From 58b9eaddd4a13fd7c6a7bb4f616aa2e778beb216 Mon Sep 17 00:00:00 2001 From: kicer Date: Sat, 24 Oct 2026 20:21:33 +0800 Subject: [PATCH] =?UTF-8?q?=E6=B5=8F=E8=A7=88=E5=99=A8=E8=AF=AD=E9=9F=B3?= =?UTF-8?q?=E8=BE=93=E5=85=A5=E6=94=B9=E4=B8=BA=E6=B5=81=E5=BC=8F=E6=96=AD?= =?UTF-8?q?=E5=8F=A5=EF=BC=9AScriptProcessor=20=E9=87=87=20PCM=20=E9=99=8D?= =?UTF-8?q?=E9=87=87=E6=A0=B7=E5=88=B0=2016k=EF=BC=8C=E4=B8=8E=E5=A5=97?= =?UTF-8?q?=E5=A3=B3=E5=85=B1=E7=94=A8=20pushChunk=20=E6=B5=81=E6=B0=B4?= =?UTF-8?q?=E7=BA=BF?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit - 浏览器不再用 MediaRecorder 整段录后上传,改为 AudioContext + ScriptProcessor 实时采 PCM - 新增 downsampleTo16k():44.1k/48k 降采样到 16k,小数相位跨分片累计不漂移 - 抽出 pushChunk(),壳推的分片与浏览器采的分片汇到同一处做 VAD/切段/上传 - 电平统一用 PCM 峰值,删除 AnalyserNode;两条路收口都走 flushTail/waitFlush - 新增 primeAudioCtx():iOS Safari 需在手势里创建并 resume AudioContext - nativeStop():cancelVoice 缺失时退回 stopVoice,避免壳侧麦克风一直开着 - 同步 docs/voice-input.md --- app/server/public/js/voice.js | 283 ++++++++++++++++------------------ docs/voice-input.md | 30 +++- 2 files changed, 159 insertions(+), 154 deletions(-) diff --git a/app/server/public/js/voice.js b/app/server/public/js/voice.js index d512f36..e97ade6 100644 --- a/app/server/public/js/voice.js +++ b/app/server/public/js/voice.js @@ -8,11 +8,12 @@ // · 松手:取消态 → 丢弃 + 轻提示;否则转写后**直接发送** // · 发送键位置变成键盘按钮,点一下回文本模式并聚焦输入框(移动端弹键盘) // -// 录音在客户端,两条路: -// · 套壳原生桥(http 页面也能用):壳把 16k/单声道 PCM 以 ~100ms 分片推给页面,页面自己判停顿、 -// 自己切段、逐段上传——**大部分识别在说话过程中就做完了**,松手只等最后一段。 -// · 浏览器(需 HTTPS):MediaRecorder 整段录,松手后整体上传(实时版下一阶段再做)。 -// 电平:两者都在页面侧算(套壳用 PCM 峰值,浏览器用 AnalyserNode 的 RMS),壳不做任何换算。 +// 录音在客户端,两条路,下游是同一套: +// · 套壳原生桥(http 页面也能用):壳把 16k/单声道 PCM 以 ~100ms 分片推给页面。 +// · 浏览器(需 HTTPS):AudioContext + ScriptProcessor 自己采 PCM,降采样到 16k 后约 20ms 一片。 +// 两条路都汇到 pushChunk():判停顿、切段、逐段上传、最后合并发送,只有一份实现。 +// 于是大部分识别在说话过程中就做完了,松手通常只剩最后一段要等。 +// 电平在页面侧算(PCM 峰值),壳和浏览器都不做任何换算。 // // 包在 IIFE 里:前端是共享全局作用域的经典脚本,顶层声明会和其他文件撞名。 @@ -29,12 +30,13 @@ const native = (window.AgentNative && typeof window.AgentNative.startVoice === 'function') ? window.AgentNative : null; const webOk = !!(window.isSecureContext && navigator.mediaDevices - && typeof navigator.mediaDevices.getUserMedia === 'function' && window.MediaRecorder); + && typeof navigator.mediaDevices.getUserMedia === 'function' + && (window.AudioContext || window.webkitAudioContext)); const MAX_MS = 180000; // 单次录音上限(流式上传后不再受 60s 限制) const MIN_MS = 500; // 短于这个时长按误触处理,不上传 - const NO_RESULT_MS = 3000; // 松开后壳迟迟不回音频(比如还在等权限)→ 复位 const FLUSH_MS = 60000; // 松手后等尾段识别完的上限(超过就当失败) + const OUT_RATE = 16000; // 页面内部统一按 16k 处理:VAD 时长与段长上限都按它算 const BAR_COUNT = 45; // 声波柱数(要足够宽,手指按住时两侧仍能看到) // 两端矮、中间高的包络:看起来像一段声波而不是一排等高柱子 @@ -60,14 +62,16 @@ let discard = false; // 本次录音太短/已取消:结果到了也丢掉 let