# VoxEMW 全云 API 化：接入 dsh 修订方案（零自托管模型）

- **日期**：2026-09-09（22:50 版）
- **性质**：对《VoxEMW接入dsh调研与落地方案_20260909.md》的**方向性修订**——用户决策：**模型全部连线上 API，不部署任何本地模型**
- **一句话**：不再"代理运行 VoxEMW 那套 GPU 服务"，而是**以 VoxEMW 为产品与体验蓝本，复用其 persona 文案与 `assets/mojingnvwu/face_ref.jpg` 形象资产，后端全部换成 2026 年已商业化的云端实时 API**，由 dsh 插件做编排/代理/隔离。

> ⚠️ **重要更正**：前一版文档 §4 判断"实时写实数字人渲染没有等价公开 API"——该判断已被 2026-09 市场现状推翻：火山引擎「实时互动数字人 API(FlowAct-R1)」、阿里云「数字人实时交互 OpenAPI」、ZEGO「精品照片数字人」均已提供"图片/形象 + 音频流 → 实时视频流"的商业 API。全云 API 路线**可行**，本文即按此重写。

---

## 一、决策影响对照（原方案 → 修订方案）

| 维度 | 原方案（代理 VoxEMW GPU 服务） | 修订方案（全云 API） |
|---|---|---|
| 模型部署 | 4090 主机四模型本地常驻（21.7G/24G） | **零本地模型**，全部云端 API |
| GPU 主机/隧道 | 需要 | **移除**，不需要任何自管 GPU |
| VoxEMW 代码 | 运行上游 python 全套 | **不运行**，仅作蓝本（UI 氛围/协议形态/人设） |
| 核心工作 | 守护 + 反向代理 + 槽位 | **云端编排层**（Realtime WS 对接 + 数字人流对接 + 人设注入） |
| 用户数据隔离 | 槽位 + persona 映射 + 零持久化 | 槽位/配额 + profile 维度记账 + 云端 session 独立 + 第三方合规提示 |
| 需要决策的新增项 | — | 供应商组合、数字人形象图、音色路线（见 §七） |

---

## 二、2026-09 云端供给盘点（VoxEMW 六积木逐块替换）

### 2.1 替换矩阵

| VoxEMW 积木 | 等价云 API（已核实存在） | 关键参数/证据 |
|---|---|---|
| ① VAD + ② STT | 并入"端到端 Realtime 模型"（自带 server VAD + 自动打断），或单独接讯飞/火山/阿里实时 ASR | 端到端更省事，见 2.2 |
| ③ LLM 大脑 | 端到端模型自带大脑；或保留 DeepSeek API（分离式时） | 魔镜人设走 `instructions`（session.update），与 VoxEMW 注入 persona 同思路 |
| ④ TTS 音色 | 端到端预置音色（列表切换）；要"专属音色/克隆"则分离式接 MiniMax / 阿里 CosyVoice / 火山豆包 | 见 §六体验差异（音色设计能力是最大降级点） |
| ⑤ **写实数字人** | **火山「实时互动数字人 API (FlowAct-R1)」**：单张人物图 + 16kHz PCM 音频流 → 实时视频流，480P@25fps，首帧 ~2s，声画毫秒同步（[docs.volcengine.com](https://docs.volcengine.com/docs/86081/2387261)）<br>或 **阿里云数字人实时交互 OpenAPI**：WebSocket + streamed audio driver，支持 `customUserId`（天然适合租户标记）（[help.aliyun.com](https://help.aliyun.com/en/me/getting-started/digital-human-real-time-interactive-openapi)）<br>或 **ZEGO 精品照片数字人**：1 张照片 200ms、1080P，走 RTC 视频互动（[doc-zh.zego.im](https://doc-zh.zego.im/aiagent-mini-program/introduction/overview)） | 单图输入 → **`assets/mojingnvwu/face_ref.jpg` 可直接复用** |
| ⑥ 眼睛 VLM | **GLM-Realtime**（音视频通话模型，WebSocket，支持摄像头帧输入、function calling、server VAD、可打断）<br>或 **阿里 Qwen-Omni-Realtime / qwen3.5-omni-plus-realtime**（DashScope，WS 与 WebRTC 双通道，视频帧输入） | 摄像头帧走同一条 Realtime WS，天然实现"她看得见你" |

