使用 NapCat 和 GPT-SoVITS 搭建本地 QQ 语音机器人
AI 总结
一篇第一人称技术搭建记录介绍了使用 NapCat、AstrBot、兼容 OpenAI 的模型服务和 GPT-SoVITS 构建本地 QQ 语音聊天机器人的过程。文章涵盖四层链路、反向 WebSocket 配置、通过 ffmpeg 进行 SILK v3 转码、使用3至10秒干净参考音频进行零样本音色克隆、私聊与群聊记忆、主动发言控制、延迟调优及分层排查。报告还指出，采用模拟登录的第三方协议端存在平台规则、风控及账号封禁风险。其部署经历和排障观察尚未得到独立验证。
深度见解
该记录提供了多组件语音机器人的具体架构和分层验证方法，说明消息送达、模型回复、语音合成、音频编码、启动时序及发言行为等环节可能出现的故障。
引子
文字聊天机器人已经很不稀奇了，但如果你想让自己的人设角色在群里用特定的声音说话，链路会突然长出一大截：协议端、机器人框架、大模型、语音合成，少一环都不行。
最近「大肥鱼」人设和「鲸鱼娘」桌宠在 DeepSeek 生态里火了一把，很多人第一次意识到：这些角色如果只会打字，乐趣少一半；真让它们用自己的声音在群里接话，才算「活过来」。
这篇文章是完整的一次搭建实录：从技术选型、端口规划，到语音编码绕不开的坑，再到把默认 TTS 换成支持零样本音色克隆的 GPT-SoVITS；最后还包括跑起来之后的那些问题——消息上下文怎么隔离、群消息历史留多少条、怎么让它主动接话又不招人烦、以及延迟该从哪一层下手。全程本地部署，不依赖任何商业语音服务。
一、先把架构拆成四层
语音聊天机器人不是「接个 LLM 就行了」，它是一条四段式的流水线：
#NapCat#AstrBot#GPT-SoVITS#DeepSeek#Edge-TTS#ffmpeg#OneBot 11