语音输入改为流式断句,服务端只做超长兜底切分
- 壳推 16k/单声道/16bit PCM 分片(onNativeVoiceChunk,~100ms 一片), 页面自己判停顿(≥0.5s 静音)断句、逐段串行上传;松手只 flush 剩下的话, 全部结果到齐后一次性写进输入框并自动发送 - 纯静音的尾巴不再上传(否则只会换来一次「没有可识别人声」) - 删除 onNativeVoiceResult / onNativeVoiceAmp:声波改由页面用 PCM 峰值驱动 - 服务端不再逢停顿就切:≤25s 直接一次请求、不跑 silencedetect; >25s 才在距上限最后 6s 的窗口里挑停顿中点,挑不到硬切,段数 ≈ 时长/25 (去掉 ASR_MAX_SEGMENTS 的 20 段退化分支) - 上游 200 + 空 text 改判 400(这是「这段没人声」的正常结果,不再打堆栈) - docs/voice-input.md 按新契约整篇重写(含 AudioRecord 参考骨架)
This commit is contained in:
+196
-50
@@ -8,10 +8,11 @@
|
||||
// · 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:套壳原生桥(http 页面也能用)或 HTTPS 下的 MediaRecorder;
|
||||
// 转写在服务端 mcp_asr(经 core 的 /api/asr 中转)。
|
||||
// 电平:浏览器用 AnalyserNode 算 RMS;套壳上报 onNativeVoiceAmp(原始 getMaxAmplitude)。
|
||||
// 归一化/门限/平滑全部在页面侧做,壳不做任何换算。
|
||||
// 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。
|
||||
//
|
||||
// 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。
|
||||
|
||||
@@ -30,9 +31,10 @@
|
||||
const webOk = !!(window.isSecureContext && navigator.mediaDevices
|
||||
&& typeof navigator.mediaDevices.getUserMedia === 'function' && window.MediaRecorder);
|
||||
|
||||
const MAX_MS = 60000; // 单次录音上限
|
||||
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 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
|
||||
@@ -59,12 +61,28 @@
|
||||
let recordStartAt = 0;
|
||||
let stopTimer = null;
|
||||
let hardTimer = null;
|
||||
let watchdog = null;
|
||||
let rec = null;
|
||||
let stream = null;
|
||||
let chunks = [];
|
||||
let mime = '';
|
||||
|
||||
// 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)
|
||||
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
|
||||
let textParts = []; // 各段识别结果(按顺序)
|
||||
let chain = Promise.resolve(); // 串行上传链:保证拼接顺序 = 说话顺序
|
||||
let gen = 0; // 会话代号:取消/重录后迟到结果直接丢弃
|
||||
let streamOn = false; // 是否接受 PCM 分片
|
||||
let flushTimer = null;
|
||||
|
||||
// VAD 参数(页面侧唯一一份:改完刷新页面即生效,不用重打 APK)
|
||||
const VAD_SILENCE_DB = -42; // 低于这个音量算“没人说话”(正常说话峰值约 -10~-30dB)
|
||||
const VAD_PAUSE_SEC = 0.5; // 连续静音这么久 → 断句(与壳无关)
|
||||
const VAD_MIN_SPEECH_SEC = 0.3; // 一段短于这个 → 当噪声丢掉
|
||||
const VAD_MAX_SEG_SEC = 25; // 单段上限:连续说话没停顿就硬切(上游单次上限)
|
||||
|
||||
// 电平与渲染
|
||||
let rafId = 0;
|
||||
let levelTarget = 0;
|
||||
@@ -135,7 +153,7 @@
|
||||
}
|
||||
|
||||
if (!animate) {
|
||||
// 没有电平来源(壳没实现 onNativeVoiceAmp / AnalyserNode 不可用):
|
||||
// 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)
|
||||
levelCur = 0;
|
||||
renderBars(0, false);
|
||||
@@ -206,9 +224,9 @@
|
||||
pressing = false;
|
||||
pressY = 0;
|
||||
discard = false;
|
||||
abortStream();
|
||||
if (stopTimer) { clearTimeout(stopTimer); stopTimer = null; }
|
||||
if (hardTimer) { clearTimeout(hardTimer); hardTimer = null; }
|
||||
if (watchdog) { clearTimeout(watchdog); watchdog = null; }
|
||||
hold.classList.remove('recording');
|
||||
setHoldText('按住 说话');
|
||||
hideOverlay();
|
||||
@@ -262,16 +280,16 @@
|
||||
showOverlay();
|
||||
|
||||
if (native) {
|
||||
// 原生侧即使要弹权限也先当「已开始」:松开时 stopVoice(),壳若还在等权限会忽略,
|
||||
// 由 watchdog 兜底复位(只有首次授权那一次会遇到)。
|
||||
// 原生侧即使要弹权限也先当「已开始」:页面已经开始收分片,壳真开录后会推数据。
|
||||
// 首次授权那一次的分片要等用户点允许才会到,之前的静音不计入。
|
||||
phase = 'recording';
|
||||
recordStartAt = Date.now();
|
||||
gen++; // 新会话:让上一轮迟到的结果全部失效
|
||||
streamOn = true;
|
||||
pcmRate = 16000;
|
||||
clearSeg();
|
||||
textParts = [];
|
||||
stopTimer = setTimeout(finishHold, MAX_MS);
|
||||
hardTimer = setTimeout(function () {
|
||||
try { if (native.cancelVoice) native.cancelVoice(); } catch (_) { /* 忽略 */ }
|
||||
resetUI();
|
||||
toast('录音超时');
|
||||
}, MAX_MS + NO_RESULT_MS);
|
||||
try {
|
||||
native.startVoice();
|
||||
} catch (e) {
|
||||
@@ -352,6 +370,16 @@
|
||||
stopMeter();
|
||||
|
||||
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) {
|
||||
@@ -359,12 +387,7 @@
|
||||
toast('结束录音失败:' + String((e && e.message) || e));
|
||||
return;
|
||||
}
|
||||
// 壳若因为权限弹窗没有真正开录,stopVoice() 会被忽略、结果不会回来
|
||||
watchdog = setTimeout(function () {
|
||||
if (phase !== 'busy') return;
|
||||
try { if (native.cancelVoice) native.cancelVoice(); } catch (_) { /* 忽略 */ }
|
||||
resetUI();
|
||||
}, NO_RESULT_MS);
|
||||
waitFlush();
|
||||
return;
|
||||
}
|
||||
|
||||
@@ -383,6 +406,7 @@
|
||||
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();
|
||||
resetUI();
|
||||
@@ -479,42 +503,163 @@
|
||||
window.addEventListener('pagehide', cancelHold);
|
||||
|
||||
// ---------- 原生桥回调(契约见 docs/voice-input.md) ----------
|
||||
// 实时幅度:套壳每 ~100ms 上报一次 MediaRecorder.getMaxAmplitude() 的**原始值**(0~32767)。
|
||||
// 换算、门限、平滑全部在页面侧做——规则只存在这一份,壳不要做任何数学。
|
||||
function onNativeAmp(raw) {
|
||||
if (!native) return;
|
||||
const amp = Number(raw);
|
||||
if (!isFinite(amp)) return;
|
||||
lastRealLevelAt = Date.now();
|
||||
if (amp <= 0) {
|
||||
levelTarget = 0;
|
||||
} else {
|
||||
const db = 20 * Math.log10(Math.min(amp, 32767) / 32767);
|
||||
levelTarget = dbToLevel(db);
|
||||
}
|
||||
startLoop(); // 静默态下循环已停,下一帧数据到了再启
|
||||
// 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。
|
