以下是一份基于代码实现整理的 WebSocket 通信协议文档，概述设备端与服务器之间如何通过 WebSocket 进行交互。

该文档仅基于所提供的代码推断，实际部署时可能需要结合服务器端实现进行进一步确认或补充。

---

1. 总体流程概览

1. 设备端初始化

• 设备上电、初始化 Application：
  • 初始化音频编解码器、显示屏、LED 等
  • 连接网络
  • 创建并初始化实现 Protocol 接口的 WebSocket 协议实例（WebsocketProtocol）
• 进入主循环等待事件（音频输入、音频输出、调度任务等）。

1. 建立 WebSocket 连接

• 当设备需要开始语音会话时（例如用户唤醒、手动按键触发等），调用 OpenAudioChannel()：
  • 根据配置获取 WebSocket URL
  • 设置若干请求头（Authorization, Protocol-Version, Device-Id, Client-Id）
  • 调用 Connect() 与服务器建立 WebSocket 连接

1. 设备端发送 "hello" 消息

• 连接成功后，设备会发送一条 JSON 消息，示例结构如下：
  json { "type": "hello", "version": 1, "features": { "mcp": true }, "transport": "websocket", "audio_params": { "format": "opus", "sample_rate": 16000, "channels": 1, "frame_duration": 60 } }
• 其中 features 字段为可选，内容根据设备编译配置自动生成。例如："mcp": true 表示支持 MCP 协议。
• frame_duration 的值对应 OPUS_FRAME_DURATION_MS（例如 60ms）。

1. 服务器回复 "hello"

• 设备等待服务器返回一条包含 "type": "hello" 的 JSON 消息，并检查 "transport": "websocket" 是否匹配。
• 服务器可选下发 session_id 字段，设备端收到后会自动记录。
• 示例：
  json { "type": "hello", "transport": "websocket", "session_id": "xxx", "audio_params": { "format": "opus", "sample_rate": 24000, "channels": 1, "frame_duration": 60 } }
• 如果匹配，则认为服务器已就绪，标记音频通道打开成功。
• 如果在超时时间（默认 10 秒）内未收到正确回复，认为连接失败并触发网络错误回调。

1. 后续消息交互

• 设备端和服务器端之间可发送两种主要类型的数据：

  1. 二进制音频数据（Opus 编码）
  2. 文本 JSON 消息（用于传输聊天状态、TTS/STT 事件、MCP 协议消息等）

• 在代码里，接收回调主要分为：

  • OnData(...):
  • 当 binary 为 true 时，认为是音频帧；设备会将其当作 Opus 数据进行解码。
  • 当 binary 为 false 时，认为是 JSON 文本，需要在设备端用 cJSON 进行解析并做相应业务逻辑处理（如聊天、TTS、MCP 协议消息等）。

• 当服务器或网络出现断连，回调 OnDisconnected() 被触发：

  • 设备会调用 on_audio_channel_closed_()，并最终回到空闲状态。

1. 关闭 WebSocket 连接

• 设备在需要结束语音会话时，会调用 CloseAudioChannel() 主动断开连接，并回到空闲状态。
• 或者如果服务器端主动断开，也会引发同样的回调流程。

---

2. 通用请求头

在建立 WebSocket 连接时，代码示例中设置了以下请求头：

• Authorization: 用于存放访问令牌，形如 "Bearer <token>"
• Protocol-Version: 协议版本号，与 hello 消息体内的 version 字段保持一致
• Device-Id: 设备物理网卡 MAC 地址
• Client-Id: 软件生成的 UUID（擦除 NVS 或重新烧录完整固件会重置）

这些头会随着 WebSocket 握手一起发送到服务器，服务器可根据需求进行校验、认证等。

---

3. 二进制协议版本

设备支持多种二进制协议版本，通过配置中的 version 字段指定：

3.1 版本1（默认）

直接发送 Opus 音频数据，无额外元数据。Websocket 协议会区分 text 与 binary。

3.2 版本2

使用 BinaryProtocol2 结构：
c struct BinaryProtocol2 { uint16_t version; // 协议版本 uint16_t type; // 消息类型 (0: OPUS, 1: JSON) uint32_t reserved; // 保留字段 uint32_t timestamp; // 时间戳（毫秒，用于服务器端AEC） uint32_t payload_size; // 负载大小（字节） uint8_t payload[]; // 负载数据 } __attribute__((packed));