recordStartAt = 0; let stopTimer = null; - let hardTimer = null; - let rec = null; let stream = null; - let chunks = []; - let mime = ''; + // 浏览器采集:ScriptProcessor 直接给 Float32 PCM,这里降到 16k 后喂 pushChunk + let procNode = null; + let capRate = 0; // AudioContext 的真实采样率(通常 44.1k/48k) + let dsAcc = 0; // 降采样:当前输出周期内的样本和 + let dsN = 0; + let dsPhase = 0; // 小数相位,跨分片累计 → 长期不漂移 - // 原生流式:壳推 PCM 分片,页面 VAD 断句后逐段上传 - let pcmRate = 16000; // 壳推上来的采样率(契约要求 16k) + // 流式:壳推的分片 / 浏览器自己采的分片,都在这里断句后逐段上传 + let pcmRate = 16000; // 当前流的采样率(契约要求 16k) let segChunks = []; // 当前段的 PCM 分片(Int16Array) let segLen = 0; // 当前段总采样数 let silLen = 0; // 段尾连续静音采样数 @@ -89,13 +93,11 @@ let levelCur = 0; let lastRealLevelAt = 0; let audioCtx = null; - let analyser = null; - let audioBuf = null; let srcNode = null; function clamp01(v) { return v < 0 ? 0 : v > 1 ? 1 : v; } - // 电平归一化的唯一实现:浏览器(RMS)和壳(峰值幅度)都在这里落到 0~1。 + // 电平归一化的唯一实现:两条录音路径的 PCM 峰值都在这里落到 0~1。 // 低于 -55dB 视为静音,-5dB 及以上视为满幅;要调灵敏度只改这两个常量。 const LEVEL_FLOOR_DB = -55; const LEVEL_RANGE_DB = 50; @@ -139,22 +141,9 @@ rafId = 0; if (!overlay || overlay.classList.contains('hidden')) return; - let animate = false; - if (analyser && audioBuf) { - analyser.getFloatTimeDomainData(audioBuf); - let sum = 0; - for (let i = 0; i < audioBuf.length; i++) sum += audioBuf[i] * audioBuf[i]; - const rms = Math.sqrt(sum / audioBuf.length); - const db = 20 * Math.log10(rms + 1e-7); // 静音约 -140,正常说话 -35 ~ -12 - levelTarget = dbToLevel(db); - animate = true; - } else if (Date.now() - lastRealLevelAt <= 300) { - animate = true; // 壳刚上报过电平 - } - - if (!animate) { - // 没有电平来源(壳没推 PCM / AnalyserNode 不可用): - // 静默停在基线,不再空转(也绝不能假动) + // 电平只有一个来源:pushChunk() 每收到一片 PCM 就更新 levelTarget。 + // 超过 300ms 没有新数据(授权还没给 / 已经停了)→ 静默停在基线,不假动。 + if (Date.now() - lastRealLevelAt > 300) { levelCur = 0; renderBars(0, false); return; @@ -166,25 +155,68 @@ rafId = requestAnimationFrame(tickMeter); } - function attachAnalyser() { - if (!stream) return; + // iOS Safari 只允许在用户手势里真正启动 AudioContext;getUserMedia 之后那条异步链已经 + // 脱离手势,那时才 new AudioContext 有可能一直 suspended(一点声音都采不到)。 + // 所以在 pointerdown 里先把 ctx 建好并 resume,拿到麦克风后直接复用。 + function primeAudioCtx() { + if (audioCtx) return true; + const AC = window.AudioContext || window.webkitAudioContext; + if (!AC) return false; try { - const AC = window.AudioContext || window.webkitAudioContext; - if (!AC) return; audioCtx = new AC(); - analyser = audioCtx.createAnalyser(); - analyser.fftSize = 512; - audioBuf = new Float32Array(analyser.fftSize); - srcNode = audioCtx.createMediaStreamSource(stream); - srcNode.connect(analyser); // 不接 destination,不会回放 if (audioCtx.state === 'suspended') audioCtx.resume(); - startLoop(); // 之前可能在静默态停掉了循环 + return true; } catch (_) { - analyser = null; - audioBuf = null; + audioCtx = null; + return false; } } + // 浏览器:拿 PCM 只能靠 ScriptProcessor(已标废弃,但 Chrome/Safari/Firefox 都还在, + // 且不需要额外加载文件)。