||||
function b64ToI16(b64) {
|
||||
const bin = atob(String(b64 || ''));
|
||||
const n = bin.length >> 1;
|
||||
const out = new Int16Array(n);
|
||||
for (let i = 0; i < n; i++) out[i] = (bin.charCodeAt(i * 2 + 1) << 8) | bin.charCodeAt(i * 2);
|
||||
return out;
|
||||
}
|
||||
window.onNativeVoiceAmp = onNativeAmp;
|
||||
window.onNativeVoiceLevel = onNativeAmp; // 旧名兼容:同样按原始幅度解释
|
||||
|
||||
window.onNativeVoiceResult = function (b64, mimeType) {
|
||||
if (phase !== 'busy' && phase !== 'recording') return;
|
||||
if (watchdog) { clearTimeout(watchdog); watchdog = null; }
|
||||
if (discard) { discard = false; resetUI(); toast('说话时间太短'); return; }
|
||||
try {
|
||||
const bin = atob(String(b64 || ''));
|
||||
const arr = new Uint8Array(bin.length);
|
||||
for (let i = 0; i < bin.length; i++) arr[i] = bin.charCodeAt(i);
|
||||
upload(new Blob([arr], { type: mimeType || 'audio/mp4' }));
|
||||
} catch (_) {
|
||||
resetUI();
|
||||
toast('语音数据解析失败');
|
||||
// 这一片 PCM 的峰值电平(dBFS)。用峰值而不是 RMS:与原先 getMaxAmplitude 的尺度一致。
|
||||
function peakDb(arr) {
|
||||
let peak = 0;
|
||||
for (let i = 0; i < arr.length; i++) {
|
||||
const v = arr[i] < 0 ? -arr[i] : arr[i];
|
||||
if (v > peak) peak = v;
|
||||
}
|
||||
return peak <= 0 ? -Infinity : 20 * Math.log10(peak / 32767);
|
||||
}
|
||||
|
||||
function encodeWav(samples, rate) {
|
||||
const b = new ArrayBuffer(44 + samples.length * 2);
|
||||
const v = new DataView(b);
|
||||
const str = function (off, s) { for (let i = 0; i < s.length; i++) v.setUint8(off + i, s.charCodeAt(i)); };
|
||||
str(0, 'RIFF'); v.setUint32(4, 36 + samples.length * 2, true); str(8, 'WAVE');
|
||||
str(12, 'fmt '); v.setUint32(16, 16, true);
|
||||
v.setUint16(20, 1, true); // PCM
|
||||
v.setUint16(22, 1, true); // mono
|
||||
v.setUint32(24, rate, true); // 采样率
|
||||
v.setUint32(28, rate * 2, true); // byte rate
|
||||
v.setUint16(32, 2, true); v.setUint16(34, 16, true);
|
||||
str(36, 'data'); v.setUint32(40, samples.length * 2, true);
|
||||
for (let i = 0, o = 44; i < samples.length; i++, o += 2) v.setInt16(o, samples[i], true);
|
||||
return new Blob([b], { type: 'audio/wav' });
|
||||
}
|
||||
|
||||
// 从当前段取前 n 个采样(拼成一段连续 PCM)
|
||||
function takeSeg(n) {
|
||||
const out = new Int16Array(n);
|
||||
let off = 0;
|
||||
for (const c of segChunks) {
|
||||
if (off >= n) break;
|
||||
const k = Math.min(c.length, n - off);
|
||||
out.set(k === c.length ? c : c.subarray(0, k), off);
|
||||
off += k;
|
||||
}
|
||||
return out;
|
||||
}
|
||||
|
||||
function clearSeg() { segChunks = []; segLen = 0; silLen = 0; }
|
||||
|
||||
// 把当前段的前 n 个采样作为一段发出去(太短当噪声丢掉)。
|
||||
// 注意:必须在 clearSeg() 之前调,takeSeg 要读 segChunks。
|
||||
function emitSegment(n) {
|
||||
if (n < pcmRate * VAD_MIN_SPEECH_SEC) return;
|
||||
emit(encodeWav(takeSeg(n), pcmRate));
|
||||
}
|
||||
|
||||
// 串行上传:一段没回来不发下一段(2 vCPU 上并发只会互相拖慢,而且顺序也没法保证)
|
||||
function emit(blob) {
|
||||
const my = gen;
|
||||
chain = chain.then(function () {
|
||||
if (my !== gen) return; // 已取消/重录:不再发
|
||||
return req('POST', '/api/asr/transcribe', blob, true, 120000)
|
||||
.then(function (r) {
|
||||
if (my !== gen) return;
|
||||
const t = String((r && r.text) || '').replace(/\s+/g, ' ').trim();
|
||||
if (t) textParts.push(t);
|
||||
})
|
||||
.catch(function () { /* 单段失败不连坐,其余段照常出字 */ });
|
||||
});
|
||||
}
|
||||
|
||||
// 拼接各段:中文直接相连;两侧都是西文字母/数字时补一个空格,
|
||||
// 否则英文被切开后会粘成 "helloworld"。
|
||||
function joinText(parts) {
|
||||
let out = '';
|
||||
for (const s of parts) {
|
||||
if (!s) continue;
|
||||
if (out && /[A-Za-z0-9]$/.test(out) && /^[A-Za-z0-9]/.test(s)) out += ' ';
|
||||
out += s;
|
||||
}
|
||||
return out;
|
||||
}
|
||||
|
||||
// 丢弃本轮的一切(段缓冲 + 已发在途结果):取消 / 误触 / 超时都走这里
|
||||
function abortStream() {
|
||||
streamOn = false;
|
||||
clearSeg();
|
||||
textParts = [];
|
||||
gen++;
|
||||
if (flushTimer) { clearTimeout(flushTimer); flushTimer = null; }
|
||||
}
|
||||
|
||||
window.onNativeVoiceChunk = function (b64, rate) {
|
||||
if (!native || !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)
|
||||
const db = peakDb(pcm);
|
||||
lastRealLevelAt = Date.now();
|
||||
levelTarget = db === -Infinity ? 0 : dbToLevel(db);
|
||||
startLoop();
|
||||
|
||||
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)
|
||||
silLen = db < VAD_SILENCE_DB ? silLen + pcm.length : 0;
|
||||
|
||||
if (silLen >= pcmRate * VAD_PAUSE_SEC) {
|
||||
// 停顿够了 → 把静音之前的部分发走,静音本身丢掉(不浪费上游额度)
|
||||
const tail = segLen - silLen;
|
||||
emitSegment(tail);
|
||||
clearSeg();
|
||||
} else if (segLen >= pcmRate * VAD_MAX_SEG_SEC) {
|
||||
// 一口气说了 25 秒没停顿:硬切(宁可切开也不能超上游上限)
|
||||
emitSegment(segLen);
|
||||
clearSeg();
|
||||
}
|
||||
};
|
||||
|
||||
// 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。
|
||||
// 必须剔掉尾巴上的静音:停顿那一下已经把缓冲清空了,之后累积的可能全是静音
|
||||
//(用户停一会儿才松手),发出去只会换来一次「没有可识别语音」。
|
||||
function flushTail() {
|
||||
streamOn = false;
|
||||
const speech = segLen - silLen;
|
||||
if (speech > 0) emitSegment(speech);
|
||||
clearSeg();
|
||||
}
|
||||
|
||||
function waitFlush() {
