{
				Role:    "assistant",
				Content: text,
			},
		},
		Audio: mimoTTSAudio{
			Format: "mp3",
			Voice:  voice,
		},
		Stream: false,
	}

	payload, err := json.Marshal(reqBody)
	if err != nil {
		return nil, fmt.Errorf("mimo tts: marshal request: %w", err)
	}

	url := strings.TrimRight(m.endpoint, "/") + "/chat/completions"

	req, err := http.NewRequestWithContext(ctx, http.MethodPost, url, bytes.NewReader(payload))
	if err != nil {
		return nil, fmt.Errorf("mimo tts: create request: %w", err)
	}
	req.Header.Set("Content-Type", "application/json")
	req.Header.Set("api-key", m.apiKey)

	resp, err := m.client.Do(req)
	if err != nil {
		return nil, fmt.Errorf("mimo tts: send request: %w", err)
	}
	defer resp.Body.Close()

	if resp.StatusCode != http.StatusOK {
		errBody, _ := io.ReadAll(resp.Body)
		return nil, fmt.Errorf("mimo tts: api error (status %d): %s", resp.StatusCode, string(errBody))
	}

	// 非流式响应：解析 JSON，提取 base64 音频数据
	respBody, err := io.ReadAll(resp.Body)
	if err != nil {
		return nil, fmt.Errorf("mimo tts: read response: %w", err)
	}

	var ttsResp mimoTTSResponse
	if err := json.Unmarshal(respBody, &ttsResp); err != nil {
		return nil, fmt.Errorf("mimo tts: unmarshal response: %w", err)
	}

	if len(ttsResp.Choices) == 0 {
		return nil, fmt.Errorf("mimo tts: empty choices in response")
	}

	audioData := ttsResp.Choices[0].Message.Audio.Data
	if audioData == "" {
		return nil, fmt.Errorf("mimo tts: empty audio data in response")
	}

	// base64 解码音频数据
	audio, err := base64.StdEncoding.DecodeString(audioData)
	if err != nil {
		return nil, fmt.Errorf("mimo tts: decode audio base64: %w", err)
	}

	return audio, nil
}