WhisperaPet

对话的主逻辑我自己已经写好了，缺的是一个能跑起来的实时语音框架。WhisperaPet 就是把这两半拼起来的产物。

思路

借用 Whispera 的实时语音能力（Electron 前端、Silero VAD 打断、WebSocket 协议、流式播放），换掉它自带的本地大模型和本地 TTS：

• 本地 llama-server + GGUF → DeepSeek API
• 本地 VoxCPM 流式 TTS → GPT-SoVITS api_v2 服务
• ASR 从 SenseVoiceSmall → 复用 GPT-SoVITS 自带的 paraformer 快照

做了什么

• 人格系统：新增 personas/<id>/ 目录，每个人格一个 SKILL.md（人格技能）加一个 voice.json（参考音频、提示文本、可选微调权重）。加新人格只要建目录放文件，不用改代码。
• 一键切换：切换人格时同时更新 LLM 的 system prompt、TTS 的参考音频，以及 GPT-SoVITS 的微调权重，切换完前端会提示已生效。
• 权重缓存：GPT-SoVITS 的权重是服务端全局状态，所以给已加载的组合做了缓存，避免每次合成都重载；微调人格和零样本人格来回切也不会串音色。
• 一键启动脚本：把 Python 解释器复用、TTS 服务拉起、模型校验和 Electron 启动串成一条命令。

踩过的两个坑

1. Python 3.9 类型注解墙：GPT-SoVITS 的便携 runtime 自带 Python 3.9，而后端路由用了 3.10+ 的 X | Y 联合类型注解，FastAPI 注册路由时直接崩。
2. ASR 与 funasr 版本不兼容：SenseVoiceSmall 的快照不带 funasr 1.0.27 需要的 dims 元数据，加载时报缺 10 个必填参数。最后改成复用 GPT-SoVITS 自带、日常在用的 paraformer 中文快照。

两个问题的现象、根因和验证方式都记在了项目文档里。