|
||||
const my = gen;
|
||||
flushTimer = setTimeout(function () {
|
||||
flushTimer = null;
|
||||
if (my !== gen) return;
|
||||
gen++; // 让迟到结果失效
|
||||
resetUI();
|
||||
toast('语音识别超时');
|
||||
}, FLUSH_MS);
|
||||
chain = chain.then(function () {
|
||||
if (my !== gen) return;
|
||||
if (flushTimer) { clearTimeout(flushTimer); flushTimer = null; }
|
||||
const text = joinText(textParts);
|
||||
// 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();
|
||||
});
|
||||
}
|
||||
|
||||
window.onNativeVoiceState = function (s) {
|
||||
if (!native || s !== 'recording' || phase !== 'recording') return;
|
||||
// 真正开录:60s 与「太短」判定从这一刻算(首次授权弹窗的时间不算)
|
||||
// 真正开录:180s 与「太短」判定从这一刻算(首次授权弹窗的时间不算)
|
||||
recordStartAt = Date.now();
|
||||
if (stopTimer) clearTimeout(stopTimer);
|
||||
stopTimer = setTimeout(finishHold, MAX_MS);
|
||||
@@ -523,6 +668,7 @@
|
||||
|
||||
window.onNativeVoiceError = function (code, message) {
|
||||
if (phase === 'idle') return;
|
||||
abortStream();
|
||||
resetUI();
|
||||
// 生命周期打断(切后台/换页)属预期,不弹提示
|
||||
if (code === 'cancelled' || code === 'canceled') return;
|
||||
|
||||
+172
-199
@@ -1,36 +1,33 @@
|
||||
# 语音输入:客户端录音契约
|
||||
|
||||
链路是「按住说话 → 客户端录音 → `POST /api/asr/transcribe` → 转写结果**自动发送**」。
|
||||
服务端只收音频字节,不关心是谁录的。`public/js/voice.js` 按能力自己选录音方式:
|
||||
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**」。
|
||||
|
||||
| 页面环境 | 录音方式 | 说明 |
|
||||
|---|---|---|
|
||||
| Android 套壳 App(WebView) | **原生录音 + JS 桥** | WebView 没有 Web Speech API;http 页面也允许 `getUserMedia` 的替代路径 |
|
||||
| 浏览器 / PWA(HTTPS) | `MediaRecorder` | 标准 `getUserMedia`,不用改壳 |
|
||||
| 纯浏览器(`http://<IP>`) | 不可用 | 非安全上下文,浏览器拒绝开麦 |
|
||||
`public/js/voice.js` 按能力自己选录音方式:
|
||||
|
||||
**发送键的四种状态**(`sessions.js` 的 `updateSendBtn` 决定):
|
||||
| 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 |
|
||||
| 纯浏览器(`http://<IP>`) | 不可用 | — | 非安全上下文,浏览器拒绝开麦 |
|
||||
|
||||
| `data-state` | 什么时候 | 点击行为 |
|
||||
|---|---|---|
|
||||
| `stop` | 生成中且输入框为空 | 停止当前回合(优先级最高,不被语音入口顶掉) |
|
||||
| `voice` | 空闲、无文字无附件、且语音可用 | 进入语音模式 |
|
||||
| `keyboard` | 已在语音模式 | 回键盘模式,聚焦输入框(移动端弹键盘) |
|
||||
| `send` | 其余情况 | 发送 |
|
||||
|
||||
「语音可用」= ①有录音能力(原生桥,或安全上下文下的 `MediaRecorder`)②`GET /api/asr/status`
|
||||
返回 `enabled !== false`。所以**套壳 App 里即使页面是 `http://`,只要桥注入成功,麦克风入口照样出现**;
|
||||
纯浏览器 `http://<IP>` 不会出现(非安全上下文,浏览器禁止开麦)。
|
||||
|
||||
语音模式下输入框被 `#voice-hold` 取代(只有居中文字,无按钮外观):按住后整块输入区被
|
||||
**全宽遮罩**盖住(`#voice-overlay`,向左右各扩到屏幕边缘),遮罩里是「实时电平声波 + 提示文案」。
|
||||
手指上滑进入文案区域 → 取消态(声波与文案变红,文案改为「松开取消」),滑回下方恢复;
|
||||
松手时取消态则**直接丢弃**(不弹 toast——它会盖住声波,取消本身已经有变色/文案反馈),否则转写并直接发送。
|
||||
松手后遮罩保持到识别结束,文案换成「正在识别…」。发送键变成键盘按钮。
|
||||
**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**。
|
||||
|
||||
---
|
||||
|
||||
## 一、桥的契约
|
||||
## 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。
|
||||
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。
|
||||
|
||||
---
|
||||
|
||||
## 二、桥的契约
|
||||
|
||||
### 1. 注入时机
|
||||
|
||||
@@ -49,69 +46,66 @@ webView.loadUrl(startUrl);
|
||||
|
||||
```js
|
||||
window.AgentNative = {
|
||||
startVoice(), // 开始录音;失败/拒绝通过 onNativeVoiceError 回报
|
||||
stopVoice(), // 结束录音;结果通过 onNativeVoiceResult 回传
|
||||
startVoice(), // 开始录音(可能先弹权限);失败通过 onNativeVoiceError 回报
|
||||
stopVoice(), // 结束录音;**没有返回值**,页面自己等已发出的分段的识别结果
|
||||
cancelVoice() // 放弃本次录音(无回调;页面自己已经把状态复位了)
|
||||
};
|
||||
```
|
||||
|
||||
**线程模型**:这三个方法都跑在 WebView 的 JavaBridge 子线程上,**不是主线程**。
|
||||
`MediaRecorder` 的所有调用必须收敛到主线程:方法入口先 `mainHandler.post(...)`,
|
||||
读临时文件 + Base64 才放回子线程。
|
||||
|
||||
### 3. 回调(页面定义,壳调用)
|
||||
|
||||
```js
|
||||
window.onNativeVoiceResult(base64, mime) // mime 例:'audio/mp4'
|
||||
window.onNativeVoiceError(code, message) // 见下方错误码表
|
||||
window.onNativeVoiceState('recording') // 建议实现:真正开始录时调一次
|
||||
window.onNativeVoiceAmp(amp) // 建议实现:原始幅度 0~32767,驱动遮罩里的声波
|
||||
window.onNativeVoiceChunk(base64Pcm, sampleRate) // 必需:流式 PCM 分片
|
||||
window.onNativeVoiceState('recording') // 建议:真正开始录时调一次
|
||||
window.onNativeVoiceError(code, message) // 出错/被打断时调
|
||||
```
|
||||
|
||||
- `onNativeVoiceAmp(amp)`:壳只上报 `MediaRecorder.getMaxAmplitude()` 的**原始值**
|
||||
(0~32767,主线程每 100ms 一次),**不要做任何换算**。dB 归一化、静音门限、快攻慢放平滑
|
||||
全部在页面侧——浏览器(RMS)和壳(峰值)两条路的规则只存在一份。
|
||||
旧名 `onNativeVoiceLevel` 仍作为别名接受(同样按原始幅度解释)。
|
||||
不实现也能用:声波静默停在基线上(不空转、不假动)。
|
||||
JS 侧还要自己做快攻慢放平滑,壳不需要平滑。
|
||||
- `onNativeVoiceState('recording')`:**按住说话的时长判定依赖它**。页面用这个回调重置
|
||||
「60 秒上限」和「太短丢弃」的起点,避免首次授权弹窗的时间被算进录音。不实现也不会崩:
|
||||
页面按点击时刻计时,代价是首次授权那一次会被当成「太短」丢弃(用户再按一次即可)。
|
||||
- 页面收到 `onNativeVoiceResult` 后会直接发送消息(不经过输入框、不可编辑)。
|
||||
- 所有回调都必须在**主线程**调 `webView.evaluateJavascript`。
|
||||
- 字符串一律用 `JSONObject.quote(...)` 拼,不要手写 `'` 转义——异常 message 里可能有
|
||||
`\`、换行、U+2028,会把整段脚本打断。
|
||||
#### `onNativeVoiceChunk(base64Pcm, sampleRate)`
|
||||
|
||||
### 4. 状态机与错误码
|
||||
- 内容:**裸 PCM**,`16bit 小端 / 单声道 / 16kHz`(小端是 `AudioRecord` 的原始字节序,直接转 Base64 即可)。
|
||||
- 节奏:约 **100ms 一片**(1600 采样 = 3200 字节,Base64 后约 4.3KB)。50~200ms 都可接受。
|
||||
- 壳**不做任何数学**:不判静音、不切段、不算音量。dB 归一化、静音门限、停顿判定、切段
