语音合成与音色

语音输入另外使用 NLS 一句话识别，通过 /settings 打开统一设置后选择“语音输入”标签，需要独立 AppKey 与阿里云 AccessKey ID / Secret，NLS Token 自动签发，详见语音识别。

模组内使用

完整界面点击“设置”，或在助手的输入框输入 /settings，再选择“语音播报”标签。设置指令只有这一处入口，是客户端界面指令，不是原版聊天栏中的服务器命令。所有标签继续使用唯一的 assistant.css，输入法处理与助手输入框共用；控件修改后立即自动保存，切换标签或关闭页面无需额外保存，离开播报标签会停止试听。

1. 填写阿里云百炼 API Key，选择与密钥一致的地域（默认北京）。也可把密钥留空，在启动客户端前设置 DASHSCOPE_API_KEY。有密钥后才开放音色设置。
2. 默认模型为 qwen3-tts-flash，默认音色 Cherry。也可填 Serena、Ethan 等系统音色。Workspace ID 可留空使用兼容域名；填写后使用业务空间专属域名。
3. 设置语种和音量，点击“试听”。参数已经自动保存，试听不要求先开启自动朗读。填写过程中允许保留不完整的凭据，完整参数在试听或实际合成时校验。
4. 开启“自动朗读”即自动保存；“停止朗读”取消当前合成和播放。

同页的“通知音效”默认开启，独立于“自动朗读”，不需要 API Key。关闭后只取消通知展开时的本地提示音，正文继续按自动朗读设置播放，不再等待提示音。对应客户端 config/system/system-speech.json 的 notificationSoundEnabled，已有文件缺少该字段时默认开启；切换后立即保存。

语音默认关闭。config/system/system-speech.json 是客户端本地配置，和服务器 system-agent.json、界面模式配置分开。界面填写后保存的密钥以明文保存在该本地文件；环境变量回退的密钥不会写入文件或填进页面。密钥不发送到 MC 服务端、不进对话、附件或存档。开启后，新到达的系统消息正文会发送给所选语音服务合成，聊天栏、其他模组与玩家聊天不在此监听范围。

“跟随游戏语言”按客户端当前语言映射语种（兼容 en_us 与 en-US 等写法），不支持的语种回退 Auto。也可选择自动识别或明确指定语种。Qwen3 使用 input.language_type；Qwen-Audio-TTS 使用官方 input.language_hints，例如英语发送 ["en"]、中文发送 ["zh"]，自动识别时省略该字段。流式与非流式共用映射。固定语言键先通过客户端 Component.translatable 翻译为文本，然后合成；中英文配置页面、预览文案与错误提示均有语言键。

中英混合建议选择“自动识别”，整段英文可选择“英语”。“跟随游戏语言”在中文客户端仍会提供中文提示，并不等同于自动检测正文。按照 Qwen-Audio-TTS HTTP API，目标语种提示可改善数字、缩写和符号读法，且与复刻样本的源语种独立。旧版 Qwen-Audio 适配器没有发送任何语种提示，因此旧配置中的 Chinese 对该协议实际未生效；不能仅凭它断定 Dev 逐字母朗读的原因。当前不拆分英文、不强制改写名字或缩写；具体读音仍需按实际音色试听确认。

语音按界面或当前通知持有独立 session，完整界面、简约模式与 HUD 都通过 speech/tts/SpeechText 生成口播。普通结果读取 CardView 的 SpeechContent，未设置时沿用 summary；不按 messageKey/Java 类型推断业务，不拼接模板字段或按钮。任务完成、解锁和详情按设置补充任务内容；初次概览只读任务总数，新手礼包只读通用待领取提示，不读来源任务名或逐项物品。礼包领取成功静默刷新；明确提交后任务完成也不另读提交回执，统一由完成事件通知。绑定播报保留“叮！”、实际系统名称与介绍，左上角固定“系统”不参与播报。帮助只提示手册已展开，历史和状态同步保持静音，不推断奖励已到账。