3.3 版本3

使用 BinaryProtocol3 结构：
c struct BinaryProtocol3 { uint8_t type; // 消息类型 uint8_t reserved; // 保留字段 uint16_t payload_size; // 负载大小 uint8_t payload[]; // 负载数据 } __attribute__((packed));

---

4. JSON 消息结构

WebSocket 文本帧以 JSON 方式传输，以下为常见的 "type" 字段及其对应业务逻辑。若消息里包含未列出的字段，可能为可选或特定实现细节。

4.1 设备端→服务器

1. Hello

• 连接成功后，由设备端发送，告知服务器基本参数。
• 例：
  json { "type": "hello", "version": 1, "features": { "mcp": true }, "transport": "websocket", "audio_params": { "format": "opus", "sample_rate": 16000, "channels": 1, "frame_duration": 60 } }

1. Listen

• 表示设备端开始或停止录音监听。
• 常见字段：
  • "session_id"：会话标识
  • "type": "listen"
  • "state"："start", "stop", "detect"（唤醒检测已触发）
  • "mode"："auto", "manual" 或 "realtime"，表示识别模式。
• 例：开始监听
  json { "session_id": "xxx", "type": "listen", "state": "start", "mode": "manual" }

1. Abort

• 终止当前说话（TTS 播放）或语音通道。
• 例：
  json { "session_id": "xxx", "type": "abort", "reason": "wake_word_detected" }
• reason 值可为 "wake_word_detected" 或其他。

1. Wake Word Detected

• 用于设备端向服务器告知检测到唤醒词。
• 在发送该消息之前，可提前发送唤醒词的 Opus 音频数据，用于服务器进行声纹检测。
• 例：
  json { "session_id": "xxx", "type": "listen", "state": "detect", "text": "你好小明" }

1. MCP

• 推荐用于物联网控制的新一代协议。所有设备能力发现、工具调用等均通过 type: "mcp" 的消息进行，payload 内部为标准 JSON-RPC 2.0（详见 MCP 协议文档）。

• 设备端到服务器发送 result 的例子：
  json { "session_id": "xxx", "type": "mcp", "payload": { "jsonrpc": "2.0", "id": 1, "result": { "content": [ { "type": "text", "text": "true" } ], "isError": false } } }

---

4.2 服务器→设备端

1. Hello

• 服务器端返回的握手确认消息。
• 必须包含 "type": "hello" 和 "transport": "websocket"。
• 可能会带有 audio_params，表示服务器期望的音频参数，或与设备端对齐的配置。
• 服务器可选下发 session_id 字段，设备端收到后会自动记录。
• 成功接收后设备端会设置事件标志，表示 WebSocket 通道就绪。

1. STT

• {"session_id": "xxx", "type": "stt", "text": "..."}
• 表示服务器端识别到了用户语音。（例如语音转文本结果）
• 设备可能将此文本显示到屏幕上，后续再进入回答等流程。

1. LLM

• {"session_id": "xxx", "type": "llm", "emotion": "happy", "text": "😀"}
• 服务器指示设备调整表情动画 / UI 表达。

1. TTS

• {"session_id": "xxx", "type": "tts", "state": "start"}：服务器准备下发 TTS 音频，设备端进入 "speaking" 播放状态。
• {"session_id": "xxx", "type": "tts", "state": "stop"}：表示本次 TTS 结束。
• {"session_id": "xxx", "type": "tts", "state": "sentence_start", "text": "..."}
  • 让设备在界面上显示当前要播放或朗读的文本片段（例如用于显示给用户）。

1. MCP

• 服务器通过 type: "mcp" 的消息下发物联网相关的控制指令或返回调用结果，payload 结构同上。

• 服务器到设备端发送 tools/call 的例子：
  json { "session_id": "xxx", "type": "mcp", "payload": { "jsonrpc": "2.0", "method": "tools/call", "params": { "name": "self.light.set_rgb", "arguments": { "r": 255, "g": 0, "b": 0 } }, "id": 1 } }