|
||||
全部在页面侧(`voice.js`),规则只存在一份。
|
||||
- 声波也是页面用这片 PCM 的峰值算的——**不再需要** `onNativeVoiceAmp` / `getMaxAmplitude`。
|
||||
- 页面已经复位(用户松手/取消)后再来的分片会被忽略,壳不用刻意等待。
|
||||
|
||||
壳侧状态:`IDLE → (WAITING_PERMISSION) → RECORDING → ENCODING → IDLE`。
|
||||
`startVoice` 只在 `IDLE` 生效,`stopVoice` 只在 `RECORDING` 生效(其余静默忽略)。
|
||||
#### `onNativeVoiceState('recording')`
|
||||
|
||||
**按住时长判定依赖它**:页面用这个回调重置「180 秒上限」与「太短丢弃」的起点,
|
||||
避免首次授权弹窗的时间被算进录音。不实现也不会崩,但首次授权那一次可能被当成「太短」丢掉。
|
||||
|
||||
#### `onNativeVoiceError(code, message)`
|
||||
|
||||
| code | 触发时机 | 页面表现 |
|
||||
|---|---|---|
|
||||
| `no_permission` | 用户拒绝 / 取消授权弹窗 | toast「需要麦克风权限」 |
|
||||
| `start_failed` | `prepare()` / `start()` 抛异常(含回退 MIC 后仍失败) | toast |
|
||||
| `too_short` | `stop()` 抛异常(录音 < ~1s) | toast「说话时间太短,请按住再说」,**不上传** |
|
||||
| `read_failed` | 读临时文件失败 | toast |
|
||||
| `no_permission` | 用户拒绝 / 取消授权弹窗 | toast「录音失败:…」 |
|
||||
| `start_failed` | `AudioRecord` 初始化/启动失败(含 16k 不支持) | toast |
|
||||
| `read_failed` | 采集线程读失败 | toast |
|
||||
| `forbidden` | 非白名单 URL / 应用不在前台 | toast |
|
||||
| `cancelled` | 生命周期打断(切后台 / 换页) | **静默复位,不弹提示** |
|
||||
| 其他未知 code | — | toast 里显示 `message`,没有就显示 code |
|
||||
|
||||
**取消语义**:页面在 `stopVoice()` 之后会一直等结果(直到点击后 90 秒的硬超时),
|
||||
所以壳在生命周期里取消录音时**必须**回调 `onNativeVoiceError('cancelled','')`,
|
||||
否则按钮会卡在「录音中」。`cancelVoice()` 是页面主动发起的,壳不需要回报。
|
||||
**取消语义**:页面在 `stopVoice()` 之后只等自己发出的分段请求(不再等壳回音频),
|
||||
所以壳在生命周期里中断录音时**仍建议**回调 `onNativeVoiceError('cancelled','')`,
|
||||
让页面立刻收遮罩,不必干等。`cancelVoice()` 是页面主动发起的,壳不需要回报。
|
||||
|
||||
### 5. 体积与时序
|
||||
### 4. 体积与时序
|
||||
|
||||
- 16kHz / 32kbps / 单声道 AAC:60 秒 ≈ **240KB**,Base64 后 ≈ **320KB**。
|
||||
- `evaluateJavascript` 走 Binder,单次约 1MB 上限;320KB 安全,但**不要再延长单次时长**。
|
||||
真要 2 分钟以上,改成按段回传或本地 HTTP 回传。
|
||||
- 松开后页面最多等 3 秒拿音频(等不到就复位,覆盖「壳还在等权限」的情况);
|
||||
拿到后上传+识别,正常 1~2 秒。
|
||||
- 按住时间 < 500ms 视为误触:页面直接丢弃,不上传;壳自己的 `too_short` 是第二道保险。
|
||||
- 每秒 32KB 原始 PCM(16k × 2 字节),Base64 后约 43KB/s;一片 100ms 约 4.3KB。
|
||||
`evaluateJavascript` 走 Binder,单次约 1MB 上限,4.3KB 远低于上限。
|
||||
- 一次 60 秒的听写 = 约 600 次桥调用、2.6MB 字符串。Android WebView 完全吃得住,
|
||||
但**不要**把分片缩到 20ms 以下(调用次数会翻 5 倍,收益为零)。
|
||||
- 页面侧开销:每片扫一遍峰值(1600 个 short),可忽略。
|
||||
|
||||
### 5. 壳侧状态机
|
||||
|
||||
`IDLE → (WAITING_PERMISSION) → RECORDING → IDLE`
|
||||
|
||||
`startVoice` 只在 `IDLE` 生效,`stopVoice` / `cancelVoice` 在非 `RECORDING` 时静默忽略。
|
||||
|
||||
---
|
||||
|
||||
## 二、Java 参考骨架(纯 Java / minSdk 21)
|
||||
## 三、Java 参考骨架(纯 Java / minSdk 21)
|
||||
|
||||
只演示契约要求的部分;`UrlPolicy`、埋点、通知等按各自工程接。
|
||||
|
||||
@@ -121,32 +115,21 @@ window.onNativeVoiceAmp(amp) // 建议实现:原始幅度 0~3276
|
||||
|
||||
public final class VoiceBridge {
|
||||
private static final int REQ_MIC = 1001;
|
||||
private static final long MAX_MS = 60_000;
|
||||
private static final int RATE = 16000; // 契约固定:16k / 单声道 / 16bit
|
||||
private static final int CHUNK_MS = 100; // 每 100ms 推一片
|
||||
private static final long MAX_MS = 180_000; // 页面也会自己停,这里是兜底
|
||||
|
||||
private enum State { IDLE, WAITING_PERMISSION, RECORDING, ENCODING }
|
||||
private enum State { IDLE, WAITING_PERMISSION, RECORDING }
|
||||
|
||||
private final Activity activity;
|
||||
private final WebView webView;
|
||||
private final Handler main = new Handler(Looper.getMainLooper());
|
||||
private final Runnable autoStop = this::stopOnMain;
|
||||
|
||||
// 实时电平:每 100ms 读一次 getMaxAmplitude() 交给页面画声波
|
||||
private static final long LEVEL_INTERVAL_MS = 100;
|
||||
private final Runnable levelTick = this::tickLevel;
|
||||
|
||||
private void tickLevel() {
|
||||
MediaRecorder r = recorder;
|
||||
if (state != State.RECORDING || r == null) return;
|
||||
int amp = 0;
|
||||
try { amp = r.getMaxAmplitude(); } catch (Exception ignored) { }
|
||||
// 原始幅度直接给页面:dB 归一化/门限/平滑全在 JS,壳不做任何数学
|
||||
js("window.onNativeVoiceAmp && window.onNativeVoiceAmp(" + amp + ")");
|
||||
main.postDelayed(levelTick, LEVEL_INTERVAL_MS);
|
||||
}
|
||||
|
||||
private State state = State.IDLE;
|
||||
private MediaRecorder recorder;
|
||||
private File file;
|
||||
private AudioRecord record;
|
||||
private Thread worker;
|
||||
private volatile boolean running;
|
||||
|
||||
public VoiceBridge(Activity activity, WebView webView) {
|
||||
this.activity = activity;
|
||||
@@ -159,15 +142,13 @@ public final class VoiceBridge {
|
||||
@JavascriptInterface public void cancelVoice() { main.post(() -> cancelOnMain(true)); }
|
||||
|
||||
// ---- 生命周期:由 Activity / WebViewClient 调用 ----
|
||||
// 注意:只取消真正在录/在编码的状态。授权弹窗期间某些 ROM 会走 onPause,
|
||||
// 那里如果一并取消,首次授权的两段式流程就断了。
|
||||
// 只在真正录音时取消。授权弹窗期间某些 ROM 会走 onPause,
|
||||
// 那里一并取消的话,首次授权的两段式流程就断了。
|
||||
public void onPause() {
|
||||
main.post(() -> {
|
||||
if (state == State.RECORDING || state == State.ENCODING) cancelOnMain(true);
|
||||
});
|
||||
main.post(() -> { if (state == State.RECORDING) cancelOnMain(true); });
|
||||
}
|
||||
public void onDestroy() { main.post(() -> cancelOnMain(false)); }
|
||||
public void onPageChanged() { main.post(() -> cancelOnMain(true)); }
|
||||