设置页提供“播报任务详情”“播报任务奖励”“播报任务背景”三个开关，对应客户端 system-speech.json 的 questRequirements、questRewards、questDescription，默认前两项开启、背景关闭。关闭详情时只读任务名称及允许播报的奖励；开启后才追加要求，背景还必须单独开启且原文确有叙事。空描述、制作或提交步骤、按键说明、机制解释和无法确定的内容均不读作背景，混合内容只提取已有叙事，不补写剧情。普通物品目标、数量范围、经验、自选和随机奖励直接格式化，可选目标明确标注；物品名保留原版 Component，在客户端语言环境展开。描述始终遵守 FTB 的完成前隐藏设置。

任务播报素材直接随 CardData 下发，不再有客户端任务播报查询包。服务端在准备业务卡片时提供结构化要求与奖励，并后台整理陌生任务/奖励和背景描述；常见类型不调用模型。源读取在主线程复核模块、可见性与详情权限，客户端不能提供原始任务文本或模型提示词。卡片和语音不等待整理完成，未命中时先使用结构化/原生文本，后台缓存供后续卡片使用，当前播报不追加迟到段落。模型整理可能发生于卡片准备阶段，与客户端是否启用朗读分离；仍沿用外部 AI 偏好、玩家额度、并发限制和统一用量统计，关闭外部 AI 后可用已有缓存，未缓存部分保留原文。

特殊目标与奖励的整理片段按源文本、语言、模型地址/名称及渲染后的提示词缓存，仍使用每服务端实例最多 512 条的内存 LRU；相同批次并发合并，重启清空。背景筛选另由 QuestBackgrounds 管理，保存到存档 system/database/shared.dat 的 system:quest_backgrounds 表（GZIP 压缩 NBT），以任务唯一 ID 和语言定位，并核对任务标题、原始描述、提示词、模型与接口的内容指纹。成功的“没有背景”也持久化，失败仅抑制 30 秒重试；相同任务并发共享生成。命中后重新读取任务并核对可见性与源内容，不能绕过隐藏条件。提示词分别为 data/system/system/prompts/quest_narration.txt 和 quest_background.txt，支持数据包覆盖与 /reload。两种缓存均不保存玩家进度、领奖状态或可执行操作。

查询、播报和文案整理均不提交任务。手动目标只能在玩家明确发送 提交 1、提交 任务名、/submit <number|name> 或原版聊天命令 /system submit <number|name> 后处理；编号对应最近一次任务列表。提交工具支持原生消耗物品、勾选、经验及手动自定义按钮目标，其他专用输入仍在 FTB 中操作；保留暂停、前置、顺序和 FTB 自动奖励，一次指令不会进入自动重置后的下一轮。礼包仍须明确领取。卡片展示不等待后台整理；通知切换/关闭会取消本地音频，后台完成不会重播。服务端已开始的只读整理可完成缓存和实际计量，不保证撤回已经发出的云端请求。

界面收到新回复时替换旧朗读，提交下一条请求、关闭界面、切换模式或进入其他页面时取消原 session。绑定提示、FTB 完成/解锁等 HUD 消息仍由最多 32 条的通知队列依次显示，但不再独立堆积语音：轮到当前通知时提交一次朗读，确认、执行操作、被其他界面或 F1 隐藏时立即取消其请求与播放。通知不设自动关闭计时，播报结束后继续显示，等待明确操作；手动切换不等待语音播完。恢复被隐藏的通知只恢复文字，不补播；历史、状态同步与文档重建也不重播。试听替换当前朗读；“停止朗读”停止当前音频并清除待启动语音，不清空文字通知队列。

HUD 通知框从隐藏状态首次展开时，播放一次注册的 system:notification 提示音，再播放正文口播。连续消息保持展开，只切换正文播报，不重复提示音；收缩途中收到消息而反向展开也不重播，完全收起后下一轮通知才重新提示。音源为 assets/system/sounds/notification.ogg，由提供的 MP3 转为单声道 Ogg Vorbis，约 1.78 秒、16 KiB；assets/system/sounds.json 定义并预加载该音效，字幕支持中英文。提示音使用 Voice 分类，增益为页面播报音量的 75%，再叠加游戏主音量与 Voice 音量。关闭自动朗读、没有密钥、正文静音或云端冷却期间仍播放本地提示音；播报音量为零、主音量或 Voice 静音时二者均不播放。

