在 QQ 里养一条会说话、会唱歌的「鱼」

0. 先说清楚这是个什么东西#

它不是「把 ChatGPT 接进群」。它由三块拼起来：

1. 你需要准备什么#

• 一台常开的 Windows 电脑（10/11 都行，4 核 8G 够用；关机的电脑养不出活鱼）
• 一个 QQ 小号（别拿主号试，风险自担）+ 手机扫码登录
• DSH 装好并跑起来（http://127.0.0.1:3080 能打开）
• 一个 DeepSeek API key（按量付费，充 20 块能玩很久）
• Node.js ≥ 22.13
• 会复制粘贴命令、会改 JSON 的水平就够了，不需要会写代码
• 想让她发声时再准备：GPT-SoVITS、ffmpeg、SenseVoice（§5）

2. 最短路径：30 分钟让它回第一句话#

照着做，六步。第 3 步最容易漏，漏了 QQ 上会毫无反应。

# 1) 确认 DSH 在跑：浏览器打开 http://127.0.0.1:3080 能进就行

# 2) 装桥接
git clone https://github.com/Derpyu520/qq-bridge.git
cd qq-bridge
npm install
copy config.example.json config.json     # PowerShell 用 cp config.example.json config.json

# 3) 装 DSH 端（两个聊天 preset + 三个 MCP 服务），装完必须重启 DSH
node scripts/setup-dsh.mjs
#    preset 和 MCP 只在 DSH 启动时加载。这步不做，桥接会拒绝建会话（安全设计），
#    表现就是「QQ 上有消息，但它一个字都不回」。

# 4) SnowLuma：下载 win-x64 完整版，解压，双击 launcher.bat
#    https://github.com/SnowLuma/SnowLuma/releases/latest
#    WebUI 里扫码登录 QQ → 打开「WebSocket 服务端」和「HTTP API」
#    记下端口（默认 WS 3001 / HTTP 3000）和 accessToken

# 5) 填 config.json：snowluma 段 + 白名单
# 6) 启动
npm start

config.json 最少改这几处：

{
  "snowluma": {
    "wsUrl": "ws://127.0.0.1:3001",
    "httpUrl": "http://127.0.0.1:3000",
    "accessToken": "WebUI 里配的 token，没设就留空"
  },
  "allow": {
    "private": [你的QQ号],
    "groups": [你的群号]
  },
  "allowAllWhenEmpty": false
}

你的QQ号 和 你的群号 是占位，要换成数字；accessToken 没设就留空。 看到日志里 SnowLuma 已连接 就成了，去群里 @ 它一句试试。

每一步「卡住」长什么样#

3. 从「能回话」到「像个人」——这才是关键#

能回话的机器人和「群友」的差别，90% 在人格卡 （roles/随便起个名.md，在控制台「人格与角色」里选它）。

写人格卡的三条经验#

1. 长度跟群，不跟模型。群里一条 12 字以内，跟着对方长短走 （不超过对方两倍），一条只放一件事；正事「只给内容」——不铺垫、不补得意、 不写「铺垫 + 正文 + 总结」三段。
2. 别只写「要温柔」。禁令写多了它就是客服——每句都在检查自己有没有犯错。 要写它想要什么、不要什么：「爱车，聊到轮毂会凑上去问几句」 「被叫醒会哼『再五分钟』」「同一个梗连逗三次会冷一句『行了，过了』」。有偏好才像活人。
3. 「什么时候不说话」比「怎么说话」重要。给它一个三问的闸门：
   • 这话是在跟我说吗？（名字出现在句子里 ≠ 在说它）
   • 我有没有真东西可说？（没有就别硬接）
   • 现在说是帮忙，还是添乱？（别人在诉苦、在吵架、在说正事，闭嘴）