AudioWorklet 要 addModule,异步加载会吞掉开头几个字。 + function startCapture() { + if (!stream || !primeAudioCtx()) return false; + try { + capRate = audioCtx.sampleRate || 48000; + dsAcc = 0; dsN = 0; dsPhase = 0; + srcNode = audioCtx.createMediaStreamSource(stream); + procNode = audioCtx.createScriptProcessor(1024, 1, 1); + procNode.onaudioprocess = function (ev) { + const pcm = downsampleTo16k(ev.inputBuffer.getChannelData(0)); + if (pcm.length) pushChunk(pcm, OUT_RATE); + }; + srcNode.connect(procNode); + // 必须接到 destination 才会被驱动;输出缓冲区不写,所以不会外放 + procNode.connect(audioCtx.destination); + if (audioCtx.state === 'suspended') audioCtx.resume(); + startLoop(); + return true; + } catch (_) { + stopMeter(false); + return false; + } + } + + // Float32(任意采样率)→ 16k Int16。按「输出周期内取均值」降采样:既是抽点也能压一点高频, + // 且 dsPhase 跨分片累计,长时间录不会整体越走越快/越慢(整数倍抽取会)。 + function downsampleTo16k(input) { + const out = new Int16Array(Math.ceil(input.length * OUT_RATE / capRate) + 1); + let n = 0; + for (let i = 0; i < input.length; i++) { + dsAcc += input[i]; + dsN++; + dsPhase += OUT_RATE; + if (dsPhase >= capRate) { + dsPhase -= capRate; + const v = Math.round((dsAcc / dsN) * 32767); + out[n++] = v > 32767 ? 32767 : v < -32768 ? -32768 : v; + dsAcc = 0; + dsN = 0; + } + } + return n === out.length ? out : out.subarray(0, n); + } + function startMeter() { stopMeter(false); levelTarget = 0; @@ -195,9 +227,13 @@ function stopMeter(flatten) { if (rafId) { cancelAnimationFrame(rafId); rafId = 0; } + if (procNode) { + try { procNode.disconnect(); } catch (_) { /* 已断 */ } + procNode.onaudioprocess = null; + procNode = null; + } if (srcNode) { try { srcNode.disconnect(); } catch (_) { /* 已断 */ } srcNode = null; } - analyser = null; - audioBuf = null; + // 采集节点也挂在这个 ctx 上:关掉它浏览器这边就彻底不再送 PCM 了 if (audioCtx) { try { audioCtx.close(); } catch (_) { /* 已关 */ } audioCtx = null; } if (flatten !== false) { for (let i = 0; i < bars.length; i++) bars[i].style.transform = 'scaleY(.12)'; @@ -226,7 +262,6 @@ discard = false; abortStream(); if (stopTimer) { clearTimeout(stopTimer); stopTimer = null; } - if (hardTimer) { clearTimeout(hardTimer); hardTimer = null; } hold.classList.remove('recording'); setHoldText('按住 说话'); hideOverlay(); @@ -239,14 +274,6 @@ stream = null; } - function pickMime() { - const list = ['audio/webm;codecs=opus', 'audio/webm', 'audio/mp4', 'audio/ogg;codecs=opus']; - for (let i = 0; i < list.length; i++) { - try { if (MediaRecorder.isTypeSupported(list[i])) return list[i]; } catch (_) { /* 忽略 */ } - } - return ''; - } - // ---------- 模式切换 ---------- function enter() { if (!available || mode) return; @@ -299,7 +326,9 @@ return; } - phase = 