提示音和正文共用当前通知的 session。提示音播放期间并行准备流式合成或读取缓存，但通过原版声音实例的实际活动状态等待其结束后才启动正文，不按固定时长延迟，不额外请求云端或增加用量。提示音缺失或无法启动时继续原播报流程；提前确认、关闭、切换消息、隐藏界面、断线和声音重载会同时停止提示音、在途合成及正文，延迟解码回调也不能让旧提示音继续播放。通知恢复、文档重建不补播提示音；助手界面的普通回复和设置页试听保持原有直接播报方式。

播报转为客户端语言的纯文本，最多 500 个 UTF-16 单元（保护代理对），另可附加省略号。HUD 的 Message.text 保存完整可视正文，长正文与礼包物品区分别滚动，不再按 360 码点/6 行截断；Message.speechText 独立保存口播。原来的四参数构造默认读自定义通知正文，也可通过五参数构造指定口播或留空静音。音频优先走 MC 的 Voice/语音 音量分类，同时受主音量和页面音量控制；静音时不请求合成，播放中静音会结束当前音频，不触发后备播放。合成/两种播放均失败不影响文字、任务或奖励，也不重试同一条消息；清空语音队列并暂停自动朗读 60 秒，之后允许后续新消息尝试，手动试听仍可立即重试。

可选整句音频缓存

语音设置中“复用已合成语音”默认关闭，对应 config/system/system-speech.json 的 cacheEnabled: false；旧配置缺少字段时同样关闭。开启后，相同合成输入先查本机音频，未命中才调用供应商，并保持原有 SSE 首包播放。供应商成功结束、PCM 完整且会话没有取消时才写缓存，失败或中途关闭不会留下半段可播放缓存。试听也遵循当前表单的开关。

缓存目录为 config/system/tts-cache/，使用带版本、PCM 格式和 SHA-256 校验的文件；最多 64 MiB / 256 条，写入时按最近使用时间淘汰。键包含供应商、模型、音色、地域、业务空间、实际语种、实际朗读文本和凭据，文件名仅保存摘要，不保存明文密钥或文本。更换密钥会使用另一组键，页面音量不影响缓存。音频本身保存在本机磁盘，可能含玩家名字；关闭缓存不会删除旧音频，删除整个缓存目录即可清空。

读写与校验全部在原合成工作线程进行；损坏或不可读缓存按未命中处理，写入失败不打断播报。命中后直接走原版 / OpenAL 的同一会话管线，仍可立即掐断，且不发起云端用量报告或增加 TTS 请求统计。缓存仅复用音频，不缓存任务、奖励或业务结果。

SSE 流式合成与播放

阿里云现在默认使用 SSE 流式输出。qwen3-tts-flash 与 Qwen-Audio-TTS 都发送 X-DashScope-SSE: enable，后者指定 format=pcm、sample_rate=24000；两种协议均消费 output.audio.data 的 Base64 PCM（24 kHz、16-bit、小端、单声道）。完整文本仍只提交一次，不拆句多次调用；收到音频后逐块追加，不等待整段合成或下载最终 OSS URL。参考 Qwen3-TTS API 和 Qwen-Audio-TTS HTTP API。

SpeechAudio 以限长分段内存保存 PCM，累计约 200ms 音频即可开始播放；这是待播放音频长度，不是固定等待 200ms，短句完成时即使不足阈值也立即开始。云端首包与网络耗时仍然存在，不能保证从文字显示到声音出现的固定延迟。原版路径通过 SoundManager.play 和 NeoForge SoundInstance.getStream，每次读取至多约 50ms 的可用 PCM；网络暂时无数据时给一小段静音保活，结束标记或取消后才返回 EOF。Minecraft 当前 Channel.pumpBuffers 会显式跳过 null，因此 null 是流结束信号，不是传给 OpenAL 的音频数据；所有结束判断统一由 SpeechAudio.Cursor 处理，声音线程不等待网络。最多保存 8MiB / 180 秒 PCM，跨 SSE 片段的半帧留待下个片段补齐，结束时必须帧对齐。

