Spaces:
Sleeping
阶段一：框架与API定义 (目标：生成API文档，解放前端)
指令 1.1：项目初始化
请你使用 mamba 为项目新建一个虚拟环境，使用Python和FastAPI创建一个新的Web后端项目。初始化项目结构，配置CORS允许所有源。创建一个根路由
/作为健康检查点。
指令 1.2：定义STT接口
在项目中添加一个用于语音转文字(STT)的API端点
/api/stt。它应该接收音频文件作为输入，并返回包含转写文本的JSON。现在只需定义好输入输出的数据模型和空的路由函数，确保它能出现在API文档中。
指令 1.3：定义TTS接口
接下来，添加一个文字转语音(TTS)的API端点
/api/tts。它接收包含文本的JSON，并返回音频流。同样，现在只需定义好数据模型和空的路由函数。
指令 1.4：定义LLM核心接口
最后，添加核心的回答建议生成接口
/api/generate_suggestions。为它定义一个复杂的Pydantic输入模型，包含scenario_context,user_opinion,target_dialogue,modification_suggestion,suggestion_count等字段。其输出应为一个包含建议列表的JSON。完成数据模型和空函数的定义。
指令 1.5：生成API文档
在完成这些内容后，请你确保运行 FastAPI 后能正常生成 API 文档供前端使用。
阶段二：核心逻辑实现 (目标：填充功能)
指令 2.1：实现STT功能
现在我们来完成
/api/stt端点的功能。在这个路由函数内部，你需要实现以下逻辑：
- 接收上传的音频文件。
- [在此处调用STT模型] 对该音频文件进行处理。
- 将模型返回的文本封装到预定义的JSON响应体中并返回。
(稍后我会告诉你如何调用STT模型。)
指令 2.2：实现TTS功能
接下来完成
/api/tts端点的功能。函数逻辑如下：
- 接收包含文本的JSON输入。
- [在此处调用TTS模型] 使用接收到的文本生成语音。
- 将模型生成的音频数据作为文件流直接返回。
(稍后我会告诉你如何调用TTS模型。)
指令 2.3：实现LLM核心功能
现在，我们来实现最关键的
/api/generate_suggestions端点。函数逻辑如下：
- 接收包含各种上下文信息的JSON输入。
- 根据所有输入的有效字段，动态地、智能地组合成一个结构化的Prompt。
- [在此处调用LLM模型] 并将构建好的Prompt作为输入。
- 解析LLM返回的结果，提取出建议列表，并将其封装到预定义的JSON响应体中返回。
(稍后我会告诉你如何调用LLM模型以及如何构建Prompt。)