# 语音智能问答机器人操作指南 本文档用于说明语音智能问答机器人 Demo 的常用操作方法。建议使用 Chrome 或 Edge 浏览器，通过 HTTPS 地址访问系统。 ## 1. 打开系统 访问地址： https://voice.780901.xyz 页面顶部会显示连接状态和会话编号。 - 显示“已连接”：服务正常，可以开始使用。 - 显示“连接中”或“已断开”：稍等几秒，系统会自动重连。 - 会话编号：用于排查日志和复盘测试问题。 首次使用时，浏览器会请求麦克风权限；如果要拍照识别，还会请求摄像头或相册权限。请点击允许。 ## 2. 手动录音问答 适合单次提问。 操作步骤： 1. 点击左侧麦克风圆形按钮。 2. 系统会提示麦克风已打开，并在约 1 秒后开始录音。 3. 对着麦克风说出问题。 4. 再次点击麦克风按钮，或说完后等待系统完成录音。 5. 系统会转写语音，显示录音文件和识别文本。 6. 大模型开始思考并返回答案。 7. 答案会显示在左侧对话区，并自动语音播报。 示例： “帮我查一下明天上海的天气。” “上海迪士尼怎么玩？” “帮我总结一下这个景点适不适合带孩子去。” ## 3. 连续聆听模式 适合自然连续对话。 操作步骤： 1. 点击“聆听”按钮。 2. 按钮状态会变成“准备”，随后变成“正在听”。 3. 直接说话即可，不需要每次点击录音。 4. 说完后停顿一下，系统会自动切句、转写并发送给大模型。 5. 机器人播报答案后，会继续回到聆听状态。 6. 再次点击“聆听”按钮，可关闭连续聆听。 按钮状态说明： - 聆听：连续聆听未开启。 - 准备：正在申请麦克风和初始化音频。 - 正在听：系统正在监听你的声音。 - 录音中：检测到你正在说话，正在录音。 - 思考中：语音已发送，大模型正在处理。 - 播报中：机器人正在朗读答案。 - 已打断：检测到打断或手动停止播报。 使用建议： - 说完一句话后停顿 1 到 2 秒，系统更容易准确切句。 - 尽量靠近麦克风，避免背景噪音太大。 - 如果一句话很长，可以自然分段说，系统会尽量合并连续内容。 ## 4. 打断播报 机器人播报时，可以随时打断。 方式一：语音打断 在连续聆听模式下，机器人播报时直接说话，系统会尝试停止播报并开始录音。 也可以说打断词： - 停一下 - 等一下 - 停止 - 别说了 方式二：按钮打断 点击“停止”按钮，系统会立即停止当前播报。 方式三：点击麦克风 在非连续聆听模式下，机器人播报时点击麦克风，会停止播报并准备录音。 ## 5. 实时转写窗口 右侧“实时转写”区域用于查看当前语音状态。 字段说明： - 状态：显示正在听、录音中、正在转写、大模型思考中等状态。 - 捕获：显示浏览器实时捕获到的语音片段。 - 转写：显示服务端 ASR 识别后的文本。 - 队列：显示连续聆听模式下等待合并发送的语音内容。 如果你说了很多但转写很少，可以重点观察： - 状态是否进入“录音中”。 - 捕获是否有内容。 - 转写是否为空。 - 队列是否一直为空。 这些信息可以帮助判断是麦克风权限、环境噪声、VAD 切句，还是 ASR 识别问题。 ## 6. 拍照识别 适合移动端拍照、识别物品、票据、屏幕、菜单、景点牌等。 操作步骤： 1. 点击“拍照”按钮。 2. 手机端会打开摄像头或相册。 3. 拍照或选择图片。 4. 系统上传图片并调用视觉理解能力。 5. 识别结果会显示在对话区，并自动播报。 示例： “拍一下菜单，让机器人帮我看看有什么推荐。” “拍景区导览图，让机器人帮我提取重点。” “拍票据、屏幕或说明牌，让机器人读出关键信息。” 注意： - 图片尽量清晰、光线充足。 - 文字内容尽量不要倾斜太严重。 - 图片过大时可能上传失败，可以重新拍一张更小的。 ## 7. 联网搜索问答 适合查询实时信息、天气、新闻、攻略、价格、政策、公司人物动态等。 示例： “帮我查一下上海明天的天气。” “上海迪士尼今天有什么攻略？” “最近张雪机车拿冠军了吗？” 系统会优先使用 MiniMax 工具能力进行联网搜索；如果官方工具暂时不可用，会尝试本地兜底搜索。 体验说明： - 对实时问题，系统可能先给一个简短回复，再继续搜索并补充正式回答。 - 如果搜索较慢，请等待几秒。 - 如果回答里出现“搜索失败”或“没找到”，可以换一个更明确的问题再试。 ## 8. 生成音乐 音乐生成采用确认流程，避免直接消耗音乐额度。 完整流程： 1. 你提出音乐需求。 2. 系统追问音乐选项。 