'arming'; // 等 getUserMedia/MediaRecorder 起来 + // 浏览器:先拿麦克风(可能要等用户授权),拿到后 startCapture 开始往里推 PCM + phase = 'arming'; + primeAudioCtx(); // 必须在手势里建(见 primeAudioCtx 注释) startWeb(); } @@ -313,46 +342,23 @@ return; } if (!pressing) { releaseStream(); resetUI(); return; } // 松开得比授权快 - attachAnalyser(); // 声波接同一路 MediaStream - - mime = pickMime(); - try { - rec = mime ? new MediaRecorder(stream, { mimeType: mime }) : new MediaRecorder(stream); - } catch (_) { - rec = new MediaRecorder(stream); - mime = rec.mimeType || ''; - } - chunks = []; - rec.ondataavailable = function (ev) { - if (ev.data && ev.data.size) chunks.push(ev.data); - }; - rec.onstop = function () { - const type = mime || 'audio/webm'; - const blob = new Blob(chunks, { type: type }); - chunks = []; - rec = null; - releaseStream(); - if (discard) { discard = false; resetUI(); toast('说话时间太短'); return; } - upload(blob); - }; - rec.onerror = function () { - releaseStream(); - resetUI(); - toast('录音出错'); - }; - try { - rec.start(); - } catch (e) { - releaseStream(); - resetUI(); - toast('无法开始录音:' + String((e && e.message) || e)); - return; - } + // 与套壳同一套状态,只是换成了「自己采 PCM」而不是「等壳推」 phase = 'recording'; recordStartAt = Date.now(); + gen++; + pcmRate = OUT_RATE; + streamOn = true; + clearSeg(); + textParts = []; + if (!startCapture()) { + streamOn = false; + releaseStream(); + resetUI(); + toast('无法开始录音:当前浏览器采不到音频'); + return; + } stopTimer = setTimeout(finishHold, MAX_MS); - hardTimer = setTimeout(resetUI, MAX_MS + NO_RESULT_MS); } // 松手:结束录音(太短则丢弃) @@ -369,17 +375,19 @@ setOverlayMode(discard ? 'send' : 'busy'); stopMeter(); + if (discard) { + abortStream(); + releaseStream(); + nativeStop(false); // 只停采集,不用管壳知不知道“被丢弃”(页面已经不再收分片) + resetUI(); + toast('说话时间太短'); + return; + } + + // 两条路收口完全一样:把不足一个停顿的尾巴发走(纯静音的尾巴不发),再等所有段回来。 + // 大部分段在说话过程中已经识别完了,这里通常只等最后一段。 + flushTail(); if (native) { - // 松手:把不足一个停顿的尾巴发走,然后等所有段回来。 - // 大部分段在说话过程中已经识别完了,这里通常只等最后一段。 - if (discard) { - abortStream(); - try { native.stopVoice(); } catch (_) { /* 已停 */ } - resetUI(); - toast('说话时间太短'); - return; - } - flushTail(); try { native.stopVoice(); } catch (e) { @@ -387,53 +395,29 @@ toast('结束录音失败:' + String((e && e.message) || e)); return; } - waitFlush(); - return; + } else { + releaseStream(); // 采集节点已经由上面的 stopMeter() 拆掉了 } + waitFlush(); + } + // 让壳停止采集:优先 cancelVoice(语义明确),壳没实现时退回 stopVoice—— + // 否则麦克风会在壳侧一直开着(页面这边已经不再收分片了,但录音还在跑)。 + function nativeStop(cancel) { + if (!native) return; try { - if (rec && rec.state !