@kmchai/cortico-world-voice 0.3.0 → 0.4.0

package/CHANGELOG.md

@@ -1,3 +1,19 @@
+## 0.4.0
+
+- 删除概率触发：不再有 `autoSpeak`、`autoProbability`、`autoFromText`、`autoTools`、`autoEvents`，也不再轮询事件或从工具参数自动找正文。
+- 语音只在三种显式路径出声：`voice_speak` 工具、最近用户消息命中 `explicitKeywords`、正文里的 `<tts>…</tts>`。`voice_style` 仍影响后续语音。
+- 环境提示词、工具说明、README 与配置页同步去掉自动朗读与概率文案；旧配置里的被删字段会被忽略。
+- 这是破坏性行为变更：升级后普通回复不再随机朗读。需要出声的调用方应改用 `voice_speak`，或在消息里明确要求语音。
+
+## 0.3.2
+
+- IndexTTS2 的模型提示词明确:`emotion` / `instruct` 传自然语言,由服务映射到 `emotion_text`;不要在正文写 `emotion_text` 或方括号标签。服务 0.4.2 起这两个 options 不再由模型页覆盖。
+
+## 0.3.1
+
+- 自动朗读不再把 `end_turn` 当成实质工具调用。模型说完正文再调 `end_turn` 结束这一轮时,正文照常按概率朗读;仍会压掉与 `web_search` 等实际工具同轮出现的中间正文。
+- 网关 0.1.1 已把 World 的 `outputTap` 扇进主 session;此前网关 bot 里概率朗读拿不到正文。
+
 ## 0.3.0
 
 - 系统 Config tab 移除「音色与情绪」组;音色、情绪控制、默认情绪、默认表演指令、语速与副语言标签移到「模型」页。

package/README.md

@@ -1,9 +1,9 @@
 # @kmchai/cortico-world-voice
 
-Cortico 的语音 World:把回复念出来。触发、概率、文本过滤、情绪语义、队列与播放留在这里;合成经 [Kmch AI · 服务](https://github.com/Kmch-AI/cortico-world-service) 的 HTTP 网关完成。
+Cortico 的语音 World:把回复念出来。触发、文本过滤、情绪语义、队列与播放留在这里;合成经 [Kmch AI · 服务](https://github.com/Kmch-AI/cortico-world-service) 的 HTTP 网关完成。
 
 - **语音工具**:`voice_speak`、`voice_hush`、`voice_style`。
-- **三条触发路径**:工具显式调用、用户语义请求(「念给我听」)、按概率自动朗读。
+- **三条显式触发路径**:工具调用、用户语义请求(「念给我听」)、正文里的 `<tts>…</tts>`;不掷概率,也不会自动朗读普通回复。
 - **情绪与标签**:自然语言指令、分类情绪、语速、副语言标签(`[Laughter]`、`[Sigh]` 等)。
 - **文本过滤**:Markdown、代码、网址、动作标记、emoji、指定符号都不念。
 - **出口可拆**:本机播放、发 `tts.voice` 事件交给播放插件、或只合成并交回音频附件。
@@ -34,9 +34,7 @@ corepack pnpm add "D:/path/to/cortico-world-voice" --ignore-workspace
       "serviceUrl": "http://127.0.0.1:9883",
       "serviceTokenSecret": "",
       "model": "ming3-tts",
-      "playback": "local",
-      "autoSpeak": true,
-      "autoProbability": 0.3
+      "playback": "local"
     }
   }
 }
@@ -52,8 +50,8 @@ World 页的「模型」tab 选模型与音色,并按服务 `/v1/models` 返回
 
 | 工具 | 作用 |
 |---|---|
-| `voice_speak` | 念一句;可带 `emotion`、`instruct`、`voice`、`speed`、`silent`。不受概率限制。 |
-| `voice_style` | 读或改长期风格(情绪、指令、音色、语速),写回 `worlds.voice`,影响之后的自动朗读。 |
+| `voice_speak` | 念一句;可带 `emotion`、`instruct`、`voice`、`speed`、`silent`。 |
+| `voice_style` | 读或改长期风格(情绪、指令、音色、语速),写回 `worlds.voice`,影响之后的语音。 |
 | `voice_hush` | 立刻停声,清空排队。 |
 
 `silent: true` 只合成、不在本机播放,音频随工具回执交给渠道,用于语音条这类出口。
@@ -62,22 +60,13 @@ World 页的「模型」tab 选模型与音色,并按服务 `/v1/models` 返回
 
 | 路径 | 行为 |
 |---|---|
-| `voice_speak` 工具 | 立即念;不受概率限制。可带 `emotion`、`instruct`、`voice`、`speed`、`silent`。 |
-| 用户语义请求 | 最近 `explicitWindowSec` 秒内的外部消息含 `explicitKeywords`(默认「语音,声音,发语音,念给我听,读给我听,voice,tts」)时必定朗读。 |
-| 自动朗读 | 助手正文、指定工具参数、指定事件三类来源,按 `autoProbability` 掷一次。 |
-| `<tts>…</tts>` | 只念标签内文,并强制朗读。标签会出现在可见文字里;渠道可见时优先用工具触发。 |
+| `voice_speak` 工具 | 立即念;可带 `emotion`、`instruct`、`voice`、`speed`、`silent`。 |
+| 用户语义请求 | 最近 `explicitWindowSec` 秒内的外部消息含 `explicitKeywords`(默认「语音,声音,发语音,念给我听,读给我听,voice,tts」)时朗读这一轮的纯文本正文。 |
+| `<tts>…</tts>` | 只念标签内文。标签会出现在可见文字里;渠道可见时优先用工具触发。 |
 
