前言
从小学到大学，课后学习有一个相似的空白：题目和资料并不少，但真正开口说英语的机会却很有限。
我记得小学学完一篇英语短文后，往往就放下了，几乎没有机会和别人对话；初高中记住了不少句型，却很难把它们说进一段自然的对话；大学虽然有英语角，也要等到固定时间，未必随时都能找到合适的人陪练。
说实话，现在的英语学习 App 已经不只有背单词和句子跟读了。多邻国、ELSA 和 Speak 等产品都提供了 AI 对话、角色扮演或即时反馈，它们在课程体系、学习路径和长期评估上做得很完整。
但我体验到的这类产品，更多面向自主学习的成人用户。围绕普通学生的课后内容做语音陪练，或许还有空间。
我想做的是把课堂上学过的内容，放到课后通过 AI 智能体的语音对话再练一遍，让学生从“学过”走到“能开口用”。后续如果接入不同地区的教材知识库，还可以围绕具体课文做复习和预习。
下图是我希望知识库接入后实现的课后练习流程，不是本文第一版 Demo 已具备的能力：
地区、时间和教材版本不能由模型自行猜测。真正接入时，需要由学生、家长、学校或老师提供明确资料，并在获得授权后作为知识库检索条件。
面对一年级学生，实际对话可能会中英文混杂，避免一开始就堆太多陌生单词；高年级学生则可以逐步增加英文比例。
于是我开始做这个 App，给它起名叫《随口练》。
一、先确定技术栈
本来想用微信小程序开发，但小程序的 live-player 和 live-pusher 涉及相应资质；而语音对话离不开这类能力，所以我先放弃了这条路。
于是我改用 Flutter 做 App。原生 App 对麦克风等权限的支持更直接，Flutter 也能用一套代码覆盖 Android 和 iOS。
ASR A语音识别由 声网 提供，LLM 大模型和 TTS 语音合成则需接第三方，只是在控制台里统一配置，不用自己搭编排链路。当然，ASR 也可以切换成别家的，BYOK 的好处是给了开发者更多的选择，在面对不同的场景时，选择不同的模型，不用被一家所捆绑。
VAD（语音活动检测）负责判断用户何时开始或结束说话；配合实时字幕，页面能看到边说边出的文字。声网的实时链路也支持全双工和打断，用户不用每次都等智能体把一整段话说完。
二、先梳理一下我的 APP 要做什么
第一版先做一个最小 MVP，只验证实时语音对话这条链路；知识库和工具调用后面再补。
页面我想做成类似豆包的空白聊天页。课后复习、情景练习、模拟表达这些方向，不做成一上来就要填写的表单，而是让学生直接通过语音告诉 Mia 想练什么。
要做到这一点，智能体的角色和行为规则要先配置好。
要做到不同年级可以使用同一条实时链路，只调整题目和说话节奏：小学更适合短句、跟读和鼓励；初高中可以加入情景表达和复述；大学则可以练课堂展示或面试表达。
无论哪个学段，都给智能体留同一条边界：一次最多纠正一个最需要改的点，不把一轮口语练习变成冗长的语法讲解。
三、先在声网创建英语陪练智能体
在 声网 进行注册，然后在控制台创建一个项目，选择通用项目、1V1语音。
图1 创建项目
项目创建后需要记录 App ID 和 App 证书，另外还要在控制台"设置 → RESTful API"里生成一组客户 ID 和客户密钥。App ID 用于客户端加入 RTC 和 RTM；App Certificate 用于在 FastAPI 服务端签发短期 Token，客户 ID 和客户密钥用于服务端调用声网接口启动智能体，后两者都只留在服务端，不能写进 App。
图2 项目创建完毕后
接着从侧边栏菜单中的“全部产品”进入“对话式 AI 引擎”，并且切换到刚创建的项目《随口练》，开通对话式 AI 引擎服务。
注意：没有开通服务时，即使前后端代码都正常，智能体也无法启动。
图3 开启对话式 AI
进入智能体页面，新增智能体。默认会有一个英语陪练的模板，不妨就用它当做我们的初始配置，选择它进入智能体配置页面。
图4 创建智能体
图5 智能体编辑页
配置 Mia 的角色和对话规则
进入编辑页后，我没有急着把“课本知识库”“学习档案”都塞进去。它们确实是后面想做的能力，但第一版只想先验证一件事：学生开口后，能不能得到一段不打断节奏、又不太像标准答案的回应。
我给智能体取名 Mia，提示词没有写得特别花哨，主要是几条实际会影响体验的规则：
你是一位耐心的英语口语陪练 Mia。
开始时，先问学生想复习当天课程、练习一个生活场景，还是做一段模拟表达。学生如果已经直接说了课程内容或场景，就直接开始，不重复询问。
学生说英语时，先理解意思，再用简单英语回应。
如果有明显错误，每次只指出一个，并给出更自然的说法。
回答后只追问一个简单问题，给学生继续说的机会。
学生说“再说一遍”“慢一点”或“换一个话题”时，直接照做。
学生使用中文时，可以先帮助他组织成一小句英语，不批评，也不要一次讲太多语法。
不询问姓名、住址、学校等个人信息；不用于正式考试评分。