public void onDestroy() { main.post(() -> cancelOnMain(false)); }
|
||||
public void onPageChanged() { main.post(() -> cancelOnMain(true)); }
|
||||
|
||||
public void onRequestPermissionsResult(int requestCode, int[] grantResults) {
|
||||
if (requestCode != REQ_MIC) return;
|
||||
@@ -177,7 +158,7 @@ public final class VoiceBridge {
|
||||
boolean ok = grantResults != null && grantResults.length > 0
|
||||
&& grantResults[0] == PackageManager.PERMISSION_GRANTED;
|
||||
if (!ok) { fail("no_permission", "需要麦克风权限"); return; }
|
||||
beginRecording(); // 授权后直接开录(体验优先,不要求用户再点一次)
|
||||
beginRecording(); // 授权后直接开录,不让用户再点一次
|
||||
});
|
||||
}
|
||||
|
||||
@@ -198,105 +179,96 @@ public final class VoiceBridge {
|
||||
beginRecording();
|
||||
}
|
||||
|
||||
@SuppressLint("NewApi")
|
||||
private void beginRecording() {
|
||||
int minBuf = AudioRecord.getMinBufferSize(
|
||||
RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT);
|
||||
if (minBuf <= 0) { fail("start_failed", "设备不支持 16kHz 录音"); return; }
|
||||
|
||||
// VOICE_RECOGNITION 关掉 AGC/降噪,对 ASR 更友好;个别机型不支持则回退 MIC
|
||||
final AudioRecord r = createRecord(minBuf);
|
||||
if (r == null) { fail("start_failed", "无法开始录音"); return; }
|
||||
|
||||
record = r;
|
||||
running = true;
|
||||
state = State.RECORDING;
|
||||
main.postDelayed(autoStop, MAX_MS);
|
||||
|
||||
final int samplesPerChunk = RATE * CHUNK_MS / 1000; // 1600
|
||||
worker = new Thread(() -> captureLoop(r, samplesPerChunk), "voice-capture");
|
||||
worker.start();
|
||||
|
||||
// 让页面的 180s 从“真的开始录”算(授权弹窗的时间不算)
|
||||
js("window.onNativeVoiceState && window.onNativeVoiceState('recording')");
|
||||
}
|
||||
|
||||
private AudioRecord createRecord(int minBuf) {
|
||||
int[] sources = {MediaRecorder.AudioSource.VOICE_RECOGNITION,
|
||||
MediaRecorder.AudioSource.MIC};
|
||||
for (int source : sources) {
|
||||
File f = null;
|
||||
MediaRecorder r = null;
|
||||
try {
|
||||
f = File.createTempFile("voice", ".m4a", activity.getCacheDir());
|
||||
r = Build.VERSION.SDK_INT >= 31
|
||||
? new MediaRecorder(activity) // 无参构造在 API 31 起废弃
|
||||
: new MediaRecorder();
|
||||
r.setAudioSource(source);
|
||||
r.setOutputFormat(MediaRecorder.OutputFormat.MPEG_4);
|
||||
r.setAudioEncoder(MediaRecorder.AudioEncoder.AAC);
|
||||
r.setAudioSamplingRate(16000);
|
||||
r.setAudioEncodingBitRate(32000);
|
||||
r.setAudioChannels(1);
|
||||
r.setOutputFile(f.getAbsolutePath());
|
||||
r.prepare();
|
||||
r.start();
|
||||
AudioRecord t = new AudioRecord(source, RATE, AudioFormat.CHANNEL_IN_MONO,
|
||||
AudioFormat.ENCODING_PCM_16BIT, Math.max(minBuf * 2, 8192));
|
||||
if (t.getState() == AudioRecord.STATE_INITIALIZED) return t;
|
||||
t.release();
|
||||
} catch (Exception ignored) { /* 换下一个 source */ }
|
||||
}
|
||||
return null;
|
||||
}
|
||||
|
||||
recorder = r;
|
||||
file = f;
|
||||
state = State.RECORDING;
|
||||
main.postDelayed(autoStop, MAX_MS);
|
||||
main.postDelayed(levelTick, LEVEL_INTERVAL_MS);
|
||||
// 让页面的 60s 从“真的开始录”算(授权弹窗的时间不算)
|
||||
js("window.onNativeVoiceState && window.onNativeVoiceState('recording')");
|
||||
// 不要再额外弹原生 Toast:页面遮罩已经给了全部反馈,弹窗会压住声波
|
||||
return;
|
||||
} catch (Exception e) {
|
||||
// 局部变量释放:失败时 recorder 字段还没赋值,releaseQuietly() 管不到它
|
||||
if (r != null) {
|
||||
try { r.stop(); } catch (Exception ignored) { }
|
||||
try { r.release(); } catch (Exception ignored) { }
|
||||
/** 采集线程:阻塞 read → 小端字节 → Base64 → 推给页面。不判静音、不切段。 */
|
||||
private void captureLoop(AudioRecord r, int samplesPerChunk) {
|
||||
short[] pcm = new short[samplesPerChunk];
|
||||
byte[] bytes = new byte[samplesPerChunk * 2];
|
||||
try {
|
||||
r.startRecording();
|
||||
while (running) {
|
||||
int n = r.read(pcm, 0, pcm.length);
|
||||
if (n <= 0) continue;
|
||||
for (int i = 0; i < n; i++) {
|
||||
bytes[i * 2] = (byte) (pcm[i] & 0xff);
|
||||
bytes[i * 2 + 1] = (byte) ((pcm[i] >> 8) & 0xff);
|
||||
}
|
||||
delete(f);
|
||||
String b64 = Base64.encodeToString(bytes, 0, n * 2, Base64.NO_WRAP);
|
||||
// 字符串一律 JSONObject.quote,避免任何转义问题(Base64 本身安全,这里是统一规矩)
|
||||
js("window.onNativeVoiceChunk(" + JSONObject.quote(b64) + "," + RATE + ")");
|
||||
}
|
||||
} catch (Exception e) {
|
||||
if (running) fail("read_failed", "录音中断:" + e.getMessage());
|
||||
} finally {
|
||||
try { r.stop(); } catch (Exception ignored) { }
|
||||
try { r.release(); } catch (Exception ignored) { }
|
||||
}
|
||||
state = State.IDLE;
|
||||
fail("start_failed", "无法开始录音");
|
||||
}
|
||||
|
||||
private void stopOnMain() {
|
||||
if (state != State.RECORDING) return;
|
||||
main.removeCallbacks(autoStop);
|
||||
main.removeCallbacks(levelTick); // 停止上报电平
|
||||
state = State.ENCODING;
|
||||
|
||||
MediaRecorder r = recorder;
|
||||
File f = file;
|
||||
recorder = null;
|
||||
file = null;
|
||||
|
||||
boolean stopped = true;
|
||||
try { r.stop(); } catch (RuntimeException e) { stopped = false; } // 太短会抛
|
||||
try { r.release(); } catch (Exception ignored) { }
|
||||
|
||||
if (!stopped) {
|
||||
delete(f);
|
||||
state = State.IDLE;
|
||||
