一、什么是实时语音交互?
实时语音交互(Real-time Voice Interaction)是指用户通过语音与 AI 系统进行连续、双向、低延迟的交流。
与传统语音助手相比,实时语音交互不只是将语音转换为文本,再生成语音回答,而是需要处理一系列连续发生的事件:
- 用户开始说话。
- 系统实时接收音频。
- 判断用户是否正在说话。
- 识别语音内容。
- 理解用户意图。
- 生成回复。
- 将回复转换为语音。
- 持续向用户播放音频。
- 支持用户中途打断。
- 根据新的输入调整当前响应。
这里最重要的区别是:实时语音交互是一种持续运行的交互系统,而不是一次性的语音转文本任务。
1. 传统语音助手与实时语音交互
| 对比维度 | 传统语音助手 | 实时语音交互 |
|---|---|---|
| 输入方式 | 通常一次录音 | 连续音频流 |
| 交互模式 | 一问一答 | 连续双向对话 |
| 语音识别 | 通常完整录音后识别 | 可以边接收边识别 |
| 响应方式 | 生成完整答案后播放 | 可以边生成边播放 |
| 打断能力 | 通常较弱 | 支持实时打断 |
| 上下文 | 以单轮请求为主 | 持续维护对话状态 |
| 延迟要求 | 相对宽松 | 对端到端延迟敏感 |
| 工具调用 | 通常由固定流程触发 | 可以根据对话动态决定 |
| 系统复杂度 | 相对简单 | 涉及音频、模型、网络和状态调度 |
2. 什么是语音 Agent?
语音 Agent(Voice Agent)是以语音作为主要交互接口,能够感知用户输入、理解任务、规划执行过程并生成语音响应的智能体系统。
它不仅需要识别用户说了什么,还需要决定下一步做什么。
例如,用户说:
帮我查一下明天下午的天气,如果下雨,提醒我带伞。
一个完整的语音 Agent 需要:
- 接收并识别用户语音。
- 理解查询天气和设置提醒两个任务。
- 判断需要调用天气工具。
- 获取明天的天气信息。
- 根据天气结果决定是否创建提醒。
- 调用提醒工具。
- 将执行结果组织成自然语言。
- 通过 TTS 生成语音并返回。
这已经不只是语音识别和语音合成,而是一个具备工具调用和任务执行能力的 Agent。
二、实时语音交互的整体架构
实时语音系统通常由音频接入层、语音感知层、智能决策层、语音生成层和通信传输层组成。
1. 传统级联架构
传统语音 Agent 通常采用级联架构(Cascaded Architecture)。
它将多个独立模型组合起来:
- VAD:语音活动检测。
- ASR:自动语音识别。
- LLM:语言理解与生成。
- Tool Calling:工具调用。
- TTS:语音合成。
整体结构:
flowchart TD
A["用户语音输入"] --> B["音频采集"]
B --> C["VAD 语音活动检测"]
C --> D["ASR 语音识别"]
D --> E["文本与上下文"]
E --> F["LLM 意图理解与推理"]
F --> G{"是否需要调用工具"}
G -->|"是"| H["Tool Calling"]
H --> I["工具执行"]
I --> J["工具结果"]
J --> F
G -->|"否"| K["生成回复文本"]
F --> K
K --> L["TTS 语音合成"]
L --> M["音频流输出"]
M --> N["用户播放"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style K fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style L fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style M fill:#EAF3EC,stroke:#83A995,color:#315D49
style N fill:#E5F0E9,stroke:#83A995,color:#315D49
这种架构的优势是模块职责清晰,可以分别替换 ASR、LLM 和 TTS。
例如:
- ASR 使用 Whisper 或 Paraformer。
- LLM 使用 GPT、Claude、Gemini 或其他模型。
- TTS 使用 VITS、CosyVoice 或商业语音服务。
但级联架构也存在明显问题:
- ASR 识别错误会传递到 LLM。
- 文本转换会损失部分语音信息。
- ASR、LLM 和 TTS 之间存在额外传输和调度开销。
- 各模块需要独立维护上下文。
- 多个模型串行执行会增加响应延迟。
2. 端到端语音交互架构