1. System

• 系统控制命令，常用于远程升级更新。
• 例：
  json { "session_id": "xxx", "type": "system", "command": "reboot" }
• 支持的命令：
  • "reboot"：重启设备

1. Custom（可选）

• 自定义消息，当 CONFIG_RECEIVE_CUSTOM_MESSAGE 启用时支持。
• 例：
  json { "session_id": "xxx", "type": "custom", "payload": { "message": "自定义内容" } }

1. 音频数据：二进制帧

• 当服务器发送音频二进制帧（Opus 编码）时，设备端解码并播放。
• 若设备端正在处于 "listening" （录音）状态，收到的音频帧会被忽略或清空以防冲突。

---

5. 音频编解码

1. 设备端发送录音数据

• 音频输入经过可能的回声消除、降噪或音量增益后，通过 Opus 编码打包为二进制帧发送给服务器。
• 根据协议版本，可能直接发送 Opus 数据（版本1）或使用带元数据的二进制协议（版本2/3）。

1. 设备端播放收到的音频

• 收到服务器的二进制帧时，同样认定是 Opus 数据。
• 设备端会进行解码，然后交由音频输出接口播放。
• 如果服务器的音频采样率与设备不一致，会在解码后再进行重采样。

---

6. 常见状态流转

以下为常见设备端关键状态流转，与 WebSocket 消息对应：

1. Idle → Connecting

• 用户触发或唤醒后，设备调用 OpenAudioChannel() → 建立 WebSocket 连接 → 发送 "type":"hello"。

1. Connecting → Listening

• 成功建立连接后，若继续执行 SendStartListening(...)，则进入录音状态。此时设备会持续编码麦克风数据并发送到服务器。

1. Listening → Speaking

• 收到服务器 TTS Start 消息 ({"type":"tts","state":"start"}) → 停止录音并播放接收到的音频。

1. Speaking → Idle

• 服务器 TTS Stop ({"type":"tts","state":"stop"}) → 音频播放结束。若未继续进入自动监听，则返回 Idle；如果配置了自动循环，则再度进入 Listening。

1. Listening / Speaking → Idle（遇到异常或主动中断）

• 调用 SendAbortSpeaking(...) 或 CloseAudioChannel() → 中断会话 → 关闭 WebSocket → 状态回到 Idle。

自动模式状态流转图

stateDiagram
  direction TB
  [*] --> kDeviceStateUnknown
  kDeviceStateUnknown --> kDeviceStateStarting:初始化
  kDeviceStateStarting --> kDeviceStateWifiConfiguring:配置WiFi
  kDeviceStateStarting --> kDeviceStateActivating:激活设备
  kDeviceStateActivating --> kDeviceStateUpgrading:检测到新版本
  kDeviceStateActivating --> kDeviceStateIdle:激活完成
  kDeviceStateIdle --> kDeviceStateConnecting:开始连接
  kDeviceStateConnecting --> kDeviceStateIdle:连接失败
  kDeviceStateConnecting --> kDeviceStateListening:连接成功
  kDeviceStateListening --> kDeviceStateSpeaking:开始说话
  kDeviceStateSpeaking --> kDeviceStateListening:结束说话
  kDeviceStateListening --> kDeviceStateIdle:手动终止
  kDeviceStateSpeaking --> kDeviceStateIdle:自动终止

手动模式状态流转图

stateDiagram
  direction TB
  [*] --> kDeviceStateUnknown
  kDeviceStateUnknown --> kDeviceStateStarting:初始化
  kDeviceStateStarting --> kDeviceStateWifiConfiguring:配置WiFi
  kDeviceStateStarting --> kDeviceStateActivating:激活设备
  kDeviceStateActivating --> kDeviceStateUpgrading:检测到新版本
  kDeviceStateActivating --> kDeviceStateIdle:激活完成
  kDeviceStateIdle --> kDeviceStateConnecting:开始连接
  kDeviceStateConnecting --> kDeviceStateIdle:连接失败
  kDeviceStateConnecting --> kDeviceStateListening:连接成功
  kDeviceStateIdle --> kDeviceStateListening:开始监听
  kDeviceStateListening --> kDeviceStateIdle:停止监听
  kDeviceStateIdle --> kDeviceStateSpeaking:开始说话
  kDeviceStateSpeaking --> kDeviceStateIdle:结束说话

