TrueGrowth/openspec/changes/add-audio-generation-suno-routing/design.md at main

Jammy/TrueGrowth

Fork 0

Files

Jammy 3b6781d695 Initial TrueGrowth source import

2026-07-07 09:36:36 +08:00

7.0 KiB

Raw Permalink Blame History

Context

opentu 当前的生成体系围绕三类模态构建：

text
image
video

这三个模态已经贯穿以下层级：

model-config 中的静态模型类型
settings-manager 中的默认路由 preset
provider-routing 中的 operation 与 binding
model-adapters 中的适配器接口
task-queue 与历史记录中的任务类型与结果结构
AIInputBar 与设置页中的模型/模式切换

因此“增加音频层”并不是简单地再加一个 UI 选项，而是需要把音频模态接入整条调用链。

Suno 的特殊点在于，它暴露的是一组能力动作，而不是一组可以直接照抄提交的模型：

发现能力示例：
- suno_music
- suno-continue
- suno-continue-uploaded
- suno-remix
- suno-remix-uploaded
- suno-infill
- suno-lyrics
- suno-tags
- suno_act_tags
- suno_act_timing
真实音乐生成提交接口：
- POST /suno/submit/music
真实版本切换字段：
- mv
真实状态查询接口：
- GET /suno/fetch/{task_id}

因此，如果把 suno_music 这类标识直接当成“可调用模型 ID”，最终会出现两个问题：

UI 上看到的能力动作和请求里真正需要的 mv、续写参数混在一起
运行时发现层与执行层之间失去稳定映射

Goals / Non-Goals

Goals:
- 为 opentu 增加一等音频生成模态
- 为 Suno 建立“能力动作 -> 执行规则 -> 版本参数”的明确映射
- 复用现有多供应商路由和任务轮询思路，而不是单独再造一套音频系统
- 先跑通音乐生成和单任务查询闭环
Non-Goals:
- 本次不一次性覆盖 Suno 全量能力
- 本次不实现完整的画布音频后处理编辑器
- 本次不让发现到的所有 Suno 能力都自动出现在 UI 主路径中

Decisions

Decision: 引入 audio 作为一等模态
- ModelType、GenerationType、TaskType、ProviderOperation、默认 preset 都增加 audio
- 音频不再借用文本或视频通道透传
Decision: 区分“能力动作”和“执行版本”
- suno_music、suno-continue 等发现项表示能力或操作入口
- mv 表示真实执行使用的 Suno 版本，例如 chirp-v3-0、chirp-v3-5
- 续写上传场景通过 mv + '-upload' 表达
Decision: Suno 初始切片只做 music submit + fetch
- 首批只支持 POST /suno/submit/music
- 首批只支持 GET /suno/fetch/{task_id}
- 其余 Suno 动作先作为已发现但未激活的能力保留在元数据层
Decision: UI 不直接展示所有发现能力
- 用户主路径先暴露统一的 音频 模式
- 进入音频模式后，再根据绑定能力展示当前支持的生成方式和字段
- 避免让用户直接面对一串 suno-* 能力代号
Decision: 任务轮询采用 provider-specific 标准化
- /suno/fetch/{task_id} 返回的 status/progress/data 需要统一转换成内部任务状态
- 不能强制复用视频任务的原始响应结构

Proposed Data Model

type ModelType = 'text' | 'image' | 'video' | 'audio';

type SunoAction =
  | 'music'
  | 'continue'
  | 'continue-uploaded'
  | 'lyrics'
  | 'tags'
  | 'remix'
  | 'remix-uploaded'
  | 'infill'
  | 'infill-uploaded';

interface ProviderAudioBindingMetadata {
  action: SunoAction | string;
  versionField?: string;
  versionOptions?: string[];
  defaultVersion?: string;
  supportsContinuation?: boolean;
  supportsUploadContinuation?: boolean;
  supportsLyricsPrompt?: boolean;
  supportsTags?: boolean;
  supportsTitle?: boolean;
  taskIdField?: string;
  resultAudioUrlPath?: string;
}

interface AudioGenerationRequest {
  prompt: string;
  model?: string;
  modelRef?: ModelRef | null;
  title?: string;
  tags?: string;
  mv?: string;
  continueClipId?: string;
  continueAt?: number;
  params?: Record<string, unknown>;
}

interface AudioGenerationResult {
  url: string;
  title?: string;
  duration?: number | null;
  waveformUrl?: string;
  raw?: unknown;
}

Suno Binding Strategy

Capability Layer

发现层保留原始能力标识，例如：

suno_music
suno-continue
suno-continue-uploaded
suno-lyrics
suno-tags

这些标识用于：

推断该 profile 是否支持音频
推断该 profile 支持哪些音频动作
决定 UI 允许展示哪些高级入口

Execution Layer

执行层不直接按发现能力 ID 发请求，而是映射成：

submitPath
pollPathTemplate
action
mv 规则
字段可用性

例如首批音乐生成统一映射为：

{
  operation: 'audio',
  protocol: 'tuzi.suno.music',
  submitPath: '/suno/submit/music',
  pollPathTemplate: '/suno/fetch/{task_id}',
  metadata: {
    audio: {
      action: 'music',
      versionField: 'mv',
      versionOptions: ['chirp-v3-0', 'chirp-v3-5'],
      defaultVersion: 'chirp-v3-5',
      supportsContinuation: true,
      supportsUploadContinuation: true,
      supportsTags: true,
      supportsTitle: true,
      supportsLyricsPrompt: true
    }
  }
}

当用户选择“续写已上传音频”时，不改 submitPath，而是通过 metadata 规则把：

mv=chirp-v3-5

转换为：

mv=chirp-v3-5-upload

UI Strategy

Settings

在默认路由 preset 中增加 audio
音频默认路由保存 ModelRef
如果当前 provider profile 未发现音频能力，则不允许被选为音频默认路由

AI Input Bar

增加 音频 模式
进入音频模式后，参数区支持：
- mv
- title
- tags
- continue_clip_id
- continue_at
默认交互仍保持与图片/视频一致：
- 选择模型
- 输入提示词
- 提交任务

Task And History

任务类型增加 audio
历史记录支持展示音频结果
结果结构至少包含：
- 音频 URL
- 标题
- 创建时间
- 执行状态

Migration Plan

先补核心类型层和 preset 路由层的 audio
再补 provider routing / adapter / service 的 Suno 音频闭环
再补 AI 输入栏和设置页入口
最后补任务列表、历史记录和结果回显

Risks / Trade-offs

风险: 音频能力切入口过大，影响现有图片/视频链路
- Mitigation: 首批只做 music submit + fetch，不扩张到所有 Suno 动作
风险: 发现能力与执行规则混在一起，导致后续高级动作难扩展
- Mitigation: 明确拆分 capability layer 和 execution layer
风险: UI 直接暴露 suno-* 原始能力名，增加理解成本
- Mitigation: 主路径只暴露 音频 模式和人类可理解的操作标签
风险: 音频结果结构与视频结果结构不同，历史记录复用成本高
- Mitigation: 在 TaskResult 中增加音频最小字段集，而不是强行套用视频字段

Open Questions

首批是否需要同时支持“仅生成纯音乐”和“包含人声/歌词”的 UI 开关
suno_lyrics、suno_tags 是否应该作为后续独立工具，还是继续作为音乐生成前的辅助步骤
音频结果进入画布后，第一版是否只作为可播放资源卡片，而不引入完整音频节点编辑器

7.0 KiB Raw Permalink Blame History Unescape Escape