语音合成坊数据表V2架构说明

概述

为了统一语音合成坊的异步任务管理，创建了4个新表（V2版本），采用零影响迁移策略。

设计原则

统一异步模式 - 所有任务都是异步的，通过 task_id 追踪
零影响迁移 - 创建新表，不修改旧表，现有服务不受影响
统一状态管理 - 所有表使用相同的状态流转：PENDING → PROCESSING → SUCCEEDED / FAILED
完整错误处理 - 所有表都有 error_message 字段记录失败原因

新表结构

1. asr_recognition_v2（语音识别）

用途: 异步语音识别任务

核心字段:

task_id: DashScope返回的任务ID（唯一标识）
model: ASR模型名称
file_url: 音频文件URL
status: 任务状态
result_text: 识别结果文本
result_url: 识别结果文件URL（长文本场景）
duration: 音频时长（秒）
bill: 费用（元）

状态流转:

PENDING (提交任务) 
  → PROCESSING (识别中) 
  → SUCCEEDED (成功) / FAILED (失败)

使用场景:

用户上传音频文件进行语音识别
支持长音频文件识别
异步轮询获取识别结果

2. audio_synthesis_v2（语音合成）

用途: 异步语音合成任务

核心字段:

task_id: DashScope返回的任务ID（唯一标识）
model: TTS模型名称
voice: 音色ID
text: 合成文本内容
audio_url: 生成的音频文件URL
status: 任务状态
duration: 音频时长（秒）
format: 音频格式（mp3/wav/pcm）
characters: 文本字符数
bill: 费用（元）
custom_name: 用户自定义名称

状态流转:

PENDING (提交任务) 
  → PROCESSING (合成中) 
  → SUCCEEDED (成功) / FAILED (失败)

使用场景:

短文本语音合成（< 500字）
支持多种音色和模型
异步生成音频文件

3. voice_clone_v2（声音克隆）

用途: 异步声音克隆任务

核心字段:

task_id: DashScope返回的任务ID（唯一标识）
voice_id: 生成的音色ID（完成后才有）
target_model: 目标TTS模型
prefix: 音色前缀名称
voice_name: 音色名称（用户输入）
audio_url: 原始音频文件URL
status: 任务状态
bill: 费用（元）

状态流转:

PENDING (提交任务) 
  → PROCESSING (训练中) 
  → SUCCEEDED (成功，生成voice_id) / FAILED (失败)

使用场景:

用户上传音频样本克隆声音
生成个性化音色
音色训练完成后可用于TTS

注意事项:

voice_id 在任务成功完成后才有值
训练时间较长，需要轮询状态

4. long_text_audio（长文本转音频）

用途: 长文本分段合成和拼接

核心字段:

task_id: 本地生成的UUID（唯一标识）
model: TTS模型
voice: 音色ID
text: 原始长文本
text_length: 文本总长度
segment_count: 分段数量
segments: JSONB数组，存储分段信息
audio_url: 最终拼接的音频URL
status: 任务状态
progress: 进度百分比（0-100）
duration: 总时长（秒）
bill: 费用（元）

segments 字段格式:

[
  {
    "index": 1,
    "text": "第一段文本内容...",
    "task_id": "dashscope_task_id_1",
    "audio_url": "https://oss.../segment_1.mp3",
    "duration": 10.5,
    "status": "SUCCEEDED"
  },
  {
    "index": 2,
    "text": "第二段文本内容...",
    "task_id": "dashscope_task_id_2",
    "audio_url": "https://oss.../segment_2.mp3",
    "duration": 12.3,
    "status": "PROCESSING"
  }
]

状态流转:

PENDING (创建任务) 
  → PROCESSING (分段合成中，progress更新) 
  → SUCCEEDED (所有分段完成并拼接) / FAILED (失败)

使用场景:

长文本（> 500字）语音合成
自动分段处理
实时进度反馈
最终音频拼接

处理流程:

将长文本分段（每段 < 500字）
为每段创建独立的TTS任务
更新 segments 数组和 progress
所有分段完成后拼接音频
更新 audio_url 和 status

统一状态码

所有表使用相同的状态码：

状态	说明	可操作
PENDING	任务已创建，等待处理	可取消
PROCESSING	任务处理中	可查询进度
SUCCEEDED	任务成功完成	可下载结果
FAILED	任务失败	查看 error_message

与旧表的关系

新表	旧表	关系
asr_recognition_v2	asr_task + asr_recognition	合并并统一为异步
audio_synthesis_v2	audio_synthesis	添加异步支持
voice_clone_v2	voice_clone	添加 task_id 字段
long_text_audio	-	全新功能

迁移策略:

旧表保持不变，现有服务继续使用
新功能使用新表
逐步迁移旧数据到新表
最终废弃旧表（需要评估时机）

索引设计

所有表都有以下索引：

user_id - 用户查询优化
task_id - 任务查询优化（唯一索引）
status - 状态过滤优化
created_at - 时间排序优化（降序）

API 设计建议

创建任务

POST /api/v2/audio/synthesis
POST /api/v2/audio/recognition
POST /api/v2/audio/voice-clone
POST /api/v2/audio/long-text

查询任务状态

GET /api/v2/audio/task/{task_id}

查询用户任务列表

GET /api/v2/audio/tasks?type=synthesis&status=SUCCEEDED&page=1&size=20

取消任务

DELETE /api/v2/audio/task/{task_id}

前端轮询建议

// 轮询间隔建议
const POLL_INTERVALS = {
  PENDING: 2000,      // 2秒
  PROCESSING: 3000,   // 3秒
  SUCCEEDED: 0,       // 停止轮询
  FAILED: 0           // 停止轮询
};

// 最大轮询次数
const MAX_POLL_COUNT = 100; // 5分钟（3秒 * 100）

费用计算

所有表都有 bill 字段记录费用：

语音识别：按音频时长计费
语音合成：按字符数计费
声音克隆：固定费用
长文本转音频：按总字符数计费

数据清理策略

建议定期清理：

失败任务：保留7天
成功任务：保留30天
音频文件：保留30天后移至冷存储

监控指标

建议监控：

任务成功率：SUCCEEDED / (SUCCEEDED + FAILED)
平均处理时长：completed_at - created_at
任务积压：status = PENDING 的数量
费用统计：SUM(bill) 按日/月统计

audio_v2_tables.md 6.3 KB Permalink Verlauf Originalformat

语音合成坊数据表V2架构说明

概述

设计原则

新表结构

1. asr_recognition_v2（语音识别）

2. audio_synthesis_v2（语音合成）

3. voice_clone_v2（声音克隆）

4. long_text_audio（长文本转音频）

统一状态码

与旧表的关系

索引设计

API 设计建议

创建任务

查询任务状态

查询用户任务列表

取消任务

前端轮询建议

费用计算

数据清理策略

监控指标

audio_v2_tables.md 6.3 KB

Permalink Verlauf Originalformat