返回专栏
· 22 分钟阅读

实时语音交互与语音 Agent:从语音链路到端到端智能对话系统


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:

  1. 接收并识别用户语音。
  2. 理解查询天气和设置提醒两个任务。
  3. 判断需要调用天气工具。
  4. 获取明天的天气信息。
  5. 根据天气结果决定是否创建提醒。
  6. 调用提醒工具。
  7. 将执行结果组织成自然语言。
  8. 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:

N=16000\times0.02=320

每个采样点占用 2 Bytes,因此单个 Chunk 的数据量:

320\times2=640\ Bytes

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:

P(speech|x_t)

当概率超过设定阈值时,可以将当前帧判断为语音。

例如:

P(speech|x_t)>0.5

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:

  1. AI 正在生成第 10 个音频 Chunk。
  2. 用户触发打断。
  3. 客户端清空播放队列。
  4. 服务端又发送了之前生成的第 11 个 Chunk。
  5. 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:

  1. 检查工具名称是否在允许列表中。
  2. 校验参数格式。
  3. 检查用户是否有执行权限。
  4. 调用天气服务。
  5. 获取执行结果。
  6. 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