### 2.2 端到端 Realtime vs 分离式（架构大方向二选一）

| | 端到端 Realtime（**推荐**） | 分离式（ASR + LLM + TTS 各选一家） |
|---|---|---|
| 做法 | 一个 WebSocket 完成"听→想→说"，服务端 VAD/打断全托管 | 每环节独立 API，自行拼装状态机 |
| 延迟/体验 | 低（0.3~0.5s 级开口），打断顺滑 | 每跳多一次网络，拼装复杂、易抖 |
| 音色自由度 | 预置音色列表（GLM-Realtime 提供 tongtong/xiaochen/female-tianmei…） | 可用 MiniMax/CosyVoice 克隆"魔镜专属嗓音" |
| 视觉（眼睛） | GLM-Realtime / Qwen-Omni 直接吃视频帧 | 需另接 VLM API |
| 计费参考 | GLM-Realtime-Flash：音频 0.18 元/分，视频 1.2 元/分；Air：0.3 / 2.1 元/分（[docs.bigmodel.cn](https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-realtime)） | 各家按量，总价通常更高 |

**推荐组合**（两个候选，M1 前拍板）：
- **组合甲（默认推荐）**：端到端大脑+声音 = **智谱 GLM-Realtime**；出画 = **火山 FlowAct-R1**（单图+音频流）。理由：中文生态、GLM-Realtime 带视频+function calling、成本低、火山数字人与豆包端到端语音同族可平滑替换。
- **组合乙（同厂商偏好）**：端到端 = **阿里 Qwen-Omni-Realtime**（视频帧原生）；出画 = **阿里实时数字人 OpenAPI**（带 `customUserId`，租户标记友好）。理由：一家计费/控制台，WebRTC 浏览器直连低延迟。

---

## 三、目标架构（修订后）

```
┌──────────── 用户浏览器（dsh 会话窗口右侧分栏面板，同源 https）───────────┐
│  魔镜面板（轻量前端，蓝本=VoxEMW web/ 的氛围，但重写为云版）             │
│   ├─ 麦克风采集 16kHz PCM → host 代理 → 云 Realtime WS                 │
│   ├─ 摄像头帧（可选"眼睛"）→ host 代理 → 同一 Realtime WS               │
│   └─ 云数字人视频流 → <video> 播放（火山 FlowAct-R1 / 阿里）             │
└──────────────────────┬──────────────────────────────────────────────────┘
                       │ 同源（ws/wss + http），Authorization 由服务端注入
┌──────────────────────▼── dsh 服务器（47.77.182.89 / dsh 域）────────────┐
│  dsh-plugin-voxemw-cloud                                               │
│   ├─ lib/host.js：/voxemw/api/* + /voxemw/ws/* 反向代理到云厂商         │
│   │     · 云 API Key 保管于此，**绝不下发浏览器**                      │
│   │     · 注入 dsh 登录态 → 按 profile 换取一次性云端会话 token        │
│   ├─ lib/slot.js：会话槽位仲裁 + 配额（按 profile 限每日用量）          │
│   ├─ lib/billing.js：profile × 分钟数 × 费用的用量记账（审计）          │
│   └─ lib/client.js：会话分栏 + 魔镜面板 UI（沿用 mcn split 技术）       │
└─────────────────────────────────────────────────────────────────────────┘
                       │ HTTPS/WSS（云厂商公网 API）
                       ▼
   智谱 GLM-Realtime / 阿里 Omni-Realtime（大脑+耳朵+嗓子+眼睛）
   火山 FlowAct-R1 / 阿里实时数字人（出画，输入 face_ref.jpg 形象）
```

要点：
1. **云 API Key 全部收口在 dsh 服务端**，浏览器永远只连 dsh 同源地址 → 无 CORS、无密钥泄露、天然 secure context。
2. 数字人形象输入 = 复用 VoxEMW 仓库 `assets/mojingnvwu/face_ref.jpg`（280K 单张正面像，符合 FlowAct-R1"清晰正面半身图"要求）。
3. 魔镜人设 = 复用 `personas/mojingnvwu.md` 正文，经 `session.update.instructions` 注入（与 VoxEMW 注入 s2s 同一思路）；音色从云端预置列表近似选（见 §六）。
4. VoxEMW 上游 python **不再被运行**；前端也需**重写轻量云版**（原 `web/` 深度耦合 orchestrator 协议/本地假设，不能直接指向云）。