fail("too_short", "没有录到声音");
|
||||
return;
|
||||
}
|
||||
new Thread(() -> {
|
||||
try {
|
||||
byte[] bytes = readAll(f);
|
||||
String b64 = Base64.encodeToString(bytes, Base64.NO_WRAP);
|
||||
delete(f);
|
||||
main.post(() -> {
|
||||
state = State.IDLE;
|
||||
js("window.onNativeVoiceResult(" + JSONObject.quote(b64) + ",'audio/mp4')");
|
||||
});
|
||||
} catch (Exception e) {
|
||||
delete(f);
|
||||
main.post(() -> { state = State.IDLE; fail("read_failed", "读取录音失败"); });
|
||||
}
|
||||
}, "voice-encode").start();
|
||||
stopCapture();
|
||||
state = State.IDLE;
|
||||
// 注意:这里不再回传音频,识别分段已经在录音过程中发完了
|
||||
}
|
||||
|
||||
/** notify=true:页面在等结果,必须回 cancelled 让它复位;onDestroy 时页面已走,不必回。 */
|
||||
/** notify=true:页面在等收尾,回 cancelled 让它立刻收遮罩;onDestroy 时页面已走,不必回。 */
|
||||
private void cancelOnMain(boolean notify) {
|
||||
main.removeCallbacks(autoStop);
|
||||
main.removeCallbacks(levelTick);
|
||||
boolean wasActive = state != State.IDLE;
|
||||
releaseQuietly();
|
||||
delete(file);
|
||||
file = null;
|
||||
stopCapture();
|
||||
state = State.IDLE;
|
||||
if (notify && wasActive) js("window.onNativeVoiceError('cancelled','')");
|
||||
}
|
||||
|
||||
private void releaseQuietly() {
|
||||
if (recorder == null) return;
|
||||
try { recorder.stop(); } catch (Exception ignored) { }
|
||||
try { recorder.release(); } catch (Exception ignored) { }
|
||||
recorder = null;
|
||||
private void stopCapture() {
|
||||
running = false;
|
||||
AudioRecord r = record;
|
||||
record = null;
|
||||
if (r != null) {
|
||||
// 打断阻塞中的 read();stop/release 由采集线程的 finally 做,
|
||||
// 避免跨线程操作同一个 AudioRecord
|
||||
try { r.stop(); } catch (Exception ignored) { }
|
||||
}
|
||||
Thread w = worker;
|
||||
worker = null;
|
||||
if (w != null) w.interrupt();
|
||||
}
|
||||
|
||||
private void fail(String code, String message) {
|
||||
@@ -307,20 +279,6 @@ public final class VoiceBridge {
|
||||
private void js(String script) {
|
||||
webView.post(() -> webView.evaluateJavascript(script, null));
|
||||
}
|
||||
|
||||
private static byte[] readAll(File f) throws Exception {
|
||||
try (FileInputStream in = new FileInputStream(f);
|
||||
ByteArrayOutputStream out = new ByteArrayOutputStream()) {
|
||||
byte[] buf = new byte[8192];
|
||||
int n;
|
||||
while ((n = in.read(buf)) > 0) out.write(buf, 0, n);
|
||||
return out.toByteArray();
|
||||
}
|
||||
}
|
||||
|
||||
private static void delete(File f) {
|
||||
if (f != null) f.delete();
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
@@ -334,46 +292,61 @@ webView.addJavascriptInterface(new VoiceBridge(this, webView), "AgentNative");
|
||||
super.onRequestPermissionsResult(code, p, r);
|
||||
bridge.onRequestPermissionsResult(code, r);
|
||||
}
|
||||
@Override protected void onPause() { bridge.onPause(); super.onPause(); }
|
||||
@Override protected void onDestroy() { bridge.onDestroy(); super.onDestroy(); }
|
||||
@Override protected void onPause() { bridge.onPause(); super.onPause(); }
|
||||
@Override protected void onDestroy() { bridge.onDestroy(); super.onDestroy(); }
|
||||
// WebViewClient.onPageStarted:URL 变了就 bridge.onPageChanged()
|
||||
```
|
||||
|
||||
**和上一版(MediaRecorder)的差别,别照抄旧代码**:
|
||||
|
||||
- 不再有 `MediaRecorder`、临时文件、`onNativeVoiceResult`、`getMaxAmplitude`、60 秒自动停止。
|
||||
- `stopVoice()` 之后没有任何回传动作,页面会自己等已发出的分段请求。
|
||||
- 必须在**采集线程**里 `read()`,不能读在主线程;`AudioRecord` 的 stop/release 只由该线程的
|
||||
`finally` 执行(主线程只调 `stop()` 打断阻塞)。
|
||||
- 个别设备 16k 不支持时:`getMinBufferSize` 会返回负数。此时要么回滚到 44.1k 并在壳里做
|
||||
2 点平均降采样到 16k(多几十行),要么直接 `start_failed`。**不要**改推 44.1k 给页面——
|
||||
页面只按 16k 估算时长与切段。
|
||||
|
||||
---
|
||||
|
||||
## 三、壳侧必须同步的清单
|
||||
## 四、壳侧必须同步的清单
|
||||
|
||||
| 项 | 内容 |
|
||||
|---|---|
|
||||
| `AndroidManifest.xml` | `<uses-permission android:name="android.permission.RECORD_AUDIO" />` |
|
||||
| `proguard-rules.pro` | 保留桥:`-keepclassmembers class * { @android.webkit.JavascriptInterface <methods>; }`,并删掉「本项目未使用 addJavascriptInterface」的注释 |
|
||||
| README 安全表 | 从「不使用 JS 桥」改为「仅暴露语音桥:三个无参方法,无文件/存储读取能力」 |
|
||||
| README 安全表 | 「不使用 JS 桥」→「仅暴露语音桥:三个无参方法,无文件/存储读取能力」 |
|
||||
| README 权限行 | 「只有 INTERNET」→「INTERNET + RECORD_AUDIO」 |
|
||||
| 桥的防护 | `UrlPolicy.isAllowed(webView.getUrl())` + `activity.hasWindowFocus()` + 单实例状态机;建议再加一个原生 Toast 提示录音已开始(外部 CDN 脚本与页面同源,能调桥,但用户至少看得见) |
|
||||
| 页面导航 | `onPageStarted` 且 URL 变化时取消,避免 base64 打到新页面的回调上 |
|
||||
| 桥的防护 | `UrlPolicy.isAllowed(webView.getUrl())` + `activity.hasWindowFocus()` + 单实例状态机 |
|
||||
| 页面导航 | `onPageStarted` 且 URL 变化时取消;分片打到新页面会污染新一轮的缓冲 |
|
||||
| 录音上限 | 壳侧兜底 180s(页面也会在 180s 时主动 `stopVoice()`),不要做成 60s |
|
||||
|
||||
> 触摸时间戳门槛(最近 N 秒内有触摸才允许录音)能进一步防静默录音,但会让无障碍操作不可用,
|
||||
> 不建议默认开。
|
||||
|
||||
---
|
||||
|
||||
## 四、iOS(以后若有 WKWebView 壳)
|
||||
## 五、iOS(以后若有 WKWebView 壳)
|
||||
|
||||
契约相同,换注入方式:
|
||||
契约相同,只是数据源换成 `AVAudioEngine` 的 tap(`installTapOnBus` 直接把
|
||||
`AVAudioPCMBuffer` 转成 16bit 小端 PCM,每 ~100ms 一次):
|
||||
|
||||
```swift
|
||||
// 注入:WKUserScript(source: "window.AgentNative = {...}", injectionTime: .atDocumentStart, ...)
