我之前在集成Soul Machines编排服务器的时候也踩过一模一样的格式坑，结合官方协议要求和实际调试经验，给你梳理下能解决问题的核心规范：

1. 正确的回复消息信封（核心错误点） #

你之前用kind: "event" + name: "conversationResult"的结构是不符合Soul Machines请求-响应协议的，这是导致Avatar不说话的关键原因！

当你收到来自Default UI的scene/request/conversationRequest请求时，必须回复同名称、对应类型的响应，也就是：

• kind: "response"（而非event）
• name: "conversationRequest"（和请求的name完全一致）
• 严格回传请求里的transaction ID（一字不差，Soul Machines靠这个匹配请求和响应）

正确的回复代码示例： #

// 对应收到的conversationRequest请求，生成正确的回复
ws.send(JSON.stringify({
  category: "scene",
  kind: "response", // 必须是response，匹配请求的request类型
  name: "conversationRequest", // 和请求的name完全一致
  transaction: data.transaction, // 严格回传请求的transaction，不能修改
  body: {
    personaId: data.body?.personaId ?? 1,
    output: {
      text: ragText, // 你的RAG返回的文本内容
      // 可选：如果需要自定义语音（比如SSML），可以添加speech字段
      // speech: "<speak>Hi there! I'm powered by your RAG.</speak>"
    },
    variables: {} // 可选，根据你的业务需求添加变量
  }
}));

2. body.output的必填与可选字段 #

• 必填字段：text，这是Avatar显示和朗读的核心内容，只要这个字段存在且非空，Default UI就会触发Avatar说话。
• 可选字段：
  • speech：如果需要控制语音发音（比如带停顿、语调的SSML），可以添加这个字段，它的优先级高于text（Avatar会朗读speech的内容，同时显示text的文本）。
  • language：指定语言代码（比如"en-US"、"zh-CN"），如果你的RAG返回多语言内容，建议加上这个字段，确保Avatar用对应语言的语音包朗读。

3. 是否需要前置ready/ack事件？ #

不需要额外的ready或ack事件在第一个conversationRequest之前。只要你的编排WS连接成功（DevTools显示101状态、帧正常流动），Soul Machines的Default UI会自动发起对话请求，你直接回复对应的响应即可。

不过要注意：务必保持WS连接的心跳（你已经做了keep-alive ping/pong，这部分没问题），如果连接超时断开，Avatar会停止响应。

4. 调试小贴士 #

1. 检查transaction匹配：在DevTools的WS面板里，对比请求和回复的transaction值，必须完全一致（包括大小写、特殊字符），不匹配的响应会被Soul Machines直接丢弃。
2. 验证JSON格式：在Node.js里打印JSON.stringify后的回复内容，确保没有语法错误（比如引号未转义、逗号遗漏）。
3. 隔离测试：先把ragText固定成简单字符串（比如"Test response from RAG"），排除RAG返回内容的影响，确认格式正确后再接入真实的RAG结果。

按照这个结构修改后，你的Avatar应该就能正常朗读RAG返回的内容了。我之前就是误把response写成event导致Avatar没反应，改过来之后立刻就正常了😉