端到端语音交互(End-to-End Speech-to-Speech)尝试直接建立音频输入与音频输出之间的映射。
flowchart TD
A["用户语音输入"] --> B["音频编码器"]
B --> C["语音表示"]
C --> D["多模态模型"]
E["对话上下文"] --> D
D --> F["语音生成表示"]
F --> G["音频解码器"]
G --> H["生成语音"]
H --> I["实时音频播放"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#E5F0E9,stroke:#83A995,color:#315D49
端到端架构不一定需要显式输出完整文本再进行语音合成。
模型可以直接利用音频输入中的语音、语调和其他声学信息进行理解,并生成语音输出。
潜在优势:
- 减少独立模块之间的传输。
- 降低部分级联流程的延迟。
- 保留更多语音中的韵律和副语言信息。
- 支持更加自然的语音交互。
- 有机会实现更统一的多模态理解与生成。
但端到端并不代表系统内部没有模块划分,也不代表所有工具调用、业务逻辑和权限控制都由模型完成。
实际系统仍然需要独立的会话管理、工具执行、通信和安全控制层。
三、实时音频采集与传输
实时语音交互首先需要解决音频数据如何持续采集和传输的问题。
1. 音频采集
麦克风采集到的是连续的模拟声音信号。
计算机需要将其转换为数字音频:
- 采样(Sampling)。
- 量化(Quantization)。
- 编码(Encoding)。
常见音频参数:
| 参数 | 常见取值 | 作用 |
|---|---|---|
| 采样率 | 16 kHz、24 kHz、48 kHz | 决定每秒采样次数 |
| 位深 | 16-bit、24-bit | 决定单个采样点的量化精度 |
| 声道 | Mono、Stereo | 决定音频通道数量 |
| 编码 | PCM、Opus、AAC | 决定音频数据的表示方式 |
| 帧长度 | 10 ms、20 ms、40 ms | 决定音频分块粒度 |
语音识别模型通常不需要特别高的音频采样率,但具体要求取决于模型训练时使用的音频配置。
如果模型要求 16 kHz 输入,而采集设备输出 48 kHz,就需要进行真正的重采样,而不是简单修改采样率元数据。
2. 为什么需要 Audio Chunk?
如果等待用户说完整句话后才上传音频,就无法实现真正的低延迟交互。
因此,系统通常将连续音频拆分成多个小块(Audio Chunk)。
例如:
Audio Stream
↓
Chunk 1:0 ~ 20 ms
Chunk 2:20 ~ 40 ms
Chunk 3:40 ~ 60 ms
Chunk 4:60 ~ 80 ms
↓
持续发送
每个 Chunk 都是一段独立的音频数据。
假设:
- 采样率为 16 kHz。
- 单声道。
- PCM 16-bit。
- 每个 Chunk 为 20 ms。
那么每个 Chunk 的采样点数量:
每个采样点占用 2 Bytes,因此单个 Chunk 的数据量:
这还没有计算网络协议、消息封装等额外开销。
3. Chunk 大小的权衡
| Chunk 大小 | 优势 | 缺点 |
|---|---|---|
| 较小 | 传输延迟低,响应灵敏 | 消息数量多,协议开销高 |
| 较大 | 传输效率较高 | 首次处理等待时间增加 |
Chunk 过小会增加消息处理、调度和网络开销。
Chunk 过大则会增加系统等待数据的时间。
因此,实际系统需要根据网络环境、模型处理能力和实时性要求选择合适的分块大小。
4. 实时传输协议
常见的实时音频传输技术包括:
WebSocket
- 基于 TCP。
- 支持双向通信。
- 客户端和服务端可以持续发送消息。
- 适合传输音频 Chunk、文本事件和控制消息。
WebRTC
- 面向实时音视频通信。
- 支持低延迟媒体传输。
- 提供网络适应、抖动缓冲和拥塞控制等能力。
- 适合浏览器、移动端和实时音视频场景。
HTTP + SSE
- 基于 HTTP。
- SSE 主要提供服务端到客户端的事件流。
- 适合服务端持续推送文本、状态和部分生成结果。
- 原生不适合双向音频传输,通常需要额外的上行通道。
需要注意,WebSocket 和 WebRTC 不是简单的替代关系。
WebSocket 适合应用层双向消息通信;WebRTC 更适合实时媒体传输,尤其是对延迟和网络波动敏感的场景。
四、VAD:语音活动检测
VAD(Voice Activity Detection)用于判断音频中是否存在人类语音。
它是实时语音交互中非常重要的基础模块。
1. 为什么需要 VAD?
