Instruct 动态场景检测功能说明

版本：2026-06-14 | 关联提交：df6b3381

功能概述

利用 CosyVoice 官方 Instruct 指令的 4 层能力（身份 / 角色 / 场景 / 情感），根据文本内容动态匹配最佳指令，替代之前"音色硬编码单一场景"的粗放模式。

4 层 Instruct 能力（优先级从高到低）

层级	格式	示例	适用内容
身份	`你正在以一个{身份}的身份说话，你说话的情感是{情感}。`	故事机	童话、儿童故事
角色	`你现在说话的角色是{角色}，你说话的情感是{情感}。`	一个旁白	小说、叙事类
场景	`你正在进行{场景}，你说话的情感是{情感}。`	新闻播报	新闻、广告、解说等
仅情感	`你说话的情感是{情感}。`	happy	任意无场景匹配的文本

7 个官方场景 + 关键词特征

场景	触发关键词示例
新闻播报	据报道、记者从、新华社、数据显示、今日头条
广告促销	限时、特价、优惠、折扣、立即购买、扫码
比赛解说	比赛、进球、得分、冠军、绝杀、裁判
一些儿童内容解说	小朋友、小熊、童话、魔法、幼儿园
语音导航	前方、左转、路况、出口、公里
脱口秀表演	哈哈、段子、吐槽、笑死、你知道吗
闲聊互动	你好、今天、觉得、怎么样（默认兜底）

角色 / 身份检测

"一个旁白"（角色）

触发条件：文本含 "第一章"、"很久很久以前"、"从前"等叙事标记
效果：旁白朗讀模式，提升叙事感的自然度

"故事机"（身份）

触发条件：文本含 "童话"、"小熊"、"魔法"、"小朋友"等儿童内容关键词
优先级高于角色：检测到身份时不使用角色

逐段独立 Instruct

生成音频时，每段文本（≤1000字）独立分析，动态生成不同的 Instruct：

第1段是新闻 → "你正在进行新闻播报"
第2段是比赛 → "你正在进行比赛解说"
第3段是故事 → "你正在以一个故事机的身份说话"

前端展示

生成页面（/pages/create/index）"内容分析"卡片显示：

🎭 情感：检测到的情绪（😊快乐、😢悲伤…）
🎤 推荐音色：匹配的音色名称
🏷️ 场景：匹配的场景类型（如"新闻播报"）
👤 身份：如检测到儿童内容则显示"故事机"
🎭 角色：如检测到叙事文本则显示"一个旁白"

API 接口

`POST /api/tts/detect-emotion`

响应新增字段：

{
  "data": {
    "emotion": "happy",
    "scene": "一些儿童内容解说",
    "role": null,
    "identity": "故事机"
  }
}

核心代码文件

文件	改动
`server/src/modules/tts/tts.service.ts`	`detectScene()`、`detectContentType()`、`generateSegmentInstruct()`
`server/src/modules/tts/tts.controller.ts`	detect-emotion 返回 scene/role/identity
`my-uniapp-vue3/src/pages/create/index.vue`	前端展示场景/身份/角色信息

测试结果（2026-06-14）

测试内容	后端 detect-emotion	逐段 Instruct	前端显示
故事类	✅ scene=儿童内容解说 identity=故事机	✅ 故事机身份	✅ 场景+身份正确
新闻类	✅ scene=新闻播报	N/A(单段)	✅ 场景正确
比赛类	✅ scene=比赛解说	✅ 比赛解说	✅ 场景正确
广告类	✅ scene=广告促销	N/A	N/A
脱口秀	✅ scene=脱口秀表演	N/A	N/A
导航类	✅ scene=语音导航	N/A	N/A
闲聊类	✅ scene=闲聊互动(兜底)	N/A	N/A