== 'inactive') rec.stop(); - else { releaseStream(); resetUI(); } - } catch (_) { - releaseStream(); - resetUI(); - } + if (cancel && native.cancelVoice) native.cancelVoice(); + else if (native.stopVoice) native.stopVoice(); + } catch (_) { /* 已停 */ } } // 放弃本次录音(切模式 / 离开页面 / 上滑取消 / 壳回调 cancelled) function cancelHold() { if (phase === 'idle') return; - const r = rec; - rec = null; - chunks = []; abortStream(); // 丢弃已发在途的结果,也不碰输入框 - if (r) { r.onstop = null; r.onerror = null; } - releaseStream(); + releaseStream(); // 浏览器:停麦克风轨道(采集节点由 resetUI → stopMeter 拆) + nativeStop(true); resetUI(); - try { - if (r && r.state !== 'inactive') r.stop(); - else if (native && native.cancelVoice) native.cancelVoice(); - } catch (_) { /* 已停 */ } - } - - // ---------- 上传 + 自动发送 ---------- - function upload(blob) { - if (!blob || !blob.size) { resetUI(); toast('没有录到声音'); return; } - phase = 'busy'; - setOverlayMode('busy'); - req('POST', '/api/asr/transcribe', blob, true, 120000) - .then(function (r) { - const text = String((r && r.text) || '').replace(/\s+/g, ' ').trim(); - // 先收遮罩再做后续:toast 固定在 bottom:96px,遮罩还在时弹出来会压住声波 - resetUI(); - if (!text) { toast('没有识别到内容'); return; } - ta.value = text; - send(); - }) - .catch(function (e) { - resetUI(); - toast('语音识别失败:' + String((e && e.message) || e)); - }); } // ---------- 按住 / 滑动 / 松开 ---------- @@ -502,8 +486,8 @@ // 录音中离开页面:释放麦克风 window.addEventListener('pagehide', cancelHold); - // ---------- 原生桥回调(契约见 docs/voice-input.md) ---------- - // 壳每 ~100ms 推一片 16bit/单声道小端 PCM。采样率、分片大小、门限全部不在壳里算。 + // ---------- PCM 处理(两条录音路径共用) ---------- + // 壳每 ~100ms 推一片 16bit/单声道小端 PCM;浏览器自己采。采样率、分片大小、门限全部不在别处算。 function b64ToI16(b64) { const bin = atob(String(b64 || '')); const n = bin.length >> 1; @@ -596,14 +580,15 @@ if (flushTimer) { clearTimeout(flushTimer); flushTimer = null; } } - window.onNativeVoiceChunk = function (b64, rate) { - if (!native || !streamOn || phase !== 'recording') return; + // 一片 16bit 单声道 PCM:两条录音路径的唯一汇合点。 + // 电平、静音判定、断句、上传全在页面侧;壳和浏览器都不做任何判断。 + function pushChunk(pcm, rate) { + if (!streamOn || phase !== 'recording') return; const r = Number(rate); if (r > 0 && r !== pcmRate) pcmRate = r; - const pcm = b64ToI16(b64); if (!pcm.length) return; - // 电平:直接用这片 PCM 的峰值(替掉原来壳上报的 getMaxAmplitude) + // 电平:直接用这片 PCM 的峰值 const db = peakDb(pcm); lastRealLevelAt = Date.now(); levelTarget = db === -Infinity ? 0 : dbToLevel(db); @@ -611,7 +596,7 @@ segChunks.push(pcm); segLen += pcm.length; - // 静音按「整片」判:壳一片约 100ms,足够分辨 0.5s 的停顿(再细也没意义) + // 静音按「整片」判:一片约 20~100ms,足够分辨 0.5s 的停顿(再细也没意义) silLen = db < VAD_SILENCE_DB ? silLen + pcm.length : 0; if (silLen >= pcmRate * VAD_PAUSE_SEC) { @@ -624,6 +609,12 @@ emitSegment(segLen); clearSeg(); } + } + + // 壳每 ~100ms 推一片 16bit/单声道小端 PCM(契约见 docs/voice-input.md) + window.onNativeVoiceChunk = function (b64, rate) { + if (!native) return; + pushChunk(b64ToI16(b64), rate); }; // 松手/超时:把不足一个停顿的尾巴也发出去,然后等全部段回来。 diff --git a/docs/voice-input.md b/docs/voice-input.md index f89f26c..15c5363 100644 --- a/docs/voice-input.md +++ b/docs/voice-input.md @@ -1,30 +1,45 @@ # 语音输入:客户端录音契约 -链路是「按住说话 → 壳持续推 PCM → 页面按停顿切段并逐段转写 → 松手后一次性写入输入框并**自动发送**」。 +链路是「按住说话 → 端上持续送 PCM → 页面按停顿切段并逐段转写 → 松手后一次性写入输入框并**自动发送**」。 `public/js/voice.js` 按能力自己选录音方式: | 页面环境 | 录音方式 | 实时断句 | 说明 | |---|---|---|---| | Android 套壳 App(WebView) | **原生 `AudioRecord` + JS 桥流式推 PCM** | ✅ | WebView 没有 Web Speech API;`http://` 页面也能用 | -| 浏览器 / PWA(HTTPS) | `MediaRecorder` 整段录 | ❌(下一阶段) | 标准 `getUserMedia`,松手后整体上传 | +| 浏览器 / PWA(HTTPS) | **`AudioContext` + `ScriptProcessor` 采 PCM** | ✅ | 降采样到 16k 后与套壳走**完全同一套** VAD/切段/上传 | | 纯浏览器(`http://`) | 不可用 | — | 非安全上下文,浏览器拒绝开麦 | **为什么必须要流式**:录音只在松手后才上传的话,识别要等整段录完 + 整段识别,长语音尤其慢。 流式之后,说话过程中的每个停顿都会立刻切段上传,**松手时通常只剩最后一段要等**。 +两条录音路径只在「PCM 从哪来」上不同,进到 `pushChunk(pcm, rate)` 之后一模一样: +电平、静音门限、断句、逐段上传、最后合并发送,代码只有一份。 + --- ## 一、交互与页面行为(壳只需要知道这些) -1. 用户按住 `#voice-hold` → 页面调 `startVoice()`,同时把整块输入区换成全宽遮罩(实时声波 + 提示文案)。 -2. 壳开始推 PCM 分片;页面自己判停顿(连续静音 ≥0.5s)→ 立即 POST 该段 → 结果攒在内存里。 +1. 用户按住 `#voice-hold` → 页面开始录音(套壳调 `startVoice()`,浏览器自己 `getUserMedia`),同时把整块输入区换成全宽遮罩(实时声波 + 提示文案)。 +2. 壳推 / 浏览器采的 PCM 进来后,页面自己判停顿(连续静音 ≥0.5s)→ 立即 POST 该段 → 结果攒在内存里。 3. 手指上滑进入文案区 = 取消态;松手时处于取消态则**整轮丢弃**(已上传段的结果也丢掉),输入框保持原样。 4. 松手 → 页面把尾巴里**有声音的部分**发出去(纯静音的尾巴不发,否则只会换来一次「没有可识别人声」) → 等所有段回来 → **一次性**写进输入框 → 自动发送。 5. 识别结果**不会边识别边显示**:遮罩/发送键本来就盖住了输入框,渐进文本用户看不到, 所以统一在最后落到输入框里,用户拿到的是完整一句话。 +### 浏览器 / PWA(HTTPS)的实现要点 + +- 采集:`getUserMedia` → `createMediaStreamSource` → `createScriptProcessor(1024, 1, 1)`。 + 不用 `AudioWorklet` 是因为要多加载一个模块文件、且 `addModule` 是异步的(按下才加载会把开头几个字吞掉); + `ScriptProcessor` 虽已标废弃,但 Chrome/Safari/Firefox 都还在,这点开销可忽略。 +- 降采样:浏览器采样率通常是 44.1k/48k,`downsampleTo16k()` 按「一个输出周期内取均值」降到 16k, + 小数相位跨分片累计(整数倍抽取会越录越快/越慢)。**不能**把 44.1k 直接喂进 VAD —— + 0.5s 停顿与 25s 段长都是按 16k 估算的。 +- iOS Safari:`AudioContext` 必须在手势里创建/resume;`await getUserMedia` 之后已脱离手势, + 所以按下(`pointerdown`)时就先把 ctx 建好,拿到麦克风后复用。 +- 浏览器只在安全上下文开麦:`http://` 下麦克风按钮不会出现,只有 HTTPS 域名(或套壳壳内)可用。 + --- ## 二、桥的契约 @@ -345,8 +360,7 @@ webView.addJavascriptInterface(new VoiceBridge(this, webView), "AgentNative"); ```http POST /api/asr/transcribe -Content-Type: audio/wav # 套壳推的是 wav(页面自己加的 44 字节头); - # 浏览器仍可能是 audio/mp4 / audio/webm +Content-Type: audio/wav # 两条路都是 wav:页面自己加的 44 字节头(16k/单声道/16bit) Cookie: <登录态> # 与页面同一份 HttpOnly cookie <音频二进制> @@ -357,9 +371,9 @@ Cookie: <登录态> # 与页面同一份 HttpOnly cookie ``` - 上限 20MB,超时 120s;识别失败返回 `{"error": "..."}`(前端直接 toast 出来)。 -- 一次「按住说话」在套壳里会变成 **多次** 请求(每个停顿一次)。页面串行发送,保证拼接顺序。 +- 一次「按住说话」会变成 **多次** 请求(每个停顿一次,套壳与浏览器都是)。页面串行发送,保证拼接顺序。 - 单段失败不影响其他段(页面侧吞掉单段错误,继续等下一段);全部失败才提示。 -- 服务端只做**超长兜底**:一次请求超过 25s 才切,且切点尽量落在停顿处(套壳已经按停顿切好了, +- 服务端只做**超长兜底**:一次请求超过 25s 才切,且切点尽量落在停顿处(端上已经按停顿切好了, 这里多数请求根本不会触发切分)。参数见 `mcp/asr/README.md`。 - `GET /api/asr/status` → `{"enabled": true}`;未接线时 `{"enabled": false, "reason": "..."}`。