麦克风采集到的音频并不全是用户说话的内容。
其中可能包含:
- 环境噪声。
- 键盘声。
- 风扇声。
- 背景音乐。
- 呼吸声。
- 静音。
- 用户语音。
如果将所有音频都直接交给 ASR 或语音模型处理,会产生额外计算开销,也可能影响识别结果。
VAD 可以帮助系统判断:
- 用户是否开始说话。
- 用户是否仍在说话。
- 用户是否已经停止说话。
2. VAD 的基本原理
传统 VAD 可以使用短时能量、过零率和频谱特征判断语音活动。
现代 VAD 通常使用神经网络学习语音与非语音之间的差异。
系统可以对每个音频帧输出一个语音概率:
当概率超过设定阈值时,可以将当前帧判断为语音。
例如:
这里的 0.5 只是示意阈值,实际阈值需要结合模型和环境进行配置。
3. VAD 与端点检测 Endpoint Detection
VAD 主要判断当前音频帧是否包含语音。
Endpoint Detection 则进一步判断一段话是否已经结束。
例如:
用户开始说话
↓
检测到语音
↓
持续接收语音
↓
检测到短暂静音
↓
继续等待
↓
静音超过结束阈值
↓
判断本轮语音结束
两者并不完全相同。
VAD 是帧级别的语音活动判断,Endpoint Detection 则通常需要结合连续帧、静音持续时间和对话状态进行决策。
4. 静音阈值与误判
如果结束静音阈值设置过短:
- 用户短暂停顿可能被判断为结束。
- 系统可能过早开始回答。
- 用户后续补充内容可能被截断。
如果阈值设置过长:
- 用户说完后系统仍然等待。
- 首次响应延迟增加。
- 对话显得不够自然。
因此,VAD 和 Endpoint Detection 需要结合语言上下文与交互策略共同工作。
五、ASR:实时语音识别
ASR(Automatic Speech Recognition)负责将用户语音转换为文本。
在实时语音 Agent 中,ASR 不仅需要识别最终文本,还需要支持增量识别。
1. 流式 ASR
传统 ASR 通常在接收到完整音频后进行识别。
流式 ASR 则允许系统持续接收音频,并逐步输出识别结果。
例如:
音频输入:
我想查询明天北京的天气。
识别过程:
我
我想
我想查询
我想查询明天
我想查询明天北京
我想查询明天北京的天气
这些中间结果可能会随着后续音频到来而发生变化。
因此,流式 ASR 通常需要区分:
- Partial Result:临时识别结果。
- Final Result:最终确认结果。
2. Partial 与 Final 的区别
假设用户说:
我想去上海银行。
在识别过程中,系统可能先输出:
我想去上海
后续又识别为:
我想去上海银行
第一个结果只是暂时结果,并不一定代表完整语义。
如果 LLM 立即对每个 Partial Result 执行复杂任务,可能产生重复请求或错误决策。
因此,系统需要明确哪些事件可以触发模型推理,哪些只是用于实时展示。
3. 流式识别的挑战
- 语音上下文不完整。
- 同音词需要后续语音消歧。
- 用户可能中途改变表达。
- 识别结果可能被修正。
- 句子结束时间难以准确判断。
- 多人重叠说话会增加识别难度。
在语音 Agent 中,ASR 还需要与 VAD、Endpoint Detection 和对话状态管理协同工作。
六、Turn-taking:对话轮次管理
Turn-taking 是实时语音交互中的关键机制,指系统如何判断当前应该由用户说话,还是由 AI 回答。
传统聊天系统的交互边界非常明确:
用户发送消息,模型生成回答。
实时语音交互则更加复杂。
用户可能:
- 说完一句话后等待。
- 说到一半停顿。
- 中途改变想法。
- 在 AI 回答时继续补充。
- 主动打断 AI。
- 多次短暂停顿后继续说话。
因此,系统必须维护明确的对话轮次状态。
1. 常见对话状态
可以设计以下状态:
| 状态 | 含义 |
|---|---|
| IDLE | 空闲,等待用户输入 |
| LISTENING | 正在接收用户语音 |
| PROCESSING | 正在理解和处理用户请求 |
| RESPONDING | 正在生成回复 |
| SPEAKING | 正在播放 AI 语音 |
| INTERRUPTED | 当前响应被打断 |
| ERROR | 发生异常 |
2. 状态转换
stateDiagram-v2
[*] --> IDLE
IDLE --> LISTENING: 检测到用户语音
LISTENING --> PROCESSING: 用户话轮结束
PROCESSING --> RESPONDING: 开始生成回复
RESPONDING --> SPEAKING: 收到可播放音频
SPEAKING --> IDLE: 回复播放完成
SPEAKING --> INTERRUPTED: 用户打断
RESPONDING --> INTERRUPTED: 生成过程中打断
INTERRUPTED --> LISTENING: 继续接收用户语音
PROCESSING --> ERROR: 处理失败
RESPONDING --> ERROR: 生成失败
ERROR --> IDLE: 恢复会话
这张状态图描述的是一种典型设计,并不意味着所有语音 Agent 都必须使用完全相同的状态集合。
3. 为什么不能只依赖静音判断?