开场白我写的是：Hello, I am Mia. Would you like to review a lesson, practice a situation, or try a short talk? 学生也可以不回答选项，直接说“今天学了什么”或“我想练点餐”。
前面提到的“根据年级、教材和所在地匹配内容”，在这一版里还是下一步的规划。真正接入时，教材版本和课程进度应该来自学校、老师或用户自己选择的资料，不能让模型凭一句话去猜。我先把语音对话跑顺，再接知识库。
四、参考官方 Flutter Demo，拆开 App 与服务端
声网的 Recipes 中有 Flutter Quickstart。我先把它当作接入路线图，而不是直接把示例页面搬过来。第一版只保留最小闭环：Flutter 把麦克风声音送进 RTC 频道；英语家教进入同一频道后回传语音；字幕通过 RTM 回到手机页面。
图6 Flutter Quickstart
本机准备好 Flutter SDK 后，我先运行 flutter doctor 检查 iOS 工具链，再创建 flutter-speaking-coach 工程。这个步骤看着简单，实际能提前发现 Xcode、模拟器或 CocoaPods 没配好的问题。
图7 Flutter 环境检查
项目我分成两部分：lib/ 是 Flutter 页面、RTC 音频和 RTM 字幕；server/ 是 FastAPI 服务。这样拆不是为了显得复杂，而是因为 App Certificate、启动智能体的鉴权信息都不能放进手机端。Flutter 只拿一次会话需要的频道、UID 和短期 Token；服务端保存证书，负责创建会话并启动智能体。
flowchart LR
A[随口练 Flutter App] –>|申请一轮练习| B[FastAPI 服务端]
B –>|频道、UID、短期 Token| A
B –>|启动英语家教| C[声网对话式 AI 引擎]
A <–>|RTC 实时音频| C
C –>|RTM 字幕和状态| A
服务端创建会话时，先生成一个新的频道和两个 UID，再签发短期 Token：学生端用自己的 uid 签，智能体那个用 agent_uid 签，随启动接口一起传给声网。核心逻辑如下：
@app.post("/api/coach/sessions", response_model=SessionResponse, status_code=201)
def create_session(payload: CreateSessionRequest) -> SessionResponse:
channel = f"speaking-{int(time.time())}-{secrets.randbelow(9000) + 1000}"
user_uid = secrets.randbelow(8_000_000) + 1_000
session = Session(
session_id=secrets.token_urlsafe(12),
channel=channel,
user_uid=user_uid,
agent_uid=secrets.randbelow(8_000_000) + 8_001_000,
token=make_token(channel, user_uid),
topic=payload.topic,
)
sessions[session.session_id] = session
return SessionResponse(
sessionId=session.session_id, appId=required_env("AGORA_APP_ID"),
channel=session.channel, uid=session.user_uid,
token=session.token, agentUid=session.agent_uid,
)
用户点击“开始练习”后，Flutter 再请求启动接口。FastAPI 使用保存在服务端的凭证调用声网接口，让 Mia 加入同一个频道。App 端从头到尾都不接触 App Certificate 和智能体配置密钥。
当前 Demo 启动的是已发布的 Pipeline，所以线上运行的人设和开场白以声网对话式 AI 引擎控制台里已发布的智能体配置为准。本地的 prompts/mia.md 用来维护同一份提示词文本；修改后，还要同步到控制台并发布新版本，线上智能体才会采用新规则。
Flutter APP 端需要接入官方的 agora_rtc_engine、agora_rtm SDK，然后在代码中调用，我封装了一个 AgoraCallService 用于声网 SDK API 调用。
dependencies:
flutter:
sdk: flutter
# The following adds the Cupertino Icons font to your application.
# Use with the CupertinoIcons class for iOS style icons.
cupertino_icons: ^1.0.8
agora_rtc_engine: ^6.6.3
agora_rtm: ^2.2.6
http: ^1.6.0
permission_handler: ^13.0.0
图8 Flutter RTC 接入
五、把真实语音和字幕接进 Flutter
“随口练”的首页没有文本输入框，也没有要先填写的模式表单，只有“开始练习”“静音”“结束”三个操作。连接后，学生可以直接说“我想复习今天的课”或“我想练点餐”，由 Mia 在对话里确认方向。
图9 首页
点击“开始练习”后，页面会依次显示“申请权限”“正在加入频道”“陪练已连接”。这些状态我没有省掉：学生拒绝麦克风权限时，要知道去哪里打开；Token 过期或入会失败时，也不能只看到一个一直转的圆圈。
RTC 的关键代码放在 AgoraCallService 中。服务端把本次会话的参数返回给 App 后，Flutter 负责加入频道、发布本地麦克风，并订阅 Mia 的远端音频：
await engine.initialize(RtcEngineContext(
appId: session.appId,
channelProfile: ChannelProfileType.channelProfileLiveBroadcasting,
));
await engine.joinChannel(
token: session.token,
channelId: session.channel,
uid: session.uid,
options: const ChannelMediaOptions(
clientRoleType: ClientRoleType.clientRoleBroadcaster,
publishMicrophoneTrack: true,
autoSubscribeAudio: true,
),
);
这段代码只做三件事：进频道、把学生的声音发出去、把英语家教的声音接回来。Mia 说话时，手机播放的是远端实时音频，不是等待一整段音频合成完后再下载。
我还接了 RTM 做字幕。前提是启动智能体时传了 advanced_features.enable_rtm = true 和 parameters.data_channel = "rtm"（两者默认都关着，字幕默认走 RTC DataStream），且服务端签的 Token 同时带 RTC 和 RTM 权限。之后就用这个 Token 登录、订阅当前频道，收到消息按来源显示成"我"或"英语家教"。还接了 RTM 做字幕。它同样使用这次会话的短期 Token 登录，订阅当前频道；收到消息后再按来源显示成“我”或“英语家教”。
final (login, _) = await client.login(session.token);
if (login.error) throw StateError('RTM 登录失败：${login.reason}');
final (subscribed, _) = await client.subscribe(
session.channel,
withMessage: true,
);
if (subscribed.error) {
throw StateError('RTM 字幕订阅失败：${subscribed.reason}');
}
图10 RTM 字幕代码
调试时我才发现，声音和字幕不能当成同一件事看。能听到 Mia、字幕却不更新，先看 RTM 是否登录和订阅成功；字幕有了、但听不到回复，再检查 RTC 的远端音频和手机当前的播放设备。把两条链路拆开，定位问题会快很多。
图11 麦克风授权
六、启动项目，做一轮真实的课后练习
先启动 FastAPI 服务端：
cd flutter-speaking-coach/server
python -m uvicorn src.server:app –host 0.0.0.0 –port 8001
再启动 Flutter。iOS 模拟器访问电脑上的服务时可以写 127.0.0.1；换成真机后，需要改成电脑在同一局域网内的 IP：
flutter run -d <你的设备ID> \\
–dart-define=COACH_API_BASE_URL=http://127.0.0.1:8001
这一轮我没有测试复杂的发音评分，而是先验证最基本的课后对话：点击开始练习后，直接说：Today we learned about animals. Mia 会接着问一个简单问题。学生如果没听清，就说：Please say that again.；如果想换方向，就直接说：Let us talk about food.
我主要确认四件事：麦克风权限是否正常弹出；学生的话能否出现在字幕中；Mia 的语音和字幕是否都能回来；她还没说完时，新的输入能不能把这一轮打断。前面三项决定“能不能用”，最后一项决定它像不像一次正常交流。
图12 IOS模拟器对话
打断这一点对学生挺重要。练习时常见的不是完整地听完一段回答，而是中途没听清、想改口，或者突然想到另一个说法。如果每次都必须等智能体讲完，反而会把人又推回“听录音”的感觉里。
图13 打断日志
小结：先把开口这件事变简单
现在的“随口练”仍然只是第一版。它没有课程体系、学校教材知识库、错题本、学习报告，也不适合拿来做正式考试评分。弱网、耳机切换、进入后台后能否恢复等细节，也都还要继续测。
不过它已经把我最开始想做的事情跑通了：学生不用先想好一大段话，只要从“今天学了什么”开始开口；Flutter 承接手机上的练习页面，FastAPI 管理会话和密钥，声网对话式 AI 引擎把实时音频、智能体和字幕连在一起。
后续我会再把教材和课程进度作为明确的数据源接进来，让 Mia 能围绕真实的学习内容陪练。但在那之前，先让学生能随时开口、随时打断、随时再说一遍，这才更像一次能随时开始的课后英语陪练。