-自动来源:
+同一段文字 5 秒内只念一次。没有概率自动朗读;普通回复不会自己出声。
 
-- `autoFromText`:一轮里只有正文、没有函数调用时,念这一轮的正文。
-- `autoTools`:这些工具的参数会被当作正文。默认 `pet_say, pet_ask, console_send`,取 `script` / `question` / `text` / `content` / `message` / `body` 里第一个字符串。
-- `autoEvents`:轮询事件库,念这些事件类型的 `meta.body` 或正文。
-
-同一段文字 5 秒内只念一次。概率按「一段话」掷,不按句掷。
-
-只想响应工具与显式请求、不要随机朗读:保留 `autoSpeak: true`,把 `autoProbability` 设为 `0`。把 `autoSpeak` 整个关掉会让 tap 不再挂载,显式关键词也就看不到正文了;这时只保留 `voice_speak` 工具触发。
-
-自动朗读依赖 Persona 把已挂载 World 的 `outputTap()` 扇进主 session;仓内 `cormini` 与 Coopanion 都这样做。只想要工具触发时,把 `autoSpeak` 关掉即可。
+显式关键词依赖 Persona 把已挂载 World 的 `outputTap()` 扇进主 session;`cormini`、Coopanion 与 `Kmch AI · 网关` 0.1.1 起都这样做。模型说完正文再调 `end_turn` 不影响判定;与搜索等实际工具同轮的中间正文仍不念。`explicitTrigger: false` 会关掉关键词路径,但 `<tts>` 与 `voice_speak` 仍可用。
 
 ## 情绪、语速与标签
 
@@ -91,7 +80,7 @@ World 页的「模型」tab 选模型与音色,并按服务 `/v1/models` 返回
 | `tags` | 不发情绪参数,只用正文标签。 | 正文标签。 |
 | `none` | 都不发。 | — |
 
-OpenAI 兼容条目把 `instructions` / `emotion` / `speed` 直接放进请求。其他模型可在服务面板里覆盖 profile 的字段映射,语音不用改配置。
+OpenAI 兼容条目把 `instructions` / `emotion` / `speed` 直接放进请求。IndexTTS2 把 `instructions` 或 `emotion` 映射成 `use_emotion_text: true` 与 `emotion_text`;这两个参数由语音的「默认情绪 / 默认表演指令」或单句 `emotion` / `instruct` 驱动,不在模型参数面板里单独出现。其他模型可在服务面板里覆盖 profile 的字段映射,语音不用改配置。
 
 `response_format` 每次都带;`model` 与 `voice` 配了才带,工具参数里的音色优先于配置默认值。
 
@@ -131,6 +120,14 @@ OpenAI 兼容条目把 `instructions` / `emotion` / `speed` 直接放进请求
 
 语音不唱歌:0.1.x 的 `voice_sing`、`【唱】` 前缀与 `sing*` 配置已删除。唱歌由服务的 `/v1/audio/sing` 和网关/唱歌插件接入。
 
+## 从 0.3.x 迁移
+
+| 0.3.x | 0.4.0 |
+|---|---|
+| `autoSpeak` / `autoProbability` / `autoFromText` / `autoTools` / `autoEvents` | 删除,配置里残留也会被忽略;语音不再自动朗读普通回复。 |
+| 自动朗读 | 改用 `voice_speak`;或在消息里明确要求语音,让 `explicitKeywords` 命中。 |
+| `explicitTrigger` / `explicitKeywords` / `explicitWindowSec` | 保留。 |
+
 ## 从 0.1.x 迁移
 
