speech-gateway 语音网关

speech-gateway 目录收拢平台的语音网关服务，分两类：

• 本地 Go 全双工音频网关 speech-gateway/audio-fork-server（默认端口 10091）：桥接 FreeSWITCH mod_audio_fork 与本地 sherpa-asr-server / sherpa-tts-server，提供上下行并发的全双工语音与 开嗓打断，属于根 bun run dev 默认启动组。详见 audio-fork-server 说明。
• 可选的第三方云端语音网关（阿里云 / Azure）：把云端 ASR / TTS 封装成平台现有调用面可接入的 接口，使 callflow-esl、FreeSWITCH mod_audio_fork 和管理台可以通过配置切换后端。这里的“兼容” 仅指必要调用契约与响应外形；开嗓事件、断句、语言检测和供应商原生能力并不完全相同。云端网关不在 默认启动组，按需启动。

子模块清单（云端网关）

模块目录	供应商	ASR 协议与默认端口	TTS 协议与默认端口	独立构建支持
speech-gateway/aliyun-speech-gateway	阿里云 NLS	WebSocket ws://127.0.0.1:10097/audio	HTTP POST /tts + GET /wav/:file POST /tts-stream + GET /tts-stream/:file.{pcm,mp3} 默认 9081	Windows / Linux 独立二进制
speech-gateway/azure-speech-gateway	Azure Cognitive Services	WebSocket ws://127.0.0.1:10098/audio	HTTP POST /tts + GET /wav/:file POST /tts-stream + GET /tts-stream/:file.mp3 默认 9082	Windows / Linux 独立二进制

能力差异

能力	阿里云 NLS 网关	Azure Speech 网关
ASR 输入 / 接入	16kHz mono PCM，WS /audio，audio.drachtio.org	16kHz 16-bit mono PCM，WS /audio，audio.drachtio.org
开嗓事件	有；SentenceBegin 下发空文本 speechStarted 帧	无独立开嗓回调；首个 recognizing 才能感知
partial / final	TranscriptionResultChanged / SentenceEnd	recognizing / recognized
服务端断句	有；支持静音阈值、语义断句与多阈值配置	有；由 Azure 连续识别会话负责整句回调
零长二进制 flush	支持；结束阿里云识别会话并收尾	支持；结束 Azure 识别会话并收尾
语言	由当前阿里云应用与识别配置决定；本网关无自动语言候选列表	autoDetectLanguages 候选自动检测，默认 zh-CN、en-US
TTS 普通输出	WAV 文件与 /wav/:file	WAV 文件与 /wav/:file
TTS 流式输出	PCM / MP3 流与 /tts-stream/:file.{pcm,mp3}（生产推荐 PCM）	MP3 流与 /tts-stream/:file.mp3

能力描述以各供应商 README 和当前实现为准。两者共享的是平台调用面，不应据此推断开嗓时机、 断句策略、语言范围、音色或供应商全部能力一致。

快速启动

各网关使用 Bun 运行，并已纳入根目录的 Bun workspaces（speech-gateway/*）统一管理。

根目录启动

# 启动阿里云语音网关（ASR 10097 / TTS 9081）
bun run dev:aliyun-speech

# 启动 Azure 语音网关（ASR 10098 / TTS 9082）
bun run dev:azure-speech

单模块目录运行

# 阿里云语音网关
cd speech-gateway/aliyun-speech-gateway
bun run dev

# Azure 语音网关
cd speech-gateway/azure-speech-gateway
bun run dev

详细文档

• audio-fork-server（Go 全双工音频网关）详细说明
• 阿里云语音网关详细说明
• Azure 语音网关详细说明