---

## 四、dsh 插件形态（包结构修订）

> **命名统一（2026-09-09 实现时裁定）**：插件名定为 **`dsh-plugin-voxemw-cloud`**（v0.1.0），替代早期方案的 `dsh-plugin-voxemw` 提法，旧称不再使用。
> **M1 交付边界**：客户端 bundle 只能在运行中的 dsh 实例加载验证（红线：client 改动必须重启实例 + 打包缓存），本机开发仅做语法/逻辑冒烟测试；实例级验证步骤见 README。云端厂商链路需账号开通后接线，realtime/avatar 先以"协议适配层 + 纯函数"落地（可测），UI 侧仿 social-workbench 提供"未配置云端"引导态。

```
dsh-plugin-voxemw-cloud/
├─ package.json / cordis.patch.yml     # 三段式骨架，注册 __mcnEntries，feature-tier
├─ lib/
│  ├─ index.js      # 路由注册：控制面 /voxemw/api/* + 面板页 /voxemw/app + /voxemw/health
│  ├─ slot.js       # 槽位 + 配额（云会话按分钟计费 → 必配每日上限）
│  ├─ billing.js    # profile 维度用量/费用记账（审计表）
│  ├─ cloudcfg.js   # 厂商/Key/模型/音色/形象 配置（服务端保管，密钥不下发）
│  ├─ realtime.js   # Realtime 协议适配层：session.update(人设/音色) 构建等纯函数
│  ├─ avatar.js     # 数字人协议适配层：会话初始化请求构建等纯函数
│  └─ client.js     # bundle：工作台入口 + 面板（沿用 mcn 分栏宿主，iframe 同源）
├─ web/app.html     # 魔镜面板轻量前端（单文件，同源加载，含麦克风回环自测）
└─ README.md
```

---

## 五、用户数据隔离（修订）

| 数据 | 存放/流向 | 隔离措施 |
|---|---|---|
| 用户语音/摄像头帧 | 浏览器 → dsh 代理 → **云厂商** | 每次会话新建独立云端 session；代理不留音频副本（纯透传）；关闭面板即销毁 |
| 对话/转写 | 云端会话内存（GLM 音频通话上下文 ~8K/20 轮） | 会话结束即释放；需留存时按 profile 落用户目录，绝不跨用户复用 |
| 人设/热词 | dsh 服务端按 profile 存映射 | 注入仅限本人会话 |
| 计费/用量 | billing 表（profile 维度） | 每用户只见自己的记账 |
| 云 API Key | dsh 服务端环境变量 | 浏览器不可见；轮换/最小权限（RAM/子账号 key） |

**新增合规注意（P1）**：语音/画面会经第三方云厂商处理——产品上需对用户明示；自用/内网不受影响。厂商选型时优先国内合规厂商（智谱/阿里/火山均支持企业实名）。

**沿用上一版 §6.2 的槽位层**：端到端模型与数字人流都按会话/分钟计费且厂商有并发限制（如 GLM Realtime 免费/低等级并发 5 路），slot 互斥 + 每日配额仍然是刚需。

---

## 六、体验差异（诚实对照，避免上线后落差）

| 体验点 | 原版（本地 4090） | 云 API 版 | 影响 |
|---|---|---|---|
| 开口延迟 | 说完 ~3s（本地 s2s 链路） | 端到端云 Realtime 通常相当或更低（server VAD 判停即响应） | ✅ 不降级 |
| 出画首帧 | SoulX 常活待机，几乎即时 | 火山 FlowAct-R1 首帧 ~2s；ZEGO 200ms 但走 RTC | ⚠️ 需预热/占位动画掩盖，或选 ZEGO |
| 音色"设计感" | VoxCPM2 描述词凭空造嗓 + 种子钉定 | 端到端只有预置音色；专属嗓音需分离式克隆（需参考音频） | ⚠️ **最大降级点**，见决策 3 |
| 魔镜形象 | SoulX 写实渲染 | 云端数字人（face_ref.jpg 驱动或平台形象） | 观感不同但可接受 |
| 长会话稳定性 | 本地单时钟唇形同步 | 厂商提示"过长视频有崩坏概率，建议会话长度策略"（火山） | 需设单会话时长上限并自动续段 |
| 运营成本 | GPU 租用（AutoDL 时按小时） | 按分钟计费（参考：音频 0.18~0.3 元/分 + 视频 1.2~2.1 元/分，纯语音组合更省） | 低频个人使用成本低；高频需配额 |