 | 0.1.x | 0.2.0 |
@@ -152,7 +149,7 @@ pnpm smoke:player out.wav                 # 本机播放器,音量 0
 pnpm smoke:chain http://127.0.0.1:9883    # 触发→过滤→经服务合成→tts.voice 全链路
 ```
 
-装进 Cortico 后应看到:World 页多一张「Kmch AI · 语音」卡,服务灯、队列灯与 `service` / `model` / `voice` 徽标;「模型」tab 能选模型与音色,按模型调整声音与情绪,并按服务参数渲染字段、保存;服务在线时灯亮;让 bot 调 `voice_speak` 能听见;说「念给我听」会绕过概率;`playback: event` 时时间线出现 `tts.voice`。
+装进 Cortico 后应看到:World 页多一张「Kmch AI · 语音」卡,服务灯、队列灯与 `service` / `model` / `voice` 徽标;「模型」tab 能选模型与音色,按模型调整声音与情绪,并按服务参数渲染字段、保存;服务在线时灯亮;让 bot 调 `voice_speak` 能听见;说「念给我听」会朗读纯文本正文;`playback: event` 时时间线出现 `tts.voice`。
 
 ## 许可
 

package/describe.json

@@ -2,7 +2,7 @@
   "tools": [
     {
       "name": "voice_speak",
-      "description": "Say a line aloud in your voice through the person's speakers, or only synthesize it when silent is true. Use it when the person asks for voice, when this line needs a specific emotion or voice, or when automatic reading is off. It only makes sound; the visible reply still goes through the channel's own send tool. When the speech service supports paralinguistic tags, keep them inline in the text: [Laughter], [Sigh], [Breathing], [Uhm], [Question-ei] and the like are performed, not read out.",
+      "description": "Say a line aloud in your voice through the person's speakers, or only synthesize it when silent is true. Use it when the person asks for voice, or when this line needs a specific emotion or voice. It only makes sound; the visible reply still goes through the channel's own send tool. When the speech service supports paralinguistic tags, keep them inline in the text: [Laughter], [Sigh], [Breathing], [Uhm], [Question-ei] and the like are performed, not read out.",
       "parameters": {
         "type": "object",
         "additionalProperties": false,
@@ -68,7 +68,7 @@
     },
     {
       "name": "voice_style",
-      "description": "Read or change the standing voice style used by automatic reading. Call with values to change them; call with no arguments to read the current style. Changes are saved to the World configuration and apply to later lines.",
+      "description": "Read or change the standing voice style used by later voice lines. Call with values to change them; call with no arguments to read the current style. Changes are saved to the World configuration and apply to later lines.",
       "parameters": {
         "type": "object",
         "additionalProperties": false,
@@ -100,8 +100,8 @@
         "write"
       ],
       "summary": {
-        "zh": "读或改自动朗读使用的长期音色与情绪。",
-        "en": "Read or change the standing voice style used by automatic reading."
+        "zh": "读或改后续语音使用的长期音色与情绪。",
+        "en": "Read or change the standing voice style used by later voice lines."
       }
     }
   ],
@@ -126,7 +126,7 @@
       "key": "worlds.voice.envPrompt",
       "title": "语音 · 环境提示词",
       "role": "envPrompt",
-      "content": "语音由 Voice 提供:它只把文字变成声音,从对方的扬声器念出来,不负责把回复发到聊天渠道;可见的回复仍然走渠道自己的发送工具。\n\n自动朗读现在是 {{voice.auto}}(音色 {{voice.voice}},情绪 {{voice.emotion}},指令 {{voice.instruct}})。自动朗读开着时,普通回复不必调用语音工具;关着时,想出声就调用 voice_speak。\n\n需要出声的时候:\n- 对方明确要语音、要你念出来、要听你的声音时,调用 voice_speak,把要念的正文放进 text。它会绕过概率,必定出声。\n- 这一句需要特定情绪、语气、音色或语速时,调用 voice_speak 并填对应参数。想让同样的语气之后一直生效,调用 voice_style;它影响之后的自动朗读。\n- 某一句只用于别的渠道(例如语音条),不要在本机播放:voice_speak 带 silent: true,音频随回执交给渠道。\n- 对方让你安静、停下时调用 voice_hush。\n\n文本规则:\n- text 只放真正要念的正文,不要放动作描写、Markdown、代码、网址或解释。\n- {{voice.modelPrompt}}\n- 不要把控制标记写进可见的回复正文;语音参数只放在工具调用里。\n"
+      "content": "语音由 Voice 提供:它只把文字变成声音,从对方的扬声器念出来,不负责把回复发到聊天渠道;可见的回复仍然走渠道自己的发送工具。\n\n当前默认音色是 {{voice.voice}},情绪是 {{voice.emotion}},指令是 {{voice.instruct}}。普通回复不会自己出声,需要语音时明确调用 voice_speak。\n\n需要出声的时候:\n- 对方明确要语音、要你念出来、要听你的声音时,调用 voice_speak,把要念的正文放进 text。\n- 这一句需要特定情绪、语气、音色或语速时,调用 voice_speak 并填对应参数。想让同样的语气之后一直生效,调用 voice_style;它影响之后的语音。\n- 某一句只用于别的渠道(例如语音条),不要在本机播放:voice_speak 带 silent: true,音频随回执交给渠道。\n- 对方让你安静、停下时调用 voice_hush。\n\n文本规则:\n- text 只放真正要念的正文,不要放动作描写、Markdown、代码、网址或解释。\n- {{voice.modelPrompt}}\n- 不要把控制标记写进可见的回复正文;语音参数只放在工具调用里。\n"
     }
   ]
 }

package/package.json

@@ -1,8 +1,8 @@
 {
   "name": "@kmchai/cortico-world-voice",
-  "version": "0.3.0",
+  "version": "0.4.0",
   "type": "module",
-  "description": "Cortico World: voice tools, probabilistic reading, emotion and paralinguistic tags, text filtering and local playback; speech is synthesized by the Kmch AI service over HTTP",