TtsProvider.supportsStreaming() 默认 false。新供应商可实现 synthesizeStreaming(Request, AudioSink, Consumer<Usage>)，通过 AudioSink 提供采样率、声道及 16-bit 小端 PCM，并报告累计 usage。未实现流式的旧供应商沿用完整 WAV 合成，在工作线程解码后进入同一播放管线；阿里云流式失败不会自动重发非流式请求，避免重复消费。

HttpTransport.stream 对整个流施加 90 秒等待期限、16MiB 总响应限制；ServerSentEvents 按 UTF-8 增量组帧，支持 CR/LF、注释、多行 data、BOM 与跨网络块的字符，单事件上限 2MiB。校验 HTTP 状态、SSE Content-Type、JSON 错误和最终 finish_reason=stop，播放不会把上游正文或签名 URL 暴露给玩家。session 结束、停止朗读、断线、撤销或资源重载取消在途请求并释放 PCM，过期回调受 session 和 generation 保护。已收到的 usage 仍计入发起请求的本地账号；取消本地连接不保证云端立即停止生成或计费。

原版播放与 OpenAL 后备

用 PlayStreamingSourceEvent 在声音线程核对实际声源是否已进入播放状态；原版返回 NOT_STARTED、启动抛错、声源未播放或 3 秒内未启动时，只切换一次 OpenAL。原版成功开始后按自然结束处理，不在正常播完时重播。

后备路径参考 E:/Java/BGMPlayer/common/src/main/java/com/iafenvoy/bgm/player/music/AudioPlayer.java，在 MC 当前 OpenAL context 内创建声源，以 4 个可循环 buffer 上传、播放并补充同一 PCM 流，绕过 MC 声源池。没有数据时等待后续 tick，缓冲耗尽后有新数据便从原进度恢复，不重新请求或重播开头；仅在生产者结束且缓冲排空后结束。没有可用 context 或硬件声源时报告播放失败。状态栏区分原版播放与“正在朗读（OpenAL）”。

进入后备前取消原版流与延迟启动回调，避免双重播放；后备从独立 PCM 游标读取，原版预读不会吞掉开头。后备音量每 tick 同步页面音量 × 主音量 × Voice 音量，暂停单人世界时暂停、恢复后继续。source 与 buffer 在同一渲染线程创建、查询和销毁，播放结束/取消释放 source/buffer。客户端专用 SpeechSoundEngineMixin 在原版 stopAll / emergencyShutdown 前清理语音，因此退出世界、撤销绑定、关闭自动朗读、全局停止声音、设备切换、资源重载及退出客户端均不会留下后备声源或延迟回放。声音系统重载会丢弃旧语音队列，不补播。

设计音色与模型匹配

依据当前官方文档，qwen3-tts-flash 的非实时 HTTP 接口使用系统音色；声音设计的 voice-enrollment 创建 Qwen-Audio-TTS / CosyVoice 音色，返回的 voice_id 绑定创建时的 target_model。不能把任意设计音色直接填入默认模型。

本次额外接入 Qwen-Audio-TTS 的非实时 HTTP 接口，支持 qwen-audio-3.1-tts-flash、qwen-audio-3.1-tts-plus、qwen-audio-3.0-tts-flash、qwen-audio-3.0-tts-plus。可使用业务空间专属域名，也可在 Workspace ID 留空时使用兼容域名。默认 qwen3-tts-flash 不变。CosyVoice 合成不在本次实现范围内。

工具导出的 system-voice.json 包含 provider、region、workspace、model、voice、language，不包含密钥，供工具继续合成或人工查阅。在模组中通过 /settings 的“语音播报”标签手工填写地域、Workspace ID、模型、音色 ID 和语种，修改自动保存，再点击试听。模组不提供 JSON 导入或页面内重新加载按钮；常规持久化仍使用 config/system/system-speech.json。音色创建后可能处于审核中；用工具 query 查看状态，OK 后才能正常使用。