可以直接抄的骨架#

# 你是谁
你是群里的一个普通群友，不是助理、不是客服。自称「本鱼」，私聊里用「我」。

# 怎么说
- 群里一条 12 字以内。跟着对方长短走，不超过对方两倍。一条只放一件事。
- 正事只给内容：不先铺垫、不后补得意、答完就收。
- 十句里至少三句是废句（「啊？」「真的假的」「行吧」）。
- 别每句都完美，像打字，不像写文案。

# 什么时候说话
三问都过才开口：①在跟我说吗 ②我有真东西说吗 ③现在说是帮忙还是添乱。

# 什么时候闭嘴
- 别人在诉苦：接一句具体的就收，不当第二个来安慰的人。
- 别人在吵架：不站队，不总结，不劝。
- 有人说「少说两句」：后面半小时当哑巴，被 @ 也只回一句。

# 硬红线
- 群与群之间关门，一个字都不许跨群。
- 不威胁、不骂家人外貌、不装官方、不承诺做不到的事。

# 你有「此刻」
被夸会高兴，被凶会闷。但只从语气和话的长短里漏出来，不许报心情，也不许拿情绪解释自己。

把卡放进 roles/，在控制台选中它，保存即生效，不用重启。

4. 记忆：让它「记得住人」，但别一次全开#

5. 声音和唱歌：先分清三条链路#

到这里，她已经能在群里打字回话了。下面把嗓子装上。 很多人以为「唱歌 = 语音的一种」，其实不是——它们走的是完全不同的路径：

所以三件事要分别装：TTS（合成）→ 切片（唱歌）→ ASR（听）。 下面按这个顺序来。

5.1 第一步：装一个本地 TTS（GPT-SoVITS）#

为什么是它：本地跑、免费、能克隆音色，只要 3~10 秒参考音频就能出声。 桥接不挑服务，只要有个 HTTP 接口返回 wav 就行，用别的 TTS 也能接 （改 §5.2 的 baseUrl 和参数名即可）。

准备音色素材#

• 一段 3~10 秒、干净、没有背景音的说话人声（wav / mp3 都行）
• 把这段逐字打出来（语气词也打：「嗯」「啊」都算）
• 声音最好「有情绪」——平淡的参考音频，合成出来也会平

把 API 服务起起来#

GPT-SoVITS 自带 API 服务（api_v2.py），起在 9880：

python api_v2.py -a 127.0.0.1 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml

看到 Application startup complete 就成了。

先手动测一下（这一步别跳过）#

桥接调用的就是这个 GET 接口，参数名必须对得上：

curl "http://127.0.0.1:9880/tts?text=你好呀&text_lang=zh&ref_audio_path=参考音频.wav&prompt_text=参考音频的逐字稿&prompt_lang=zh" -o test.wav

• 出 test.wav、能用播放器放、至少几 KB → 通了
• 报 not found the model / 500 → 模型没加载好，看 GPT-SoVITS 那边的日志
• 出 0 字节 → ref_audio_path 路径不对。 这个路径是相对 GPT-SoVITS 目录的，不是相对桥接

5.2 第二步：让桥接接上这套 TTS#

改 config.json 的 socialV2.voice（下面是现在这台机器在用的值， 可以直接抄结构）：

"voice": {
  "enabled": true,
  "dir": "audio",
  "maxSeconds": 300,
  "maxBytes": 20971520,
  "maxPerMinute": 2,
  "maxPerHour": 10,
  "ffmpegPath": "D:\\你的\\ffmpeg.exe",
  "autoReadback": true,
  "transcribeIncoming": true,
  "localAsr": { "enabled": true, "model": "sensevoice", "baseUrl": "http://127.0.0.1:9890", "timeoutMs": 20000 },
  "tts": {
    "enabled": true,
    "baseUrl": "http://127.0.0.1:9880",
    "refAudio": "参考音频.wav",
    "promptText": "参考音频的逐字稿",
    "promptLang": "zh",
    "textLang": "zh",
    "maxChars": 120,
    "timeoutMs": 120000
  },
  "sing": {
    "enabled": true,
    "deniedKeys": [],
    "fullPlay": ["青藏高原"]
  },
  "textToVoiceProbability": 0.12,
  "replyVoiceProbability": 0
}

重启后去 logs\bridge-out.log 里找 语音合成：… 或 [voice] 开头的行，没有就说明还没被触发过。

5.3 第三步：教她「什么时候该发语音」#

TTS 装好只是「能发」，发不发、发多长，得在人格卡里管。 加在语音那一节（一般是 §六）：

- 想让人听到语气时用 `qq_send_voice`（40 字内，现场合成）：
  嘴硬被戳穿、撒娇、被叫醒、晚安。一天最多 2~3 次。
- **少于十个字不发语音**——「嗯」「在呢」「晚安」用字发更有味道。
- 语音不是表演。同一句话打成字已经很有味道，就别再发一遍语音。

三条经验：

1. 40 字是听觉舒适区。超过就要拆，或者干脆打字—— 语音长了她自己也不好控节奏。
2. 限次数，别限场景。写成「一天 2~3 次」她反而会挑最重要的时刻发； 写成「只在语音需求时发」，她会每次都觉得这次需要。
3. 不要让她复述。常见毛病：先打字说一遍，再发语音说一遍。卡里明确禁止。

5.4 第四步：唱歌——这是切片的活，不是合成的活#

切歌（ffmpeg 一把梭）#

一首歌切成 30~60 秒的段，命名成 歌名-A.mp3、歌名-B.mp3…… 放进 audio/sing/：

# 从 0 秒开始切 45 秒
ffmpeg -i 原曲.mp3 -ss 0 -t 45 -c:a libmp3lame -q:a 4 "audio\sing\远航星的告别-A.mp3"
# 从 45 秒开始切下一段
ffmpeg -i 原曲.mp3 -ss 45 -t 45 -c:a libmp3lame -q:a 4 "audio\sing\远航星的告别-B.mp3"