+  "description": "Cortico World: voice tools, explicit semantic speech, emotion and paralinguistic tags, text filtering and local playback; speech is synthesized by the Kmch AI service over HTTP",
   "author": "kmchai",
   "license": "MIT",
   "repository": {
@@ -35,11 +35,11 @@
     "locales": {
       "zh": {
         "displayName": "Kmch AI · 语音",
-        "description": "语音 World:工具、概率朗读、情绪与副语言标签、文本过滤、本机播放;协议与 HTTP 服务由 Kmch AI · 服务提供。"
+        "description": "语音 World:语音工具、显式语义朗读、情绪与副语言标签、文本过滤、本机播放;协议与 HTTP 服务由 Kmch AI · 服务提供。"
       },
       "en": {
         "displayName": "Kmch AI · Voice",
-        "description": "Voice World: tools, probabilistic reading, emotion and paralinguistic tags, text filtering and local playback; the Kmch AI service provides the protocol and HTTP API."
+        "description": "Voice World: voice tools, explicit semantic speech, emotion and paralinguistic tags, text filtering and local playback; the Kmch AI service provides the protocol and HTTP API."
       }
     },
     "tags": [

package/src/ENV_PROMPT.md

@@ -1,10 +1,10 @@
 语音由 Voice 提供:它只把文字变成声音,从对方的扬声器念出来,不负责把回复发到聊天渠道;可见的回复仍然走渠道自己的发送工具。
 
-自动朗读现在是 {{voice.auto}}(音色 {{voice.voice}},情绪 {{voice.emotion}},指令 {{voice.instruct}})。自动朗读开着时,普通回复不必调用语音工具;关着时,想出声就调用 voice_speak。
+当前默认音色是 {{voice.voice}},情绪是 {{voice.emotion}},指令是 {{voice.instruct}}。普通回复不会自己出声,需要语音时明确调用 voice_speak。
 
 需要出声的时候:
-- 对方明确要语音、要你念出来、要听你的声音时,调用 voice_speak,把要念的正文放进 text。它会绕过概率,必定出声。
-- 这一句需要特定情绪、语气、音色或语速时,调用 voice_speak 并填对应参数。想让同样的语气之后一直生效,调用 voice_style;它影响之后的自动朗读。
+- 对方明确要语音、要你念出来、要听你的声音时,调用 voice_speak,把要念的正文放进 text。
+- 这一句需要特定情绪、语气、音色或语速时,调用 voice_speak 并填对应参数。想让同样的语气之后一直生效,调用 voice_style;它影响之后的语音。
 - 某一句只用于别的渠道(例如语音条),不要在本机播放:voice_speak 带 silent: true,音频随回执交给渠道。
 - 对方让你安静、停下时调用 voice_hush。
 

package/src/config.ts

@@ -25,11 +25,6 @@ export const VOICE_DEFAULTS: VoiceConfigSection = {
   speed: 1,
   paralinguistic: 'auto',
 
-  autoSpeak: true,
-  autoProbability: 0.3,
-  autoFromText: true,
-  autoTools: 'pet_say, pet_ask, console_send',
-  autoEvents: '',
   explicitTrigger: true,
   explicitKeywords: '语音,声音,发语音,念给我听,读给我听,voice,tts',
   explicitWindowSec: 120,
@@ -95,13 +90,6 @@ const TEXT = {
     timeoutMs: '超时(毫秒)',
     triggers: '触发',
     triggersDesc: '',
-    autoSpeak: '自动朗读',
-    autoProbability: '自动朗读概率',
-    autoFromText: '从助手正文触发',
-    autoTools: '从工具参数触发',
-    autoToolsDesc: '逗号分隔的工具名;取参数里的 script / question / text / content / message / body。',
-    autoEvents: '从事件触发',
-    autoEventsDesc: '逗号分隔的事件类型;取 meta.body,没有就用正文。',
     explicitTrigger: '语义显式请求',
     explicitKeywords: '显式请求关键词',
     explicitKeywordsDesc: '逗号/分号/换行分隔;最近的消息里出现就必定朗读。',
@@ -150,13 +138,6 @@ const TEXT = {
     timeoutMs: 'Timeout (ms)',
     triggers: 'Triggers',
     triggersDesc: '',
-    autoSpeak: 'Automatic speech',
-    autoProbability: 'Automatic probability',
-    autoFromText: 'From assistant text',
-    autoTools: 'From tool arguments',
-    autoToolsDesc: 'Comma-separated tool names; reads script / question / text / content / message / body.',
-    autoEvents: 'From events',
-    autoEventsDesc: 'Comma-separated event types; reads meta.body, then the event text.',
     explicitTrigger: 'Explicit semantic requests',
     explicitKeywords: 'Explicit keywords',
     explicitKeywordsDesc: 'Comma/semicolon/newline separated; a recent message containing one forces speech.',
@@ -217,11 +198,6 @@ export function voiceConfigGroups(language: Language): ConfigGroup[] {
         type: 'object',
         title: t.triggers,
         properties: {
-          [`${p}autoSpeak`]: { type: 'boolean', title: t.autoSpeak, 'x-hot': true },
-          [`${p}autoProbability`]: { type: 'number', title: t.autoProbability, minimum: 0, maximum: 1, multipleOf: 0.05, 'x-hot': true },
-          [`${p}autoFromText`]: { type: 'boolean', title: t.autoFromText, 'x-hot': true },
-          [`${p}autoTools`]: { type: 'string', title: t.autoTools, description: t.autoToolsDesc, 'x-hot': true },
-          [`${p}autoEvents`]: { type: 'string', title: t.autoEvents, description: t.autoEventsDesc, 'x-hot': false },
           [`${p}explicitTrigger`]: { type: 'boolean', title: t.explicitTrigger, 'x-hot': true },