---

## 七、需要你拍板的 3 个决策（M1 前置）

1. **供应商组合**：组合甲（智谱 GLM-Realtime + 火山 FlowAct-R1，默认推荐）还是组合乙（全阿里）？还是只要纯语音（先不做出画，最省事）？
2. **数字人形象**：直接用 VoxEMW 自带 `assets/mojingnvwu/face_ref.jpg`，还是换一张更符合"魔镜女巫"设定的形象图（含版权确认）？
3. **音色路线**：先用云端预置女声（接近即可，最快）→ 之后若需"魔镜专属嗓音"再接分离式 TTS 克隆（需你提供一段 3~10s 参考音频，或用描述词在支持语音设计的 TTS 上逼近原 seed 效果）？

---

## 八、实施路线（修订）

**M1 — 云端链路跑通 + 面板可见（半天~1 天）**
1. 注册厂商账号、开通 API（按决策 1）；服务端保管 key。
2. 独立验证页：麦克风 → Realtime WS 对话成功；音频流喂数字人 API → 视频出画。
3. 接入 dsh：host 代理 + 会话分栏面板内嵌云版前端。
- ✅ 验收：dsh 会话旁打开魔镜，可语音对话 + 数字人出画；关闭面板会话无损。

**M2 — 隔离/配额/记账/人设**
4. slot + 每日配额；profile 维度 billing；人设注入；face_ref.jpg 形象固化；占用/排队 UI。
- ✅ 验收：双账号并发互斥、各自人设/记账不可见；用量超限自动拒 claim。

**M3 — 体验与合规**
5. 音色定制（决策 3 后半）；长会话自动续段/上限；窄栏 UI 打磨；日志分级；第三方数据处理提示。

---

## 九、访问形态、服务器负载与并发容量（2026-09-09 增补，回应"是否还是插件/压力多大/支持多少人"）

### 9.1 它仍是 dsh 插件，访问入口不变

全云 API 化**没有改变"插件"形态**——改变的是插件内部"不装模型、只做编排/代理"。访问链路分两个角色：

| 角色 | 是什么 | 访问方式 |
|---|---|---|
| **使用方（dsh 用户）** | 登录 dsh 后，在会话窗口分栏点「魔镜女巫」入口 | 插件 client bundle 注入 `__mcnEntries`，点击展开右侧面板 → 浏览器采集音视频、渲染数字人，全程**不感知云厂商存在** |
| **dsh 平台自身** | dsh 服务端运行 `dsh-plugin-voxemw-cloud`（host 半区） | 持有各家云凭证；控制面调用厂商 API 换取会话；把短时效凭证交给浏览器；按 profile 做槽位/配额/记账；也可向 dsh agent 暴露 MCP 工具（"启动/切换人设/查占用"） |

> 所以"dsh 如何访问"的答案 = **浏览器访问 dsh 同源入口，dsh 插件进程访问云厂商**，中间没有其他系统。

### 9.2 两条数据面架构（决定服务器压力，M1 前必须拍板）

| | 路径 | 服务器压力 | 适用 |
|---|---|---|---|
| **A. 媒体面直连（推荐）** | 浏览器 ↔ 云厂商 RTC/WS 直连音视频；dsh 服务器只做**控制面**（登录态校验 → 向厂商换短时效会话凭证 → 下发浏览器 → 记账） | **极小**：每个活跃会话仅几十 KB/s 级信令/文本，无媒体转发 | 云厂商支持浏览器直连 + 临时凭证。已核实线索：Qwen-Omni-Realtime 明确支持 WebRTC 浏览器低延迟；ZEGO/火山走 RTC 房间模型天然直连；GLM-Realtime 为 WS+API Key，直连会暴露 key，需厂商临时凭证或走 B |
| **B. 服务端中转（WS 全代理）** | 浏览器 → dsh 插件代理 → 云厂商 | 媒体全部过服务器：**带宽=瓶颈**（见 9.3 量化） | 厂商只有 WS+长期 Key（如 GLM-Realtime 默认）；或无浏览器 SDK |