---

7. 错误处理

1. 连接失败

• 如果 Connect(url) 返回失败或在等待服务器 "hello" 消息时超时，触发 on_network_error_() 回调。设备会提示"无法连接到服务"或类似错误信息。

1. 服务器断开

• 如果 WebSocket 异常断开，回调 OnDisconnected()：
  • 设备回调 on_audio_channel_closed_()
  • 切换到 Idle 或其他重试逻辑。

---

8. 其它注意事项

1. 鉴权

• 设备通过设置 Authorization: Bearer <token> 提供鉴权，服务器端需验证是否有效。
• 如果令牌过期或无效，服务器可拒绝握手或在后续断开。

1. 会话控制

• 代码中部分消息包含 session_id，用于区分独立的对话或操作。服务端可根据需要对不同会话做分离处理。

1. 音频负载

• 代码里默认使用 Opus 格式，并设置 sample_rate = 16000，单声道。帧时长由 OPUS_FRAME_DURATION_MS 控制，一般为 60ms。可根据带宽或性能做适当调整。为了获得更好的音乐播放效果，服务器下行音频可能使用 24000 采样率。

1. 协议版本配置

• 通过设置中的 version 字段配置二进制协议版本（1、2 或 3）
• 版本1：直接发送 Opus 数据
• 版本2：使用带时间戳的二进制协议，适用于服务器端 AEC
• 版本3：使用简化的二进制协议

1. 物联网控制推荐 MCP 协议

• 设备与服务器之间的物联网能力发现、状态同步、控制指令等，建议全部通过 MCP 协议（type: "mcp"）实现。原有的 type: "iot" 方案已废弃。
• MCP 协议可在 WebSocket、MQTT 等多种底层协议上传输，具备更好的扩展性和标准化能力。
• 详细用法请参考 MCP 协议文档 及 MCP 物联网控制用法。

1. 错误或异常 JSON

• 当 JSON 中缺少必要字段，例如 {"type": ...}，设备端会记录错误日志（ESP_LOGE(TAG, "Missing message type, data: %s", data);），不会执行任何业务。

---

9. 消息示例

下面给出一个典型的双向消息示例（流程简化示意）：

1. 设备端 → 服务器（握手）
   json { "type": "hello", "version": 1, "features": { "mcp": true }, "transport": "websocket", "audio_params": { "format": "opus", "sample_rate": 16000, "channels": 1, "frame_duration": 60 } }

2. 服务器 → 设备端（握手应答）
   json { "type": "hello", "transport": "websocket", "session_id": "xxx", "audio_params": { "format": "opus", "sample_rate": 16000 } }

3. 设备端 → 服务器（开始监听）
   json { "session_id": "xxx", "type": "listen", "state": "start", "mode": "auto" }
   同时设备端开始发送二进制帧（Opus 数据）。

4. 服务器 → 设备端（ASR 结果）
   json { "session_id": "xxx", "type": "stt", "text": "用户说的话" }

5. 服务器 → 设备端（TTS开始）
   json { "session_id": "xxx", "type": "tts", "state": "start" }
   接着服务器发送二进制音频帧给设备端播放。

6. 服务器 → 设备端（TTS结束）
   json { "session_id": "xxx", "type": "tts", "state": "stop" }
   设备端停止播放音频，若无更多指令，则回到空闲状态。

---

10. 总结

本协议通过在 WebSocket 上层传输 JSON 文本与二进制音频帧，完成功能包括音频流上传、TTS 音频播放、语音识别与状态管理、MCP 指令下发等。其核心特征：

• 握手阶段：发送 "type":"hello"，等待服务器返回。
• 音频通道：采用 Opus 编码的二进制帧双向传输语音流，支持多种协议版本。
• JSON 消息：使用 "type" 为核心字段标识不同业务逻辑，包括 TTS、STT、MCP、WakeWord、System、Custom 等。
• 扩展性：可根据实际需求在 JSON 消息中添加字段，或在 headers 里进行额外鉴权。

服务器与设备端需提前约定各类消息的字段含义、时序逻辑以及错误处理规则，方能保证通信顺畅。上述信息可作为基础文档，便于后续对接、开发或扩展。