|
||||
// 录音:AVAudioRecorder(16kHz / 单声道 / m4a)
|
||||
// 回传:webView.evaluateJavaScript("window.onNativeVoiceResult('\(b64)','audio/mp4')")
|
||||
// 推流:webView.evaluateJavaScript("window.onNativeVoiceChunk('\(b64)',16000)")
|
||||
// 结束:stopVoice() 停 tap 即可,不需要回传文件
|
||||
```
|
||||
|
||||
`Info.plist` 需要 `NSMicrophoneUsageDescription`。
|
||||
|
||||
## 五、服务端接口
|
||||
---
|
||||
|
||||
## 六、服务端接口
|
||||
|
||||
```http
|
||||
POST /api/asr/transcribe
|
||||
Content-Type: audio/mp4 # 或 audio/webm / audio/wav / application/octet-stream
|
||||
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
|
||||
Cookie: <登录态> # 与页面同一份 HttpOnly cookie
|
||||
|
||||
<音频二进制>
|
||||
@@ -384,13 +357,13 @@ 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)。
|
||||
- `GET /api/asr/status` → `{"enabled": true}`;未接线时 `{"enabled": false, "reason": "..."}`,
|
||||
三种情况:core 的 `ASR_URL` 为空、`config.yml` 里没有启用的 `asr` 段、该段缺 `X-ASR-Base-Url`。
|
||||
- 上游(key / base_url / model)不在 `mcp_asr` 容器里:core 从 `config.yml` 的
|
||||
`mcp_servers[name=asr].headers` 取出并随请求带给它(`Authorization` / `X-ASR-Base-Url` / `X-ASR-Model`),
|
||||
所以换 ASR 平台只改 YAML + 重启 core。
|
||||
- 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。
|
||||
- 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,
|
||||
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": "..."}`。
|
||||
|
||||
## 六、为什么不用浏览器的 Web Speech API
|
||||
## 七、为什么不用浏览器的 Web Speech API
|
||||
|
||||
- Android WebView 没有实现 `SpeechRecognition`;iOS WKWebView 同样不可用(只有 Safari 有)。
|
||||
- 桌面 Chrome 的识别走 Google 服务,国内基本报 `network`。
|
||||
|
||||
+13
-5
@@ -74,9 +74,13 @@ curl -s -X POST http://mcp_asr:3000/transcribe \
|
||||
# → {"text":"打开今天的日报","ms":842,"model":"whisper-1"}
|
||||
```
|
||||
|
||||
- 上限 20MB;超过 `ASR_MAX_CHUNK_SEC`(默认 25s)的音频自动切片后逐段识别再拼接
|
||||
(多数云端 ASR 单次只吃 ~30s)。
|
||||
- 同时最多 `ASR_MAX_CONCURRENT`(默认 2)个转写,超了回 429。
|
||||
- 上限 20MB。**只有超过 `ASR_MAX_CHUNK_SEC`(默认 25s)才切**:套壳是流式的,一次请求本就是一�句话,
|
||||
直接一次送出去(不跑静音检测);长音频(浏览器整段上传 / `/mcp`)才需要断开。
|
||||
- 切点尽量落在停顿上:只在距上限最后 `ASR_CUT_LOOKBACK_SEC`(默认 6s)的窗口里找静音区间中点,
|
||||
挑不到才硬切——硬切会把字劈成两半,而两段之间没有上下文,接缝处的字就丢了。
|
||||
段数因此最少(≈ 时长/25),不存在“切太碎”的退化。单段不短于 `ASR_MIN_SEG_SEC`(默认 1s)。
|
||||
- 单段失败不连坐:其余段照常返回(长录音里偶发静音段很常见);**全部**段失败才报错。
|
||||
- 同时最多 `ASR_MAX_CONCURRENT`(默认 2)个转写请求,超了回 429。
|
||||
|
||||
## MCP 工具
|
||||
|
||||
@@ -100,10 +104,14 @@ mcp_servers:
|
||||
| 变量 | 默认 | 说明 |
|
||||
|---|---|---|
|
||||
| `ASR_MAX_BYTES` | 20971520 | 单次上传上限 |
|
||||
| `ASR_MAX_CHUNK_SEC` | `25` | 超长音频切片长度,`0` = 不切 |
|
||||
| `ASR_PAUSE_SEC` | `0.5` | 多长的静音算一个停顿(`silencedetect` 的 `d`,仅在需要切时用) |
|
||||
| `ASR_SILENCE_DB` | `-35` | 判定“没人说话”的音量门限(正常语音约 -20dB) |
|
||||
| `ASR_MIN_SEG_SEC` | `1` | 单段最短;避免切出识别不了的碎片 |
|
||||
| `ASR_MAX_CHUNK_SEC` | `25` | 单段最长;≤ 它就不切(一次请求) |
|
||||
| `ASR_CUT_LOOKBACK_SEC` | `6` | 切点搜索窗:只在距上限最后这几秒里找停顿 |
|
||||
| `ASR_MAX_CONCURRENT` | `2` | 并发转写数 |
|
||||
| `ASR_LOG_LEVEL` | `info` | debug / info / warn / error / none |
|
||||
| `FFMPEG_BIN` | `ffmpeg` | 归一化工具路径 |
|
||||
| `FFMPEG_BIN` | `ffmpeg` | 归一化 / 静音检测工具路径 |
|
||||
|
||||
上游参数(key / base_url / model)**不是环境变量**,见上面「上游」一节。
|
||||
|
||||
|
||||
+132
-24
@@ -18,6 +18,10 @@
|
||||
// model——一律由调用方随请求 header 带入,本容器不存任何平台密钥、也不认任何平台默认值。
|
||||
// 音频一律先经 ffmpeg 归一化成 16kHz 单声道 wav:WebView 录出来是 webm/opus,iOS 是 mp4/aac,
|
||||
// 上游只认 wav/mp3,归一化后两端都自由。
|
||||
//
|
||||
// 超长兜底:只有超过单次上限(默认 25s)才断开重发,切点尽量落在停顿上。
|
||||
// 套壳是流式的(客户端已按停顿切好,一次请求就是一句话),所以这里多数请求不会被切;
|
||||
// 真正用得上的是浏览器整段上传与 /mcp 转写已有长音频。
|
||||
|
||||
import http from 'node:http';
|
||||
import { spawn } from 'node:child_process';
|
||||
@@ -40,9 +44,24 @@ const HDR_BASE = 'x-asr-base-url';
|
||||
const HDR_MODEL = 'x-asr-model';
|
||||
// 单次上传上限。60s 的 AAC 约 240KB、16k wav 约 1.9MB,20MB 是给长音频留的余量。
|
||||
const MAX_BYTES = Math.max(1024 * 1024, Number(process.env.ASR_MAX_BYTES || 20 * 1024 * 1024));
|
||||
// 云端多数 ASR 单次只吃 ~30s:超长音频按这个秒数切片后逐段识别再拼接(0 = 不切)。
|
||||
// ── 超长兜底切分 ──────────────────────────────────────────────────────
|
||||
// 谁需要它:套壳是流式的(客户端已经按停顿切好,每次请求就是一句话),
|
||||
// 所以这里绝大多数请求都 ≤ 25s 直接一次送出去;真正用得上的只有
|
||||
// 「浏览器整段上传」和「/mcp 转写已有长音频」——它们可能一次给几分钟。
|
||||
// 切点尽量落在停顿上:硬切会把字劈成两半,而两段之间又没有上下文,接缝处的字就丢了。
|
||||
// 0.5s 是句子边界:换气/想词的停顿通常 0.3~0.8s,而 0.5s 以下是词内间隔。
|
||||
const PAUSE_SEC = Math.max(0.1, Number(process.env.ASR_PAUSE_SEC || 0.5));
|
||||
// 判定为「没人说话」的音量门限:正常语音约 -20dB,安静房间底噪 -60dB 以下。
|
||||
const SILENCE_DB = Number(process.env.ASR_SILENCE_DB || -35);
|
||||
// 单段最短:避免最后切出一个没法识别的碎片(并进前一段)。
|
||||
const MIN_SEG_SEC = Math.max(0, Number(process.env.ASR_MIN_SEG_SEC || 1));
|
||||
// 单段最长(≈ 上游单次能吃的大致上限):超过它就必须断开。
|
||||
// 16k/16bit 单声道 wav 恒为 32000 B/s,所以用文件大小就能估时长,不用再起 ffprobe。
|
||||
const CHUNK_SEC = Math.max(0, Number(process.env.ASR_MAX_CHUNK_SEC || 25));
|
||||
const CHUNK_SEC = Math.max(1, Number(process.env.ASR_MAX_CHUNK_SEC || 25));
|
||||
// 切点搜索窗:只在「距上限还差这么多秒」的范围里找停顿。
|
||||
// 不从头找是为了每段都尽量接近 25s——否则开头一个 2s 的停顿也会被拿来切,
|
||||
// 段数无谓变多(请求开销远大于多切一刀的收益)。
|
||||
const CUT_LOOKBACK_SEC = Math.max(0, Number(process.env.ASR_CUT_LOOKBACK_SEC || 6));
|
||||
// 同时转写数:2 vCPU 上并发再高只会互相拖慢。
|
||||