           [`${p}explicitKeywords`]: { type: 'string', title: t.explicitKeywords, description: t.explicitKeywordsDesc, 'x-hot': true },
           [`${p}explicitWindowSec`]: { type: 'integer', title: t.explicitWindowSec, minimum: 0, maximum: 3600, 'x-hot': true },

package/src/definition.ts

@@ -19,7 +19,7 @@ export const VOICE: WorldDefinition<VoiceConfigSection> = {
     tools: describeTools(VOICE_TOOL_DECLS, {
       voice_speak: { zh: '现在念一句;可指定情绪、表演指令、音色与语速,也可以只合成不出声。', en: 'Say one line now, optionally with an emotion, direction, voice and speed, or synthesize it silently.' },
       voice_hush: { zh: '立刻停声并清空排队。', en: 'Stop the voice and drop queued lines.' },
-      voice_style: { zh: '读或改自动朗读使用的长期音色与情绪。', en: 'Read or change the standing voice style used by automatic reading.' },
+      voice_style: { zh: '读或改后续语音使用的长期音色与情绪。', en: 'Read or change the standing voice style used by later voice lines.' },
     }),
     events: [
       {

package/src/models.ts

@@ -28,7 +28,7 @@ const INDEXTTS2: ModelInfo = {
   match: ['index-tts2', 'index_tts2', 'index-tts2.5', 'index_tts2_5', '2.5'],
   label: 'IndexTTS2',
   tags: false,
-  prompt: '情绪用自然语言(emotion_text),不要写 [Laughter] 这类方括号标签;采样/时长参数在语音模型页配置,不要写进正文.',
+  prompt: '情绪用 voice_speak 的 emotion 或 instruct 传自然语言,服务会映射到 emotion_text;不要在正文写 emotion_text 或 [Laughter] 这类方括号标签。采样/时长参数在语音模型页配置,不要写进正文.',
 };
 
 const GENERIC: ModelInfo = {

package/src/speech/text.ts

@@ -12,7 +12,7 @@ import {
 export interface FilteredSpeech {
   /** 过滤后的朗读文本;空串表示没有可念的内容。 */
   text: string;
-  /** 原文用 `<tts>` 指定了要念的段落;这种请求不受概率限制。 */
+  /** 原文用 `<tts>` 指定了要念的段落;这种请求直接朗读。 */
   forced: boolean;
   /** 文本里的情绪标记;没有时为空。 */
   emotion: string;

package/src/tools.ts

@@ -6,7 +6,7 @@ export const VOICE_TOOL_DECLS: readonly ToolSpec[] = [
     name: 'voice_speak',
     description:
       'Say a line aloud in your voice through the person\'s speakers, or only synthesize it when silent is true. '
-      + 'Use it when the person asks for voice, when this line needs a specific emotion or voice, or when automatic reading is off. '
+      + 'Use it when the person asks for voice, or when this line needs a specific emotion or voice. '
       + 'It only makes sound; the visible reply still goes through the channel\'s own send tool. '
       + 'When the speech service supports paralinguistic tags, keep them inline in the text: [Laughter], [Sigh], [Breathing], [Uhm], [Question-ei] and the like are performed, not read out.',
     tags: ['speak'],
@@ -33,7 +33,7 @@ export const VOICE_TOOL_DECLS: readonly ToolSpec[] = [
   {
     name: 'voice_style',
     description:
-      'Read or change the standing voice style used by automatic reading. Call with values to change them; call with no arguments to read the current style. '
+      'Read or change the standing voice style used by later voice lines. Call with values to change them; call with no arguments to read the current style. '
       + 'Changes are saved to the World configuration and apply to later lines.',
     tags: ['write'],
     parameters: {

package/src/triggers.ts

@@ -1,13 +1,12 @@
 /**
- * 触发层:从主 session 的输出流里认出「要念的话」,以及从事件库里认出
- * 显式语音请求与配置的事件源。这一层不认识 TTS。
+ * 触发层:从主 session 的输出流里认出显式请求的正文,以及从事件库里认出
+ * 「刚才有人要语音」。这一层不认识 TTS,也不掷概率。
  */
 import type { EventEnvelope, OutputTap, WorldHost } from 'cortico/core/types.ts';
 import type { StreamEvent } from 'cortico/protocol/open-responses/index.ts';
-import type { VoiceConfigSection } from './types.ts';
 
-/** 工具参数里可能放正文的字段,按顺序取第一个字符串。 */
-const TEXT_FIELDS = ['script', 'question', 'text', 'content', 'message', 'body'] as const;
+/** 只结束这一轮的控制工具,不算「这一轮做了别的事」。 */
+const FLOW_TOOLS = new Set(['end_turn']);
 
 export function splitList(raw: string): string[] {
   return raw
@@ -16,65 +15,41 @@ export function splitList(raw: string): string[] {
     .filter(Boolean);
 }
 
-export function toolNames(cfg: VoiceConfigSection): Set<string> {
-  return new Set(splitList(cfg.autoTools));
-}
-
-export function eventTypes(cfg: VoiceConfigSection): Set<string> {
-  return new Set(splitList(cfg.autoEvents));
-}
-
-/** 从工具调用参数里取正文;取不到返回空串。 */
-export function textOfToolArgs(raw: string): string {
-  if (!raw) return '';
-  let parsed: unknown;
-  try { parsed = JSON.parse(raw); } catch { return ''; }