**建议**：M1 验证时逐厂商问清"浏览器直连 + 临时凭证（ephemeral token/RTC room 凭证）"支持度，优先 A；A 不可用的环节退回 B 并控制并发。

### 9.3 服务器负载量化（估算，供规划）

单会话媒体流量（最坏=厂商给原始 PCM，若走 RTC/Opus 会小 4~8 倍）：

| 流 | 方向 | 码率估算 | 说明 |
|---|---|---|---|
| 上行语音 | 用户→云 | 16kHz PCM16 ≈ **256 kbps**（Opus 则 ~24–32 kbps） | 说话时才满速 |
| 下行语音 | 云→用户 | GLM 输出 pcm24 ≈ **384 kbps** | — |
| 数字人视频 | 云→用户 | 480P@25fps 估 **0.8–1.5 Mbps**（厂商未公开，按同类流媒体估） | 仅出画档 |

- **架构 A（直连）**：以上流量全部不经 dsh 服务器 → **dsh 服务器负载≈0**，只剩登录校验/凭证下发/账单（每会话可忽略）。dsh 服务器**不是瓶颈**。
- **架构 B（中转）**：每路活跃全功能会话 ≈ 上行 256k + 下行 1.7M ≈ **~2 Mbps**（不出画纯语音约 0.6 Mbps）。按带宽估并发：10 Mbps 出口 ≈ 5 路全功能（或 ~16 路纯语音）；1 Gbps ≈ 500+ 路（理论，另受云配额/CPU 转发限制）。**即：若要中转且大规模，带宽决定上限。**

### 9.4 支持多少人同时访问（分层容量模型）

"同时访问"要拆成三层，瓶颈各不相同：

| 层 | 含义 | 瓶颈 | 规模预估（推荐架构 A） |
|---|---|---|---|
| ① 同时在线 | 登录 dsh、面板能打开（不对话） | dsh 服务器 + 云账号配额外的静态资源 | 数百~上千不成问题，服务器压力≈0 |
| ② 同时语音对话 | 占用一条云端 Realtime 会话 | **云厂商并发配额**（例：GLM-Realtime 低等级在途并发 5 路起，可付费升级）| 通常买 5~50 路；受成本约束 |
| ③ 同时数字人出画 | 占用一路云数字人渲染 | 云数字人按路/分钟计费的并发上限 | 单账号通常个位数~十路级，需与厂商确认 |

**结论**：
- 瓶颈**不在 dsh 服务器**（只要走媒体面直连 A）；瓶颈在**云厂商并发配额**和**按分钟费用**。
- 推荐按"**槽位数 = 你买的云端路数**"来卖/分配：例如买 5 路 → 同时最多 5 人占用魔镜，第 6 人排队（slot + 配额机制正是为此设计）。这也是为什么 §四 slot/billing 是刚需。
- 若坚持服务端全中转（B），则按 9.3 公式用你 dsh 服务器实际出口带宽反推上限。

> ⚠️ 各厂商具体并发配额/直连凭证机制随套餐变化，**M1 开通账号后实测**（一次开 N 路压测），本表为规划级估算。

---

## 附录：信息来源

- 火山引擎「实时互动数字人 API (FlowAct-R1)」：https://docs.volcengine.com/docs/86081/2387261
- 阿里云「数字人实时交互 OpenAPI」：https://help.aliyun.com/en/me/getting-started/digital-human-real-time-interactive-openapi
- ZEGO「实时互动 AI Agent 2.0 / 精品照片数字人」：https://doc-zh.zego.im/aiagent-mini-program/introduction/overview
- 智谱「GLM-Realtime」：https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-realtime
- 阿里「Qwen-Omni-Realtime / qwen3.5-omni」：https://help.aliyun.com/en/model-studio/realtime
- VoxEMW 复用资产：`D:\tmp\voxemw\voxemw-src\assets\mojingnvwu\face_ref.jpg`、`personas/mojingnvwu.md`（MIT 许可，复用保留版权声明）