用户说完话并不意味着一定希望 AI 立即回答。
例如:
用户:帮我查一下明天的天气……
停顿 300 ms
用户:还有后天的。
如果系统在第一个停顿后立即触发回答,就可能把用户的完整意图拆成两个请求。
因此,Turn-taking 需要综合考虑:
- VAD 结果。
- 静音持续时间。
- ASR 识别结果。
- 句子完整性。
- 语义结束概率。
- 用户是否仍然持有发言权。
- 当前 AI 是否正在说话。
这也是为什么实时语音交互需要独立的对话管理层。
七、Barge-in:用户打断机制
Barge-in 是实时语音系统的重要能力,表示用户可以在 AI 说话过程中主动打断。
例如:
AI:明天北京的天气是晴天,最高温度为……
用户:不用了,我想查上海。
系统需要立即停止或取消当前响应,并开始处理用户的新请求。
1. 打断机制的完整流程
flowchart TD
A["AI 正在生成语音"] --> B["持续监听用户音频"]
B --> C["VAD 检测到用户发声"]
C --> D["判断是否为有效打断"]
D --> E{"是否确认打断"}
E -->|"否"| F["继续播放当前语音"]
F --> B
E -->|"是"| G["停止当前音频播放"]
G --> H["取消当前生成任务"]
H --> I["清理未播放音频缓存"]
I --> J["接收用户完整输入"]
J --> K["重新理解用户意图"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style K fill:#E5F0E9,stroke:#83A995,color:#315D49
2. 为什么打断不只是停止播放?
很多人会将 Barge-in 理解为暂停音频播放器。
实际上,完整打断至少涉及四个层面:
第一,停止客户端播放。
需要立即停止正在播放的音频,并清理尚未播放的缓冲区。
第二,取消服务端生成。
如果 LLM 或 TTS 仍然在生成,需要取消对应任务,避免浪费计算资源。
第三,管理消息状态。
需要明确当前回复已经被打断,不能再把剩余内容作为正常回复发送。
第四,处理新一轮用户输入。
打断之后,系统需要将新语音作为新的输入,重新进行识别和意图理解。
3. 处理音频缓存与生成竞态
实时系统中存在一个容易被忽略的问题:
客户端停止播放,并不代表服务端停止发送数据。
例如:
- AI 正在生成第 10 个音频 Chunk。
- 用户触发打断。
- 客户端清空播放队列。
- 服务端又发送了之前生成的第 11 个 Chunk。
- 客户端错误地播放旧音频。
解决方式之一是引入响应 ID 或生成轮次 ID。
例如:
Response ID: 1001
Audio Chunk: 1、2、3……
用户打断
Response ID: 1002
Audio Chunk: 1、2、3……
客户端只接受当前有效 Response ID 对应的音频数据。
这样可以避免旧响应的数据污染新一轮播放。
八、LLM:语音 Agent 的决策核心
语音 Agent 中的 LLM 负责理解用户意图、维护上下文、决定是否调用工具,以及组织回复。
与普通文本聊天不同,语音 Agent 的输入通常来自 ASR 或多模态音频模型,输出还需要考虑语音表达方式。
1. 意图理解
例如:
用户:
帮我查一下明天上海的天气。
LLM 需要识别:
- 意图:查询天气。
- 地点:上海。
- 日期:明天。
- 操作:调用天气查询工具。
它需要将自然语言转化为结构化任务。
2. 上下文管理
实时语音交互通常是多轮对话。
例如:
用户:明天北京天气怎么样?
AI:明天北京预计晴天。
用户:那上海呢?
AI:明天上海预计多云。
第二次提问没有明确说出日期。
系统需要从上下文中恢复:
- 当前查询对象仍然是天气。
- 时间仍然是明天。
- 用户只改变了地点。
因此,语音 Agent 需要维护对话历史和必要的结构化状态。
3. 对话上下文结构
可以使用类似下面的结构管理会话:
{
"session_id": "session_001",
"turn_id": 12,
"history": [
{
"role": "user",
"content": "明天北京天气怎么样?"