3. 你按选项回复。 4. 系统先生成歌词草稿。 5. 你确认歌词。 6. 系统才开始调用音乐生成接口。 7. 音乐生成完成后，页面会显示播放器和音乐文件链接。 示例需求： “我想把主题乐园攻略生成一首歌。” 系统会追问： 问题1：选择音乐风格 - 选项一：流行温暖（默认） - 选项二：轻快儿歌 - 选项三：摇滚动感 - 选项四：民谣治愈 问题2：选择人声 - 选项A：女声（默认） - 选项B：男声 - 选项C：合唱 - 选项D：纯音乐 问题3：选择歌词来源 - 选项甲：用刚才歌词 - 选项乙：让我自动写（默认） - 选项丙：只做纯音乐 你可以回复： “二 A 乙” 意思是： - 轻快儿歌 - 女声 - 让系统自动写歌词 系统会先生成歌词草稿，并提示： “如果可以，请说确认生成。如果要改，请直接说修改要求。” 确认方式： - 确认生成 - 可以 - 就这样 - 开始生成 - 没问题 修改方式： - 改成男声更摇滚 - 歌词短一点 - 副歌更朗朗上口 - 不要太幼稚 - 改成纯音乐 取消方式： - 取消 - 不生成 - 算了 - 先不要 注意： - 确认前不会调用音乐生成接口。 - 确认后才会消耗音乐生成额度。 - 为避免审核失败，系统会自动替换真实品牌名和受版权保护角色名。 - 生成完成后会显示音乐时长，方便判断是否生成了完整歌曲。 ## 9. 历史记忆和快速回复 系统会记录历史问答，用于后续快速参考。 当你问到类似问题时，系统可能会先播报一段历史摘要，再继续搜索最新信息。 适合场景： - 经常问同一类旅行攻略。 - 连续规划同一个城市的行程。 - 多次询问同一个主题，如天气、美食、景点。 注意： - 历史摘要只是参考，不代表最新信息。 - 对天气、价格、营业时间等实时问题，应以正式搜索结果为准。 ## 10. 常见问题 ### 10.1 没有声音或不能录音 处理方法： 1. 确认使用 Chrome 或 Edge。 2. 确认访问的是 HTTPS 地址。 3. 检查浏览器麦克风权限是否允许。 4. 检查系统麦克风是否被其他软件占用。 5. 刷新页面后重试。 ### 10.2 连续聆听没有反应 处理方法： 1. 看按钮是否显示“正在听”。 2. 看实时转写里的“捕获”是否有内容。 3. 靠近麦克风重新说一遍。 4. 减少背景噪声。 5. 关闭聆听后重新开启。 ### 10.3 识别内容不完整 可能原因： - 说话音量太小。 - 停顿太长，被系统切成多段。 - 背景噪声太大。 - 麦克风离人太远。 建议： - 语速稍慢一点。 - 一次说一个完整问题。 - 长问题可以分两句说，但不要停顿太久。 ### 10.4 播报和聆听冲突 系统支持打断播报，但极端情况下可能会把机器人声音当成人声。 建议： - 需要打断时直接说“停一下”或点击“停止”。 - 如果机器人播报时误触发录音，可以等待它恢复“正在听”后再说。 - 环境回声较大时，适当降低设备外放音量。 ### 10.5 音乐生成失败 可能原因： - MiniMax 音乐接口审核拦截。 - 歌词包含真实品牌、角色、翻唱或敏感内容。 - 网络或接口临时失败。 - 音乐额度不足。 建议： - 使用系统生成的安全歌词草稿。 - 避免说“翻唱”“模仿某歌手”“某品牌官方歌曲”等。 - 如果失败，修改歌词后重新确认生成。 ### 10.6 搜索失败或信息不新 可能原因： - MiniMax MCP 搜索暂时不可用。 - 外部搜索结果质量不稳定。 - 问题太宽泛。 建议： - 加上地点、日期、对象名称。 - 例如把“天气怎么样”改成“上海明天 2026 年 5 月 19 日天气怎么样”。 - 把“这个乐园怎么玩”改成“上海迪士尼一日游攻略，亲子路线”。 ## 11. 推荐使用方式 单次问题： 点击麦克风，说完问题后等待回答。 连续聊天： 点击“聆听”，自然说话，说完停顿一下。 需要停止播报： 说“停一下”或点击“停止”。 需要视觉识别： 点击“拍照”，拍摄图片后等待识别结果。 需要生成音乐： 先说需求，按选项补充，确认歌词后再生成。 ## 12. 测试时建议记录的信息 如果出现问题，建议记录： - 会话编号。 - 问题发生时间。 - 当时按钮状态。 - 实时转写里的“捕获”和“转写”内容。 - 是否连续聆听模式。 - 是否正在播报时打断。 - 生成音乐时选择的选项。 - 页面显示的错误提示。 这些信息可以帮助快速定位 ASR、TTS、搜索、MCP、音乐接口或前端交互问题。