xiaozhi-esp32-server项目中豆包API与TTS集成时的Markdown语法处理问题分析

在智能语音交互系统的开发过程中，文本到语音(TTS)转换的质量直接影响用户体验。近期在xiaozhi-esp32-server项目中发现了一个值得关注的技术问题：当使用豆包API作为语言模型(Language Model)并配合火山流式TTS服务时，返回内容中的Markdown语法标记会被直接朗读出来，这显然不符合预期的交互体验。

问题现象

具体表现为，当系统返回带有Markdown格式的内容时，例如：

• 加粗标记(文本)
• 列表标记(1. 2. 3.)
• 其他Markdown特殊符号

这些本应用于文本格式化的标记符号会被TTS引擎当作普通文本朗读出来，导致语音输出中出现"星号星号"、"数字点"等不必要的内容，严重影响语音交互的自然流畅性。

技术背景分析

这个问题涉及几个关键技术点：

1. 豆包API的输出特性：豆包作为语言模型服务，其返回内容默认保留了Markdown格式，这是为了方便在支持Markdown渲染的客户端(如网页、APP等)中显示丰富的文本样式。

2. TTS引擎的处理机制：火山流式TTS作为专业的语音合成服务，其设计初衷是忠实转换输入文本，不会自动过滤特殊符号或格式标记，这属于正常行为。

3. 系统集成架构：在xiaozhi-esp32-server项目中，LLM的输出直接传递给TTS服务，中间缺少必要的文本预处理环节。

解决方案探讨

针对这一问题，项目团队可以考虑以下几种技术方案：

1. 预处理过滤方案：

   • 在LLM输出和TTS输入之间增加Markdown解析器
   • 提取纯文本内容，去除所有格式标记
   • 实现简单，效果直接

2. 模型配置方案：

   • 研究豆包API是否支持返回纯文本模式
   • 可能需要在API调用时设置特定参数
   • 从源头解决问题，但依赖API功能支持

3. 混合处理方案：

   • 结合上述两种方法
   • 优先尝试获取纯文本输出
   • 保留预处理作为后备方案

实现建议

基于项目现状，推荐采用预处理过滤方案，具体实现可考虑：

1. 使用轻量级Markdown解析库，避免引入过大依赖
2. 针对常见Markdown元素(加粗、斜体、列表等)设计专用过滤器
3. 保留必要的语义停顿标记(如段落分隔)，确保语音自然度
4. 对特殊内容(如代码块)进行适当转换而非简单删除

项目实践意义

解决这一问题将显著提升xiaozhi-esp32-server项目的语音交互体验：

1. 使语音输出更加自然流畅
2. 保持与文本显示的一致性
3. 为后续支持更丰富的交互场景奠定基础
4. 提高系统的专业度和完成度

此问题的解决也体现了在AI系统集成中，各组件间的数据格式适配和预处理的重要性，是构建高质量智能交互系统不可忽视的环节。