-  if (!parsed || typeof parsed !== 'object' || Array.isArray(parsed)) return '';
-  const obj = parsed as Record<string, unknown>;
-  for (const field of TEXT_FIELDS) {
-    const value = obj[field];
-    if (typeof value === 'string' && value.trim()) return value;
-  }
-  return '';
-}
-
 export interface TapOptions {
-  cfg: () => VoiceConfigSection;
-  /** 一段完整的话;`source` 形如 `text` 或 `tool:pet_say`。 */
+  /** 一段完整的话;`source` 形如 `text`。 */
   onText(text: string, source: string): void;
   /** 模型调用被取消或打断;可以用来停声。 */
   onAbort?(): void;
 }
 
 /**
- * 主 session 的输出旁路。一轮里只有纯文本、没有函数调用时,把正文交出去;
- * 指定工具的参数在调用完成时交出去。工具自己念的 `voice_*` 不在此列。
+ * 主 session 的输出旁路。一轮里只有纯文本、没有实质函数调用时,把正文交出去;
+ * 是否朗读由显式关键词或 `<tts>` 决定。
  */
 interface StreamLike {
   type: string;
   delta?: string;
-  arguments?: string;
   output_index?: number;
-  item?: { type?: string; name?: string; arguments?: string } | null;
+  item?: { type?: string; name?: string } | null;
 }
 
 export class VoiceTap implements OutputTap {
   private text = '';
-  private calls = 0;
-  private readonly names = new Map<number, string>();
-  private readonly emitted = new Set<number>();
+  /** 这一轮出现过的函数调用:output_index -> name;名字未知时存空串。 */
+  private readonly callNames = new Map<number, string>();
+  /** 没有 output_index 的函数调用;无法判断是不是 end_turn,按实质调用处理。 */
+  private orphanCall = false;
 
   constructor(private readonly opts: TapOptions) {}
 
-  /** 工具调用完成:同一个 output_index 只交出去一次。 */
-  private takeCall(index: number, name: string, args: string): void {
-    if (!name || name.startsWith('voice_')) return;
-    if (this.emitted.has(index)) return;
-    if (!toolNames(this.opts.cfg()).has(name)) return;
-    const text = textOfToolArgs(args);
-    if (!text) return;
-    this.emitted.add(index);
-    this.opts.onText(text, `tool:${name}`);
+  private noteCall(index: number, name: string): void {
+    if (index < 0) {
+      if (name && FLOW_TOOLS.has(name)) return;
+      this.orphanCall = true;
+      return;
+    }
+    if (name) this.callNames.set(index, name);
+    else if (!this.callNames.has(index)) this.callNames.set(index, '');
   }
 
   onEvent(event: StreamEvent): void {
@@ -85,39 +60,34 @@ export class VoiceTap implements OutputTap {
       return;
     }
     if (e.type === 'response.output_item.added' && e.item?.type === 'function_call') {
-      this.calls += 1;
-      if (e.item.name) this.names.set(index, e.item.name);
+      this.noteCall(index, e.item.name ?? '');
       return;
     }
     // 有的传输只给参数结束事件,不带完整 item;名字从 added 里取。
     if (e.type === 'response.function_call_arguments.done') {
-      const name = this.names.get(index) ?? '';
-      if (name) this.takeCall(index, name, e.arguments ?? '');
+      this.noteCall(index, this.callNames.get(index) ?? '');
       return;
     }
     if (e.type === 'response.output_item.done' && e.item?.type === 'function_call') {
-      this.calls += 1;
-      const name = e.item.name ?? this.names.get(index) ?? '';
-      if (name) this.takeCall(index, name, e.item.arguments ?? '');
-      this.names.delete(index);
+      this.noteCall(index, e.item.name ?? this.callNames.get(index) ?? '');
     }
   }
 
   onRoundEnd(): void {
     const text = this.text;
     this.text = '';
-    const pureText = this.calls === 0;
-    this.calls = 0;
-    this.names.clear();
-    this.emitted.clear();
-    if (pureText && text.trim()) this.opts.onText(text, 'text');
+    // 只有结束轮次的调用不算实质动作;纯文本回复照样可以交给显式触发判断。
+    const nonFlow = this.orphanCall
+      || [...this.callNames.values()].some((name) => name === '' || !FLOW_TOOLS.has(name));
+    this.callNames.clear();
+    this.orphanCall = false;
+    if (!nonFlow && text.trim()) this.opts.onText(text, 'text');
   }
 
   onAbort(): void {
     this.text = '';
-    this.calls = 0;
-    this.names.clear();
-    this.emitted.clear();
+    this.callNames.clear();
+    this.orphanCall = false;
     this.opts.onAbort?.();
   }
 }
@@ -168,47 +138,3 @@ export function hasKeyword(text: string, keywords: string): boolean {
   const lower = text.toLowerCase();
   return splitList(keywords).some((word) => lower.includes(word.toLowerCase()));
 }
-
-export interface EventPollOptions {
-  host: WorldHost;
-  types: Set<string>;
-  onText(text: string, source: string): void;
-  intervalMs?: number;
-  log(message: string, data?: unknown): void;
