问题现象
STT 修复后，用户开始用口语模式正常对话。但很快发现新问题：AI 的回复稍微长一点，朗读就只读开头几个字，然后就停了。比如 AI 回复了一段 300 字的英文建议，小程序只播放了前两句，后面全没了。用户以为朗读功能坏了，反复点击重试也没用。
对比生成音频文件大小也印证了这一点：一条 480 字符的 AI 回复，生成的音频只有 17KB（约 2 秒），而正常完整朗读应该是 180KB+（约 20 秒）。
排查过程
这个问题是典型的”截断”而非”中断”——不是播放器中途挂掉，而是根本没生成完整的音频。顺着调用链从上往下排查：
第一处截断：前端聊天页
// frontend/src/pages/chat/index.tsx — 旧代码
speak(lastMsg.content.slice(0, 200)) // ← 硬截 200 字符聊天页在调用 speak() 之前，自己先截了一刀。
第二处截断：speech 模块
// frontend/src/lib/speech.ts — 旧代码
export function speak(text: string): void {
const trimmed = text.slice(0, 200) // ← 又截一刀
// ...请求 TTS 接口
}即使聊天页传了完整文本，speech.ts 内部还有一道截断。
第三处截断：后端 TTS
# /opt/english-api/routers/tts_router.py — 旧代码
text = text[:200] # ← 第三刀后端也有硬截断。三层截断叠加，无论前端传多长，最终送到 edge-tts 的文本最多 200 字符。
根因分析
根本原因不是某个单一的 bug，而是前后端各自加了”安全截断”但没有协调。200 字符这个限制的来源是 edge-tts 单次合成的一个经验值——太长的文本会导致合成超时或内存溢出。但正确的做法不是暴力截断然后只读个开头，而是分段合成、队列播放。
修复方案
1. 新增分段函数 splitTextForTTS
在前端 speech.ts 中新增智能分段逻辑，按句子边界切分长文本，每段不超过 500 字符：
export function splitTextForTTS(text: string, maxChars = 500): string[] {
const segments: string[] = []
let remaining = text.trim()
while (remaining.length > 0) {
if (remaining.length <= maxChars) {
segments.push(remaining); break
}
// 在 maxChars 范围内找最后一个句子结束符
let cutAt = maxChars
for (const sep of ['. ', '! ', '? ', '\n', '.', '!', '?']) {
const pos = remaining.lastIndexOf(sep, maxChars)
if (pos > maxChars * 0.6) { cutAt = pos + sep.length; break }
}
segments.push(remaining.slice(0, cutAt).trim())
remaining = remaining.slice(cutAt).trim()
}
return segments.filter(s => s.length > 0)
}2. 队列式逐段播放
分段后依次请求 TTS 接口，每段播放完毕再播下一段。单段合成失败自动跳过，不中断整段朗读：
export function speak(text: string): void {
const segments = splitTextForTTS(text)
// 清空旧队列，加入新分段（每个分段作为独立任务）
audioQueue.push(...segments.map(seg => ({ text: seg })))
if (!isPlaying) playNext()
}3. 统一上限为 500
- 前端
splitTextForTTS每段 ≤500 字符 - 后端 TTS 路由上限从 200 提到 500
- 聊天页不再截断，传完整文本给
speak()
验证结果
- 一条 480 字符的 AI 回复，生成 183KB 音频（原来 17KB），完整播放约 20 秒
- 更长的回复会被切成 2~3 段，段间无感知衔接
- 单段 TTS 超时或失败，自动跳过该段继续播后续
经验教训
- 截断不等于降级：暴力截断然后让用户以为功能坏了，不如老实做分段播放
- 前后端的”安全限制”要对齐：三处各自为政的 200 字符限制是最典型的反面教材
- 按句子边界切分体验好很多：在句号/问号处断句，用户听不出是分段播放
- 队列模式天然容错：单段失败不影响整段朗读，比”全成功或全失败”的模式稳健得多
发表回复