打断能力太弱了，响应最快3秒，最慢更多，没法直接用在对语音有实时性很高追求的项目上

还得继续爆改，

先说说打断， 在测试场景稍微复杂一点的环境，人多七嘴八舌，就需要极快速度的打断，然后保持静默继续asr持续识别，直到在合适的时候断开，然后再次把之前识别到的内容合并重新发给大模型，这样和大模型的对话才不显得突兀

关于这种语音识别的究极体验，比如豆包也没法做到100%不去胡乱识别，但起码周围在说话的时候能够快速打断，然后静默->持续偷听->持续转换，拾取之前的内容，再次统一发送这个流程做的最好

我不懂python，但观察了代码很久，作者思路挺好，把一切都通过流处理，但是数字人在说话对唇形的时候、你想要极速打断基本很困难，单纯的清空tts和说话的缓冲区，没用，还是有将近3秒延迟，因为webrtc也存在缓冲区，数字人的推理还在进行，想要极速打断只处理其中某个链条好像做不到，有高手知道感谢能提供个思路

目前改了语音使用webrtc的语音通道来发送到asr，我目前用的豆包的语音识别大模型，因为不懂python踩了不少坑，采样率和颗粒度很怪异，用ai去改代码改了很久很久才能正常快速识别，可能是app.py中语音通道是50fps的原因，再发送asr前的采样率都很奇怪，需要设置成为8000才行，不然豆包的流式语音识别大模型很不准确

另外我修改了，再数字人说话期间，将语音的能量减弱， 或者完全设置为0，让他数字热人说话的时候减少被干扰，或者完全不被干扰，（我也是webrtc没有在服务端关闭语音通道的方法 只能通过降低音量的方法）

另外数字人说话状态有抖动，尤其是tts慢了一点，说话->静音之间的切换就有抖动，我目前做了个延迟1秒，然后做个演示+阻塞方法，能够准确的通知前端数字人说话的状态，但延迟意味着，精准度再度降低！！！

另外，修改了动作编排里的json文件，多个audiotype:1的静音动作组合按顺序执行动作