Dify语音识别配置与语音合成上手指南

Dify语音识别配置与语音合成上手指南【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify痛点切入给 Dify 应用加语音识别能力多数人都卡在同两处应用的功能开关没打开模型供应商没配对应的语音模型。电商客服想接语音咨询教学平台想让知识库的答案能直接播出来最后都堵在配置页。这篇讲 Dify 语音识别配置和文字转语音TTS怎么跑通以及容易踩的坑。它是什么Dify 是智能体工作流开发平台语音能力内建在应用配置里不需要单独部署 ASR/TTS 服务。和自研方案的核心差异在于识别和合成复用平台统一的模型供应商管理一个工作区配一次 API Key应用侧只负责开开关和选音色。最小上手路径拉代码并启动服务执行git clone https://gitcode.com/GitHub_Trending/di/dify进docker目录运行docker compose up -d全栈组件按docker/docker-compose.yaml自动拉起。设置 → 模型供应商 → 添加 OpenAI 或 Azure 的 API Key确认模型列表里出现语音识别和文字转语音两类。新建 Chatflow 应用 → 功能设置 → 打开语音识别再启用 TTS 并选一个音色右侧调试窗口直接发一条语音消息验证。 核心能力对照两条链路能力不对等配置前先对一下这张表维度语音识别 STT文字转语音 TTS开关位置应用功能设置应用功能设置可选参数无voice 音色输入限制30MB 以内无支持格式mp3、wav 等纯文本默认模型租户默认模型租户默认模型识别这条链路只关心格式和大小合成多一个音色选择两边都走租户默认模型。 落地场景客服语音问答怎么配场景→你要做什么用户在聊天窗口直接说话识别后检索知识库答案以语音返回。创建 Chatflow 应用导入商品 FAQ 知识库应用功能设置 → 打开语音识别打开文字转语音并选音色调试面板发语音消息核对识别文本和语音回复教学语音答疑怎么搭场景→你要做什么学员语音提问工作流检索课件并语音作答。工作流里加知识检索节点接 LLM 节点用检索内容生成回答工作流功能设置 → 启用文字转语音并选音色端到端验证语音提问 → 识别 → 检索 → 语音回答 高频踩坑症状上传语音报错超过 30MB。原因平台限制单文件 30MB定义在api/services/audio_service.py。处理先压缩再上传长录音按段切分。症状识别结果乱码或整段识别成别的语言。原因默认识别模型不支持你录音的语言。处理到模型供应商换成支持该语言的模型重新调试。症状语音发出去有识别文本但 AI 回复没有声音。原因只开了语音识别没开合成或没选音色。处理功能设置里两项都打开并选音色保存后重测。症状调试时提示供应商不支持语音能力。原因工作区只配了 LLM 类模型没有 STT/TTS 模型。处理补一个带语音能力的提供商或切换默认模型。症状上传报不支持的音频格式。原因只收 mp3、m4a、wav、amr、mpga 这几类。处理转成 wav 或 mp3 再传。 往深了走流式分段上传长录音按片段发送再拼接降低单次等待和失败成本多供应商互备主语音模型不可用时切到备选供应商客服场景不断线音色与语言对齐按用户语言挑音色和识别模型避免中文问题配上英文播报收尾这篇覆盖了从启动服务到 STT/TTS 全链路配置的完整路径坑都列在踩坑一节。下一步建议进应用的功能设置页把音色换一轮对比两三个语音提供商的识别效果选定后再发布。【免费下载链接】difyBuild Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.项目地址: https://gitcode.com/GitHub_Trending/di/dify创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考