必须完成stt与tts服务配置：启用平台级语音开关，严格匹配音频格式（wav/16khz）、采样率与输出格式（如24khz mp3），并在workflow中按“语音输入→asr→llm→tts→响应输出”串联节点，确保端到端延迟≤2.8秒。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在Dify中让AI应用真正“听懂说话”并“开口回答”，必须完成语音识别（STT）和语音合成（TTS）两个服务的配置。这不只是勾选开关或填几个API密钥的事——音频格式不匹配会导致ASR节点直接报错，TTS输出格式未指定可能让前端无法播放，而缺少采样率校验会把16kHz录音误当8kHz处理，识别准确率断崖式下跌。
启用Dify平台级语音服务开关
登录Dify控制台，进入【设置】→【系统配置】→【语音服务】页签。将「语音识别服务」和「语音合成服务」两个全局开关均设为启用状态。注意：该操作需管理员权限，普通成员无法修改。若页面无此选项，说明当前部署版本低于0.8.0，需升级Dify或改用Docker环境变量强制开启：tts_service_enabled=true、asr_service_enabled=true。
重启Dify服务使配置生效。Docker用户执行 docker restart dify；二进制部署用户需手动杀进程后重新启动主程序。
配置语音识别（STT/ASR）服务
进入【数据集】→【语音识别模型】→【新增模型】。
方法一：接入阿里云智能语音交互API
在「服务类型」中选择「HTTP API」，填写以下字段：
URL：https://nls-gateway.cn-shanghai.aliyuncs.com/stream/v1/asr
请求方法：POST
Headers中添加：Authorization: Bearer {{api_token}} 和 Content-Type: application/json
Body使用JSON模板，【format字段必须设为wav，sample_rate必须为16000，否则90%的中文语音将无法识别】。
方法二：本地部署Whisper推理服务
启动一个Flask服务监听/whisper端点，接收base64编码的WAV音频，返回JSON格式文本。在Dify中配置为「自定义模型」，协议选HTTP，超时时间设为30秒——因为1分钟语音在CPU上推理可能耗时25秒以上。
方法三：使用Dify内置通用模型（仅限SaaS版）
直接下拉选择「通用中文模型（v2.3）」，无需填密钥。该模型已针对客服对话、会议记录等场景优化，但不支持行业术语微调。
配置语音合成（TTS）服务
第一步：确认语音引擎可用性
在【设置】→【插件管理】中检查「TTS引擎」是否已安装。若未列出，需先上传插件包或通过CLI命令安装：dify-cli plugin install tts-azure 或 dify-cli plugin install tts-sambert。
第二步：配置具体引擎参数
以Azure Cognitive Services为例，在插件配置页填写：
• API Key：从Azure门户复制的密钥
• Region：如eastasia（对应中国东部）
• Voice ID：zh-CN-XiaoxiaoNeural（推荐女声，自然度高）
• Output Format：audio-24khz-96kbitrate-mono-mp3（【必须选含24khz的格式，否则Dify工作流节点会静音输出】）
第三步：验证TTS输出质量
在配置页底部点击「测试合成」，输入“你好，今天天气不错”，等待音频生成。若返回空文件或播放无声，立即检查两点：① Azure订阅是否开通语音服务；② 返回的Content-Type是否为audio/mp3而非text/plain。
在Workflow中串联STT与TTS节点
① 新建Workflow应用，拖入「语音输入」节点作为起点。配置其「音频格式」为WAV、「采样率」为16000、「声道数」为1。
② 接「ASR识别」节点，选择上一步配置好的ASR模型。该节点输出变量名为asr_text。
③ 接「LLM推理」节点，用提示词提取意图并润色文本，输出变量设为tts_input。
④ 接「TTS合成」节点，选择已配好的TTS引擎，将输入字段绑定为{{tts_input}}。
⑤ 最后接「响应输出」节点，在「媒体类型」中选择「音频」，字段值填{{tts_output.audio_url}}。
保存并发布Workflow。用手机录制一段10秒中文语音上传测试，端到端延迟应稳定在2.8秒以内。若超过4秒，优先检查ASR节点是否启用了噪声抑制预处理模块。