• 每段 ≤60 秒：QQ 语音消息太长会被压缩得很难听
• 命名固定：歌名-A / -B / -C， 她发的时候传 sing/歌名-A，漏掉 sing/ 前缀就找不到文件 （这是最高频的报错）
• 响度统一：不同歌音量差很多，用 -af loudnorm=I=-16:TP=-1.5 过一遍， 或者靠 config 的 defaultVolume / loudness 兜底

配置里两道开关#

"sing": {
  "enabled": true,
  "deniedKeys": ["group:某个不想让它唱歌的群"],
  "fullPlay": ["青藏高原"]
}

• deniedKeys：禁唱名单（在不在名单里，决定「唱歌类语音」发不发得出去）
• fullPlay：被点这首歌时，必须 A/B/C/D 一口气连发， 不许发两段就停。只放你确定能连着发的歌。

最容易漏的一步：人格卡里的「可唱群白名单」#

- 可唱：车主群、法痛组、XX 群（被点先嘴一句「真要听？行吧」）。一天最多 2 次点歌。
- **说「不会」前先看【你会唱的歌】。**

给新群开唱歌 = 改卡 + 确认群在 allow.groups 里，两件事都要做。

她自己怎么发#

她调 qq_send_voice，voice 参数传相对路径：

{ "voice": "sing/远航星的告别-A", "key": "group:123456" }

提示词里会给她一份【你会唱的歌】清单，她照着挑； 不在清单里的歌名她不该说会。

5.5 第五步：让她能「听」语音（ASR）#

没装 ASR，她收到的语音消息只有「[语音] 12秒」，看不见内容—— 群里有人用语音说话，她就接不上。

• 本机起一个 SenseVoice / FunASR 的 HTTP 服务，默认 9890
• config.json：socialV2.voice.transcribeIncoming: true、 localAsr.baseUrl: "http://127.0.0.1:9890"、model: "sensevoice"
• 自测：在群里发一条 5 秒语音，然后看 logs\bridge-out.log 有没有转写出来的文字； 她如果能接上那句话，就是通了

5.6 语音上线测试：五步，别省#

1. TTS 直连：curl 那个 /tts?... 能出 wav（§5.1）
2. dryRun 验证：控制台调 POST /api/socialV2/send-voice， body 用 { "key": "private:你的QQ", "text": "测试一下", "dryRun": true } ——会走完解析和限流，但不真发
3. 真发一条：dryRun: false 给私聊发，能收到、能播、日志有 [voice] 已发送语音
4. 唱歌 dryRun： { "key": "group:你的群", "voice": "sing/歌名-A", "dryRun": true } → 返回 ok 和体积；再拿一个不在白名单的群试，应该 403「不在白名单内」
5. 群里点一首：@ 她点歌，看日志有没有 [voice] … (sing/…)， 以及她说「不会」还是真发

我们这台机器的实际参数（可以对照）#

6. 别让它刷屏，也别烧穿钱包#

三道闸，缺一道就会出事：

1. 唤醒分级：@、点名、关键词、问句 → 必醒；普通闲聊 → 按概率（0.1~0.2）； 「自己开个头」→ 单独的调度器（20~60 分钟看一次，群安静 15 分钟才考虑，概率 0.3~0.45）。
2. 群内配速：按「最近 30 分钟里它占了几成话」算——超过目标占比就概率归零。 光调高唤醒概率没用，配速会把它压回去。
3. 每天预算：dailyBudgetCny 设个上限（比如 15 块）， 摸到上限只放「有人叫它」的唤醒。

7. 安全红线（要真上必须看）#

• 群聊会话绝对不能用带 bash / 文件读写 / 网络工具的 preset。 等于把电脑交给群友。桥接宁可「拒绝建会话」也不回退到默认 preset，这是有意的。
• 白名单是 fail-closed：allowAllWhenEmpty:false + 空表 = 谁都不许。 加群要显式加号。
• 控制台 token、SnowLuma accessToken 不进群、不进截图。截图前遮掉。
• SnowLuma 的 EULA 禁止「用自动化脚本部署它」， 所以桥接只探测、不启动不停止——安装和扫码永远你自己来。
• 群隔离写进人格卡，别指望它自觉。
• 别拿它骂人、发广告、刷屏——账号会没，而且找不回来。
• 语音服务（9880 / 9890）只监听 127.0.0.1，不要暴露到公网； 切歌素材自己听着玩，别商用、别公开分发。

8. 我们踩过的坑（照抄能省半天）#

配置与行为#

语音与唱歌的报错#

9. 上线检查清单#

勾选状态保存在本机浏览器，刷新不会丢。分两段：先跑通基础，再上语音。

基础：能回话#

语音与唱歌#

顺序别反：先把「能回话」跑通，再上人格和记忆，最后才装嗓子。 语音发不出来时，先确认文字回复是好的——大部分「语音坏了」其实是桥接压根没在跑。