CosyVoice 与当前模型价格对比

2026-10-25 核对的北京地域官方公开单价，不含免费额度和折扣：

模型	合成价格
当前复刻音色的 qwen-audio-3.1-tts-flash	输入 1.5 元 / 百万 Token，输出 12 元 / 百万 Token
cosyvoice-v3.5-flash	0.8 元 / 万字符
cosyvoice-v3.5-plus	1.5 元 / 万字符
cosyvoice-v3-flash	1 元 / 万字符
cosyvoice-v3-plus / cosyvoice-v2	2 元 / 万字符

CosyVoice 只按输入文本计费，一个汉字算 2 个计费字符，其他字母、标点和空格等算 1 个。新加坡的 cosyvoice-v3-plus / cosyvoice-v3-flash 分别为 1.9082 / 0.9541 元每万字符；上表 3.5 和 v2 未列出新加坡价格，不能直接套用北京价。

按声音复刻说明，Qwen-Audio-TTS 与 CosyVoice 的音色复刻创建免费，使用音色合成时按目标模型收费。不要与另一项 qwen-voice-enrollment 的按音色收费混淆。当前 system-test1 绑定 Audio 模型，若改用 CosyVoice 需要为目标模型重新创建音色。

此前测试实际返回输入 37、输出 81、总量 118 Token 和 69 characters；当前 Audio 模型价格约 0.0010275 元。相同计费字符数的 CosyVoice 3.5 Flash 约 0.00552 元，仅说明这段样本的价格差异，不能据此认定所有文本都按相同比例计费。Java 模组目前尚未接入 CosyVoice 合成，此表仅作选型参考。

Python 小工具

tools/voice_design.py 使用 Python 3.10+ 标准库，无需 pip 包。--lang zh/en 切换帮助和工具提示语言。API Key 从 DASHSCOPE_API_KEY 读取，缺少时隐藏输入；不支持把密钥直接放在命令行参数里。工具不自动重试收费请求。

先在当前终端设置百炼密钥，下面的 YOUR_WORKSPACE_ID 替换为实际业务空间 ID；也可省略 --workspace 使用兼容域名。--workspace 也可由 DASHSCOPE_WORKSPACE_ID 提供；通用选项放在子命令前：

python tools/voice_design.py --lang zh --help
python tools/voice_design.py --lang zh --workspace YOUR_WORKSPACE_ID design --prompt "清冷、克制的年轻女性电子助手，吐字清晰，语气平稳，带轻微机械感" --prefix system

默认目标 qwen-audio-3.1-tts-flash，默认中文预览。声音描述 1～500 字符，预览文本 15～200 字符，前缀 1～10 位英文字母/数字。英文设计需同时提供英文预览：

python tools/voice_design.py --lang en --workspace YOUR_WORKSPACE_ID design --prompt "A calm, clear young female virtual assistant" --voice-language en --preview-text "Host, the system link is established. A new quest is ready."
python tools/voice_design.py --lang zh --workspace YOUR_WORKSPACE_ID list
python tools/voice_design.py --lang zh --workspace YOUR_WORKSPACE_ID query VOICE_ID
python tools/voice_design.py --lang zh --workspace YOUR_WORKSPACE_ID delete VOICE_ID

当前官方声音设计文档列出的这些模型使用北京地域，工具的音色操作也限制北京。--region singapore 用于临时上传；不能混用不同地域的密钥或音色。delete 会要求输入完整音色 ID 确认。

design 在 voice-output/<时间>-<随机标识>/ 下输出 preview.wav 与 system-voice.json；可用 --output 指定输出根目录。工具先建立输出位置再调用 API，避免因为路径不可写而创建无法保存的音色。先保存音色 ID 和配置，再解码预览；若预览异常，不要重复创建收费音色，先用 query 查询。预览 WAV 用本地播放器打开即可。

从录音复刻音色

clone 接受 16-bit PCM WAV（至少 5 秒、不超过 60 秒、采样率至少 16 kHz、单/双声道、不超过 10 MiB）。官方推荐 10～20 秒清晰连续人声。浮点 WAV 需先转成 16-bit PCM；不会修改原音频。复刻也是 voice-enrollment/create_voice，传入参考音频 audio，不是文字音色设计。

python tools/voice_design.py --lang zh --config run-test-client/config/system/system-speech.json clone voice-input/system-test1.wav --id system-test1