},
{
"role": "assistant",
"content": "明天北京预计晴天。"
},
{
"role": "user",
"content": "那上海呢?"
}
],
"context": {
"intent": "weather_query",
"date": "明天",
"location": "上海"
}
}
实际系统中,日期等相对时间通常需要转换为明确日期,并考虑用户所在地时区。
另外,turn_id、session_id 和响应 ID 应当分别管理,避免把会话、用户轮次和生成任务混为一谈。
4. 对话状态与长期记忆
语音 Agent 可以维护两类不同的信息:
短期对话状态:
- 当前正在执行的任务。
- 当前话题。
- 最近几轮对话。
- 当前工具调用结果。
- 尚未完成的操作。
长期记忆:
- 用户明确允许保存的偏好。
- 常用地点。
- 常用服务。
- 用户主动提供的长期上下文。
长期记忆需要有明确的授权、访问控制和删除机制,不能把所有语音内容默认永久保存。
九、Function Calling:语音 Agent 的工具调用
真正具备任务执行能力的语音 Agent,通常需要连接外部工具。
Function Calling(函数调用)允许 LLM 根据用户意图生成结构化工具调用请求。
需要特别注意:
模型生成工具调用请求,不代表工具已经执行。
实际执行需要由应用程序解析请求、检查权限、调用工具,再将结果返回模型。
1. 工具调用示例
用户说:
帮我查一下今天上海的天气。
模型可能生成类似结构:
{
"name": "get_weather",
"arguments": {
"location": "上海",
"date": "今天"
}
}
应用程序接收到调用请求后,需要:
- 检查工具名称是否在允许列表中。
- 校验参数格式。
- 检查用户是否有执行权限。
- 调用天气服务。
- 获取执行结果。
- 将结果返回给模型。
2. 工具调用完整流程
flowchart TD
A["用户语音请求"] --> B["ASR 或音频理解"]
B --> C["LLM 理解意图"]
C --> D{"是否需要工具"}
D -->|"否"| E["直接生成回复"]
D -->|"是"| F["生成 Tool Call"]
F --> G["应用解析与参数校验"]
G --> H["权限与业务校验"]
H --> I["执行外部工具"]
I --> J["工具返回结果"]
J --> K["结果回传 LLM"]
K --> L["生成自然语言回复"]
E --> M["TTS"]
L --> M
M --> N["语音输出"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style K fill:#EAF3EC,stroke:#83A995,color:#315D49
style L fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style M fill:#EAF3EC,stroke:#83A995,color:#315D49
style N fill:#E5F0E9,stroke:#83A995,color:#315D49
3. 语音场景中的工具调用优化
语音交互对工具调用延迟更加敏感。
例如,用户询问:
现在几点了?
如果系统先生成一大段思考内容,再调用时间工具,最后才开始回答,就会显得迟缓。
可以通过以下方式优化:
- 精简工具描述和参数结构。
- 对明确意图尽早识别。
- 使用低延迟工具服务。
- 并行执行互相独立的查询。
- 将工具执行状态与用户可见回复分离。
- 对长耗时任务提供简短进度反馈。
但不能为了降低延迟而跳过权限校验、参数验证和用户确认。
尤其是转账、删除数据、发送消息等有副作用的操作,需要根据风险设计确认机制。
十、实时 TTS:从文本到音频流
在实时语音交互中,TTS 不一定需要等到完整回复生成后才开始工作。
更理想的方式是:
LLM 逐步生成文本,TTS 同步接收文本并生成音频 Chunk。
1. 文本流与音频流
例如,LLM 逐步输出:
明天
明天北京
明天北京的天气
明天北京的天气预计晴朗。
TTS 可以在获得足够的文本上下文后开始生成音频。
这样,系统不需要等待整段文本完全生成。
2. 流式 TTS 架构
flowchart TD
A["LLM Token Stream"] --> B["文本增量聚合"]
B --> C["文本分段与上下文判断"]
C --> D["TTS 流式生成"]
D --> E["Audio Chunk"]
E --> F["音频缓冲队列"]
F --> G["客户端播放"]
H["播放状态与打断事件"] --> F
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#E5F0E9,stroke:#83A995,color:#315D49
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D