如果希望在Dify平台上真正实现流畅的语音交互功能，STT（语音识别）与TTS（语音合成）这两个后台服务必须配置妥当。这并非简单的勾选开关或填写几个API密钥就能轻松完成——音频格式一旦不匹配，ASR节点便会直接失效；采样率若未校准，识别准确率则可能断崖式下降。以下是我整理的一份配置清单，严格遵循这些步骤基本不会出现问题。
为了让AI应用既能“听懂用户说话”又能“开口回答问题”，STT与TTS两个环节缺一不可。音频格式、采样率、输出格式等细节参数必须在工作流中准确串联，最终目标是将端到端延迟控制在2.8秒以内，确保交互体验流畅自然。
启用Dify平台级语音服务开关
首先登录Dify控制台，进入【设置】→【系统配置】→【语音服务】。将「语音识别服务」与「语音合成服务」这两个全局开关同时开启。请注意，该操作需要管理员权限，普通成员无法修改。如果页面上未显示此选项，说明当前Dify版本低于0.8.0，需要升级或通过Docker环境变量强制启用：tts_service_enabled=true、asr_service_enabled=true。
配置完成后重启Dify使设置生效。若使用Docker部署，执行 docker restart dify；若为二进制部署，手动终止进程后重新启动主程序即可。
配置语音识别（STT/ASR）服务
接下来进入【数据集】→【语音识别模型】→【新增模型】，这里有几种可选方式。
方式一：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
请求方法选择POST
Headers中添加 Authorization: Bearer {{api_token}} 和 Content-Type: application/json
Body使用JSON模板，请务必确保format字段设为wa v，sample_rate设为16000，否则90%的中文语音将无法正确识别——这是最容易踩坑的地方，必须严格注意。
方式二：本地部署Whisper推理服务
搭建一个Flask服务监听/whisper端点，接收base64编码的WA V音频，返回JSON格式文本。在Dify中配置为「自定义模型」，协议使用HTTP，超时时间设置为30秒。原因是：1分钟的语音在CPU上进行推理，有时耗时可能超过25秒。
方式三：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）」即可，无需填写密钥。该模型针对客服对话、会议记录等场景进行了优化，但无法针对行业术语进行微调。
配置语音合成（TTS）服务
首先确认语音引擎是否已正确安装。在【设置】→【插件管理】中检查「TTS引擎」是否已出现在列表中。若未显示，需手动上传插件包或通过CLI命令安装：dify-cli plugin install tts-azure 或 dify-cli plugin install tts-sambert。
然后配置具体引擎参数。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：例如eastasia（对应中国东部）
• Voice ID：推荐选择zh-CN-XiaoxiaoNeural，该女声自然度较高
• Output Format：必须选择包含24khz的格式，例如audio-24khz-96kbitrate-mono-mp3，否则Dify工作流节点将输出静音音频
填写完毕后，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。如果返回空文件或播放无声音，请立即检查两处：① Azure订阅是否已开通语音服务；② 返回的Content-Type是否为audio/mp3，切勿误设为text/plain。
在Workflow中串联STT与TTS节点
① 新建一个Workflow应用，拖入「语音输入」节点作为起点。配置「音频格式」为WA V、「采样率」为16000、「声道数」为1。
② 接入「ASR识别」节点，选择刚才配置好的ASR模型。该节点的输出变量名称为asr_text。
③ 再接「LLM推理」节点，使用提示词提取用户意图并润色文本，输出变量设置为tts_input。
④ 然后接入「TTS合成」节点，选择已配置好的TTS引擎，输入字段绑定为{{tts_input}}。
⑤ 最后接入「响应输出」节点，在「媒体类型」中选择「音频」，字段值填写{{tts_output.audio_url}}。
保存发布后，使用手机录制一段10秒的中文语音上传进行测试。端到端延迟应稳定在2.8秒以内。如果超过4秒，请优先检查ASR节点是否启用了噪声抑制预处理模块——这一步骤容易被忽视，却对识别效果影响巨大。