-}
-
-/** 轮询事件库;只处理启动之后的新事件,不补读。 */
-export class EventPoller {
-  private timer: NodeJS.Timeout | null = null;
-  private cursor = 0;
-
-  constructor(private readonly opts: EventPollOptions) {}
-
-  start(): void {
-    if (this.timer) return;
-    try { this.cursor = this.opts.host.store.latestCursor(); } catch { this.cursor = 0; }
-    const tick = (): void => {
-      let events: EventEnvelope[];
-      try {
-        events = this.opts.host.store.range({ fromCursor: this.cursor + 1, limit: 50 });
-      } catch (error) {
-        this.opts.log('事件轮询失败', { err: error instanceof Error ? error.message : String(error) });
-        return;
-      }
-      for (const event of events) {
-        this.cursor = Math.max(this.cursor, event.cursor);
-        if (event.source === 'voice') continue;
-        if (!this.opts.types.has(event.type)) continue;
-        const text = textOfEvent(event);
-        if (text.trim()) this.opts.onText(text, `event:${event.type}`);
-      }
-    };
-    this.timer = setInterval(tick, this.opts.intervalMs ?? 1000);
-    this.timer.unref?.();
-  }
-
-  stop(): void {
-    if (this.timer) clearInterval(this.timer);
-    this.timer = null;
-  }
-}

package/src/types.ts

@@ -46,14 +46,6 @@ export interface VoiceConfigSection {
   paralinguistic: ParalinguisticMode;
 
   // 触发
-  autoSpeak: boolean;
-  /** 自动朗读的概率,0–1。显式请求与工具调用不受它限制。 */
-  autoProbability: number;
-  autoFromText: boolean;
-  /** 逗号分隔的工具名;这些工具的参数会被当作要念的正文。 */
-  autoTools: string;
-  /** 逗号分隔的事件类型;这些事件的正文会被念出来。 */
-  autoEvents: string;
   explicitTrigger: boolean;
   explicitKeywords: string;
   /** 往回看多少秒内的用户消息算「刚才」。 */

package/src/world.ts

@@ -24,7 +24,7 @@ import { ServiceClient, type SpeechService } from './service.ts';
 import { splitSpeech, truncateSpeech } from './speech/chunk.ts';
 import { buildInstruct, resolveStyle } from './speech/style.ts';
 import { filterSpeech } from './speech/text.ts';
-import { EventPoller, eventTypes, hasKeyword, latestUserText, splitList, VoiceTap } from './triggers.ts';
+import { hasKeyword, latestUserText, VoiceTap } from './triggers.ts';
 import { VOICE_TOOL_DECLS } from './tools.ts';
 import type {
   EmotionMode, ParalinguisticMode, ServiceHealth, TtsAudio, TtsRequest, VoiceConfigSection,
@@ -39,7 +39,6 @@ const HEALTH_TTL_MS = 15_000;
 export interface VoiceWorldDeps {
   fetch: typeof fetch;
   createPlayer(log: Logger): AudioPlayer | null;
-  rng(): number;
   now(): number;
   sleep(ms: number): Promise<void>;
   /** 测试用:替换服务客户端。 */
@@ -76,7 +75,6 @@ function defaultDeps(): VoiceWorldDeps {
   return {
     fetch: ((input: Parameters<typeof fetch>[0], init?: Parameters<typeof fetch>[1]) => fetch(input, init)) as typeof fetch,
     createPlayer,
-    rng: () => Math.random(),
     now: () => Date.now(),
     sleep: (ms: number) => new Promise((resolve) => setTimeout(resolve, ms)),
   };
@@ -124,7 +122,6 @@ export class VoiceWorld implements World {
   private readonly tap: VoiceTap;
   private readonly service: SpeechService;
   private host: WorldHost | null = null;
-  private poller: EventPoller | null = null;
   private healthTimer: NodeJS.Timeout | null = null;
   private started = false;
   private tempDir = '';
@@ -157,7 +154,6 @@ export class VoiceWorld implements World {
       onError: (job, message) => { void this.pushFailure(message, { source: job.source }); },
     });
     this.tap = new VoiceTap({
-      cfg: () => this.cfg,
       onText: (text, source) => this.consider(text, source),
       onAbort: () => this.queue.hush(),
     });
@@ -175,7 +171,6 @@ export class VoiceWorld implements World {
   envPromptVars(): Record<string, string> {
     const cfg = this.styled;
     return {
-      'voice.auto': this.cfg.autoSpeak ? `${Math.round(this.cfg.autoProbability * 100)}%` : 'off',
       'voice.voice': cfg.voice || 'default',
       'voice.emotion': cfg.defaultEmotion || 'neutral',
       'voice.instruct': cfg.defaultInstruct || 'none',
@@ -247,7 +242,6 @@ export class VoiceWorld implements World {
         path: ENV_PROMPT_FILE,
         role: 'envPrompt',
         vars: [
-          { name: 'voice.auto', description: 'Automatic reading probability, or off.' },
           { name: 'voice.voice', description: 'Current voice id.' },