--config 只读取指定客户端配置中的密钥、地域和 Workspace ID，不输出密钥；没有配置文件也可继续使用环境变量。默认目标模型为 qwen-audio-3.1-tts-flash。

阿里云自动生成音色 ID，不能自定义为 system-test1。--id 保留本地别名，写入 voice-output/system-test1/system-voice.json，其中 voice 为真实云端 ID。云端前缀仅支持 10 位以内英文字母数字；未显式指定 --prefix 时从本地 ID 生成，system-test1 对应 systemtes1。将导出的音色参数填写到模组的语音播报设置中，修改自动保存。

提交前落盘 submission.json，保留本地 ID、前缀、目标模型、音频摘要及提交状态，不保存密钥或 Base64 音频。若网络失败导致结果不明，会保留记录，重复使用该 ID 会拒绝再次提交；先按前缀 list 查询，避免重复收费。返回音色 ID 后用 query 确认状态为 OK。不会为验证自动请求额外收费的语音合成。

需要试听复刻结果时显式运行 synthesize，它会按目标模型调用一次合成并下载 WAV，同时保存文本、请求 ID 与用量元数据：

python tools/voice_design.py --lang zh synthesize --profile voice-output/system-test1/system-voice.json --output voice-output/system-test1/test.wav

输出文件存在时拒绝覆盖，避免误操作重复合成；失败不自动重试。音频下载不携带 Bearer，HTTP OSS 地址升级为 HTTPS。音频生成后，元数据去除下载签名 URL 和内联音频。

部分服务返回的 WAV 沿用流式占位长度，播放器可能误报数小时。工具按实际 PCM 字节重建标准 WAV 头，不改变采样数据，也不重新请求合成。

临时上传

文字音色设计与普通文本合成都不需要上传文件。工具额外提供官方临时上传流程，供后续参考音频/复刻接入使用：

python tools/voice_design.py --lang zh upload reference.wav --model voice-enrollment

先获取指定模型的上传策略，再用签名表单向 OSS 上传，返回 oss://...，有效期 48 小时；策略本身短时有效，立即使用。后续引用这个 URL 的模型请求必须设置 X-DashScope-OssResourceResolve: enable。上传不会创建或复刻音色；模型是否接受对应的音频格式、时长等仍以该模型接口为准。

上传工具限制参考音频不超过 20 MiB，并遵守策略里更小的上限；文件名随机化，file 表单项最后发送。Bearer 密钥只发百炼，OSS 上传只用签名策略。签名策略、音频及密钥不写日志；临时 URL 按工具用途输出。

