TTS audio fails to play in the browser

快速结论：该问题发生在 Dify 自托管 (Docker) 环境下，使用通义千问 qwen3-tts-flash 模型进行 TTS 时，浏览器无法播放音频。核心原因是音频格式不匹配：Tongyi 插件实际返回 WAV 数据，但 Dify 核心硬编码了 audio/mpeg Content-Type，导致浏览器解码失败。优先排查 Tongyi 插件的 audio_type 配置是否与实际输出一致。

问题场景

用户在 Dify ChatFlow 中配置了 Tongyi 的 qwen3-tts-flash 模型进行文本转语音，API 请求和响应均返回正常，但网页端点击播放按钮后无声音，浏览器控制台也没有相关日志。用户通过 curl 重放 API 请求并保存为 text.mp3，该文件可在 PotPlayer 中正常播放；但在浏览器控制台中直接使用 JavaScript 测试播放时，音频可以正常播放。

报错原文

Firefox: Uncaught DOMException: MediaSource.addSourceBuffer: Type not supported in MediaSource
Edge:  Uncaught (in promise) NotSupportedError: Failed to load because no supported source was found.

原因分析

根本原因是音频格式不匹配。Tongyi 的 qwen3-tts-flash 模型在 models/tongyi/models/tts/qwen3-tts-flash.yaml 中声明了 audio_type: mp3，但 Tongyi TTS 实现未指定输出格式，直接返回下载的音频字节（实际是 WAV 数据：RIFF....WAVE, PCM 24 kHz）。Dify 核心硬编码了 Content-Type: audio/mpeg，Web 客户端也按照 audio/mpeg 创建 MediaSource buffer。浏览器尝试将 WAV 字节作为 MP3 解码，因此失败。下载后的音频文件作为 WAV 可以正常播放。

环境排查

Dify 版本：1.14.0（升级到 1.14.1 后问题仍然存在）
部署方式：Self Hosted (Docker)
模型：Tongyi qwen3-tts-flash
浏览器：Mozilla Firefox 和 Microsoft Edge 均复现
检查 Tongyi 插件 qwen3-tts-flash.yaml 中的 audio_type 是否与真实返回格式一致

解决步骤

检查 Tongyi 插件的 models/tongyi/models/tts/qwen3-tts-flash.yaml 配置文件，确认 audio_type: mp3 是否与实际输出格式匹配。如果实际返回 WAV，应修改为 audio_type: wav。
在 Tongyi TTS 实现代码中，检查是否有指定输出格式的参数。如果 API 支持，应强制请求 mp3 格式以匹配 Dify 的硬编码。
在 Dify 核心代码中，避免对 audio/mpeg 进行硬编码，改为根据 provider 实际返回的 Content-Type 动态设置，或至少增加对 WAV 格式的支持。
用户可优先尝试手动修改 Tongyi 插件的配置或代码，确保声明的音频类型与返回的实际数据一致。
如果以上步骤不可行，可参考 PR #35901 的修复，但注意该 PR 主要解决 AudioContext 状态问题，并未处理 WAV/MP3 不匹配，因此仍需单独修复格式问题。

验证方法

修改配置或代码后，在浏览器中重新触发 TTS 播放，观察音频是否能正常播放。同时检查浏览器开发者工具的 Network 面板，确认响应的 Content-Type 与实际音频数据格式一致（例如，如果返回 WAV，应为 audio/wav）。如果仍出现 NotSupportedError 或 MediaSource.addSourceBuffer: Type not supported 错误，说明格式不匹配问题未解决。