           { name: 'voice.emotion', description: 'Standing emotion.' },
           { name: 'voice.instruct', description: 'Standing direction.' },
@@ -423,9 +417,7 @@ export class VoiceWorld implements World {
   }
 
   outputTap() {
-    const cfg = this.cfg;
-    if (!cfg.autoSpeak) return undefined;
-    if (!cfg.autoFromText && splitList(cfg.autoTools).length === 0) return undefined;
+    // 概率触发已删除;旁路只用于显式关键词与 <tts> 的判定。
     return this.tap;
   }
 
@@ -435,14 +427,13 @@ export class VoiceWorld implements World {
     this.log.info('语音 World 启动', {
       service: serviceHost(this.cfg.serviceUrl),
       playback: this.cfg.playback,
-      auto: this.cfg.autoSpeak ? this.cfg.autoProbability : 'off',
+      explicit: this.cfg.explicitTrigger,
     });
     if (this.cfg.playback === 'local') {
       void this.player?.warm(this.ensureTempDir()).catch((error: unknown) => {
         this.log.warn('播放器预热失败', { err: error instanceof Error ? error.message : String(error) });
       });
     }
-    this.syncPoller();
     void this.probe();
     this.healthTimer = setInterval(() => { void this.probe(); }, HEALTH_INTERVAL_MS);
     this.healthTimer.unref?.();
@@ -452,8 +443,6 @@ export class VoiceWorld implements World {
     this.started = false;
     if (this.healthTimer) clearInterval(this.healthTimer);
     this.healthTimer = null;
-    this.poller?.stop();
-    this.poller = null;
     await this.queue.close();
     if (this.tempDir) {
       try { rmSync(this.tempDir, { recursive: true, force: true }); } catch { /* 临时目录 */ }
@@ -478,8 +467,6 @@ export class VoiceWorld implements World {
   private consider(raw: string, source: string): void {
     if (!this.started) return;
     const cfg = this.cfg;
-    if (!cfg.autoSpeak) return;
-
     const filtered = filterSpeech(raw, this.styled);
     if (!filtered.text) return;
 
@@ -487,14 +474,14 @@ export class VoiceWorld implements World {
       ? latestUserText(this.host!, cfg.explicitWindowSec, this.deps.now())
       : '';
     const explicit = filtered.forced || (cfg.explicitTrigger && hasKeyword(userText, cfg.explicitKeywords));
-    if (!explicit && this.deps.rng() >= cfg.autoProbability) return;
+    if (!explicit) return;
     if (!this.fresh(filtered.text)) return;
 
     this.enqueue(filtered.text, {
       source,
       ...(filtered.emotion ? { emotion: filtered.emotion } : {}),
     });
-    this.log.debug('自动朗读', { source, explicit, chars: [...filtered.text].length });
+    this.log.debug('显式朗读', { source, chars: [...filtered.text].length });
   }
 
   private enqueue(text: string, opts: EnqueueOptions): ReturnType<SpeechQueue['enqueue']> | null {
@@ -611,8 +598,7 @@ export class VoiceWorld implements World {
   private styleSummary(): string {
     const cfg = this.styled;
     return `Voice: ${cfg.voice || 'default'}; emotion: ${cfg.defaultEmotion || 'neutral'}; `
-      + `direction: ${cfg.defaultInstruct || 'none'}; speed: ${cfg.speed}; `
-      + `automatic: ${this.cfg.autoSpeak ? `${Math.round(this.cfg.autoProbability * 100)}%` : 'off'}.`;
+      + `direction: ${cfg.defaultInstruct || 'none'}; speed: ${cfg.speed}.`;
   }
 
   private spokenOutcome(audio: TtsAudio | undefined, seconds: number, silent: boolean): ToolOutcome {
@@ -708,7 +694,7 @@ export class VoiceWorld implements World {
   private async pushFailure(detail: string, meta: Record<string, unknown>): Promise<void> {
     const host = this.host;
     if (!host) return;
-    // 服务长时间不可用时,自动朗读会每句都失败;事件留一条,日志照常。
+    // 服务长时间不可用时,连续失败会反复出现;事件留一条,日志照常。
     const now = this.deps.now();
     if (now - this.lastFailureAt < 30_000) return;
     this.lastFailureAt = now;
@@ -760,23 +746,6 @@ export class VoiceWorld implements World {
     }
   }
 
-  private syncPoller(): void {
-    const types = eventTypes(this.cfg);
-    if (types.size === 0) {
-      this.poller?.stop();
-      this.poller = null;
-      return;
-    }
-    if (this.poller) return;
-    this.poller = new EventPoller({
-      host: this.host!,
-      types,
-      onText: (text, source) => this.consider(text, source),
-      log: (message, data) => this.log.warn(message, data),
-    });
-    this.poller.start();
-  }
-
   private ensureTempDir(): string {
     if (this.tempDir) return this.tempDir;
     const base = join(this.opts.dataDir || tmpdir(), 'voice');