接口与边界

• com.iafenvoy.system.speech.tts.TtsProvider 是无 MC 依赖的合成接口，保留 WAV 字节接口，并提供可选的流式 PCM 回调。供应商由 speech.TtsProviders 的普通工厂 Map 管理，内置键为 aliyun。扩展在客户端初始化时调用 TtsProviders.register(name, factory)，不参与 MC 注册表生命周期；TtsProviders.create(provider) 按配置字符串精确查找并创建独占实例，不自动补命名空间。收费表另将短名补为 system: 后匹配；新供应商自行校验协议参数。完整示例见注册表速查。
• AliyunTtsProvider 通过共享的 HttpTransport 实现两种阿里云 HTTP 协议，MC 默认使用上述 SSE 路径。保留的非流式接口总响应超时 45 秒，音频下载 25 秒；JSON 最大 12MiB，音频最大 8MiB。无重定向、无自动重试。非流式下载仅接受阿里云 OSS 音频域名，旧 HTTP URL 升级 HTTPS，下载不携带 Bearer。
• AssistantSpeech.Session 由界面和当前通知持有；全局只保留当前朗读及一个待启动项，新朗读替换旧项，文字队列由 AssistantMessages 管理。关闭 session 同时取消在途 Future、PCM 和播放，已关闭的 session 不能重新提交。单个合成工作线程及单个工作等待槽保持有界；请求、SSE 解析及旧供应商 WAV 解码不占 MC 线程，旧代次结果不得重新开始播放。
• 本地用量账本不在启动播报时同步读取文件；加载、费用计算和保存由独立 system-speech-usage 串行执行器处理。用量界面只读取最新快照，不等待后台锁或磁盘。网络请求、SSE 解析、WAV 解码和音频缓存仍在合成后台线程；主线程只管理会话和播放状态。
• SpeechAudio 保存有界的 16-bit 小端、单/双声道 PCM；SpeechSound 提供原版非阻塞读取，SpeechPlayback 管理原版优先/单次后备，OpenAlSpeechPlayer 按游标向循环 buffer 队列补充音频。仅有客户端声音生命周期 mixin，不需要资源包、外部播放器或音频库。
• AssistantSpeech.status()、SpeechPlayback 和设置页共用 SpeechState 枚举，统一合成、播放及错误状态；供应商错误码在入口转换，界面通过 translationKey() 读取现有双语文案。
• 没有新增 Java 依赖、模型文件或原生运行库。TTS 由客户端独立调用，用量只写入本机 config/system/speech-usage/<客户端账号UUID>.json；用量、密钥、正文和音色 ID 均不上传 MC 服务端。/system usage 同页展示服务端 AI 和本人的本地 TTS / ASR，用量跨服务器累计，revoke 不清除。累计口径与官方单价见用量统计。
• 收费标准使用客户端 config/system/system-speech-pricing.json；缺失时复制 JAR 内 defaults/system-speech-pricing.json 后加载，保留已有配置。修改后通过客户端 F3+T 或重启生效，历史累计费用不重算；详细字段见收费标准配置。

验证范围

首次接入执行过 Java 编译、testMod 源集编译与 JAR 打包、Python AST 语法检查和 CLI 帮助、双语键集合与模板绑定静态检查，当时没有调用收费 API。

2026-10-25 后续按用户指令实际完成一次 Qwen-Audio-TTS 音频复刻：本地 ID system-test1，目标模型 qwen-audio-3.1-tts-flash，云端状态 OK；兼容域名下查询、复刻及测试语音合成成功。参考音频在本地转换为 24 kHz、单声道、16-bit PCM WAV，保留原文件。测试输出 6.48 秒，WAV 头按实际 PCM 长度修正。结果位于忽略提交的 voice-output/system-test1/，没有把密钥写入结果。此验收覆盖线上复刻与下载，不代表已验收 MC 内音频播放或临时上传。

正文队列与 OpenAL 后备这轮只执行 Java 编译、testMod 源集编译、JAR 打包和静态检查，依据当前 Minecraft / NeoForge / LWJGL 依赖源码确认签名与声音生命周期。没有运行测试、启动游戏或再次调用收费 API；原版实际出声、故障切换和游戏内资源回收尚未做运行验收。

SSE 流式增强已通过 Java / testMod 源集编译和 JAR 打包；依据官方流式协议以及当前 Channel.attachBufferStream、pumpBuffers、AudioStream.read 源码实现分块播放。未运行测试、启动游戏或调用收费接口，首包延迟与连续播放效果尚未实测，不给出延迟改善的实测数值。

语音 session 与通知切换调整已通过 compileJava testModClasses jar 编译和打包；静态检查了界面关闭、通知确认/超时/隐藏、代次取消及延迟回调路径。未运行测试、启动游戏或调用收费接口，中途掐断和通知连续切换仍未做游戏内验收。

2026-10-26 整句音频缓存与 Qwen-Audio 语种提示已通过 compileJava testModClasses jar --console=plain 编译和打包；静态检查了默认关闭、旧配置缺字段回退、表单与音色导入保留开关、命中不报告云端用量、完整 PCM 写入和取消保护，中英文语言键均为 377 个且集合一致。依据官方 HTTP 文档确认 input.language_hints，没有启动游戏、运行测试或调用收费 TTS API；缓存的游戏内命中效果与 Dev 实际读音尚未试听验收。