const MAX_CONCURRENT = Math.max(1, Number(process.env.ASR_MAX_CONCURRENT || 2));
|
||||
|
||||
@@ -141,21 +160,83 @@ async function toWav(buf, ext) {
|
||||
}
|
||||
}
|
||||
|
||||
// 按秒切片:只在超过 CHUNK_SEC 时做。切片用 -c copy,纯 PCM 无损。
|
||||
async function splitWav(wavPath, chunkSec) {
|
||||
// ── 停顿检测与切点规划 ─────────────────────────────────────────────────
|
||||
// 用 ffmpeg 的 silencedetect 找静音区间:容器里本来就有 ffmpeg,它的判定也处理过
|
||||
// 重采样/编码的各种边角,比自己扫 PCM 算 RMS 更省心(一次遍历,30s 音频约 50~150ms)。
|
||||
// 返回 [{start,end}](秒)。末尾那段一直静到文件结束的不会有 silence_end,直接丢掉——
|
||||
// 尾巴不需要切。
|
||||
function parseSilences(stderr) {
|
||||
const out = [];
|
||||
let cur = null;
|
||||
for (const line of String(stderr || '').split('\n')) {
|
||||
const s = /silence_start:\s*(-?[\d.]+)/.exec(line);
|
||||
if (s) { cur = { start: Number(s[1]), end: null }; out.push(cur); continue; }
|
||||
const e = /silence_end:\s*(-?[\d.]+)/.exec(line);
|
||||
if (e && cur) { cur.end = Number(e[1]); cur = null; }
|
||||
}
|
||||
return out.filter((p) => p.end != null && p.end > p.start && p.start >= 0);
|
||||
}
|
||||
|
||||
async function detectPauses(wavPath) {
|
||||
const r = await run(FFMPEG, [
|
||||
'-hide_banner', '-nostats', '-i', wavPath,
|
||||
'-af', 'silencedetect=noise=' + SILENCE_DB + 'dB:d=' + PAUSE_SEC,
|
||||
'-f', 'null', '-',
|
||||
], 60000);
|
||||
return parseSilences(r.stderr);
|
||||
}
|
||||
|
||||
// 由「时长 + 静音区间」规划切点,返回 [0, c1, …, duration]。
|
||||
// 贪心:每次只在「还没超上限」的范围内挑一个切点,因此段数最少(≈ 时长/CHUNK_SEC)。
|
||||
// 只在最后 CUT_LOOKBACK_SEC 秒里找停顿;找不到就硬切到上限处。
|
||||
function planCuts(duration, pauses) {
|
||||
const mids = pauses.map((p) => (p.start + p.end) / 2);
|
||||
const cuts = [0];
|
||||
let cur = 0;
|
||||
while (duration - cur > CHUNK_SEC) {
|
||||
const limit = cur + CHUNK_SEC;
|
||||
const floor = Math.max(cur + MIN_SEG_SEC, limit - CUT_LOOKBACK_SEC);
|
||||
let pick = 0;
|
||||
for (const t of mids) {
|
||||
if (t >= floor && t <= limit && t > pick) pick = t; // 取窗口内最靠后的停顿中点
|
||||
}
|
||||
if (!pick) pick = limit; // 没有停顿:硬切
|
||||
// 别切出一个短于 MIN_SEG_SEC 的尾巴(如 25.6s 不该切成 25 + 0.6):对半分
|
||||
if (duration - pick < MIN_SEG_SEC) pick = cur + (duration - cur) / 2;
|
||||
cuts.push(pick);
|
||||
cur = pick;
|
||||
}
|
||||
cuts.push(duration);
|
||||
return cuts;
|
||||
}
|
||||
|
||||
// 按规划好的切点切片。16k/单声道/s16le 的 PCM 用 -c copy 无损切(不重编码)。
|
||||
async function splitWav(wavPath, cuts) {
|
||||
const dir = path.dirname(wavPath);
|
||||
const base = path.basename(wavPath, '.wav');
|
||||
const pattern = path.join(dir, base + '-part-%03d.wav');
|
||||
await run(FFMPEG, [
|
||||
'-hide_banner', '-loglevel', 'error', '-y',
|
||||
'-i', wavPath,
|
||||
'-f', 'segment', '-segment_time', String(chunkSec), '-c', 'copy',
|
||||
pattern,
|
||||
], 60000);
|
||||
const files = (await fs.readdir(dir))
|
||||
.filter((f) => f.startsWith(base + '-part-') && f.endsWith('.wav'))
|
||||
.sort();
|
||||
return files.map((f) => path.join(dir, f));
|
||||
const parts = [];
|
||||
for (let i = 0; i + 1 < cuts.length; i++) {
|
||||
const p = path.join(dir, base + '-part-' + String(i).padStart(3, '0') + '.wav');
|
||||
await run(FFMPEG, [
|
||||
'-hide_banner', '-loglevel', 'error', '-y',
|
||||
'-ss', String(cuts[i]), '-i', wavPath, '-t', String(cuts[i + 1] - cuts[i]),
|
||||
'-c', 'copy', p,
|
||||
], 60000);
|
||||
parts.push(p);
|
||||
}
|
||||
return parts;
|
||||
}
|
||||
|
||||
// 拼接各段文本:中文直接相连;两侧都是西文字母/数字时补一个空格,
|
||||
// 否则英文句子被切开后会粘成 "helloworld"。
|
||||
function joinText(parts) {
|
||||
let out = '';
|
||||
for (const s of parts) {
|
||||
if (!s) continue;
|
||||
if (out && /[A-Za-z0-9]$/.test(out) && /^[A-Za-z0-9]/.test(s)) out += ' ';
|
||||
out += s;
|
||||
}
|
||||
return out;
|
||||
}
|
||||
|
||||
// ── 引擎 ──────────────────────────────────────────────────────────────────
|
||||
@@ -211,8 +292,12 @@ async function runCloud(wavPath, up) {
|
||||
try { obj = JSON.parse(raw); } catch (_) { return raw.trim(); }
|
||||
const text = extractText(obj);
|
||||
if (!text) {
|
||||
const err = new Error('上游返回为空:' + raw.slice(0, 300));
|
||||
err.status = 502;
|
||||
// 上游对「这段里没人声」会回 200 + 空 text(如 glm-asr 的 {duration,text:"",usage})。
|
||||
// 这是**正常结果**,不是故障:给 400 让上层只记一行 warn(5xx 才打堆栈),
|
||||
// 前端按「没识别到」处理、页面侧单段失败也会被跳过。
|
||||
const err = new Error('没有识别到语音内容(这段音频里没有可识别的人声)');
|
||||
err.status = 400;
|
||||
err.upstream = raw.slice(0, 300);
|
||||
throw err;
|
||||
}
|
||||
return text;
|
||||
@@ -241,9 +326,21 @@ async function transcribeBuffer(buf, opts) {
|
||||
// 每次请求都打一行:原始字节 → 归一化时长。排查“上游说没声音”时第一眼看这个。
|
||||
log('info', '归一化:' + buf.length + 'B (' + ((opts && opts.ext) || '?') + ') → '
|
||||
+ seconds.toFixed(1) + 's wav');
|
||||
if (CHUNK_SEC > 0 && seconds > CHUNK_SEC * 1.2) {
|
||||
parts.push(...await splitWav(wavPath, CHUNK_SEC));
|
||||
log('info', '超长音频切成 ' + parts.length + ' 段');
|
||||
|
||||
// 只有超长才切:套壳是流式的,每次请求本来就是一�句话(1~5s),
|
||||
// 这里直接一次送出去,不用白白跑一趟 silencedetect。
|
||||
let cuts = [0, seconds];
|
||||
if (seconds > CHUNK_SEC) {
|
||||
const pauses = await detectPauses(wavPath).catch((e) => {
|
||||
log('warn', '静音检测失败,按 ' + CHUNK_SEC + 's 硬切:' + String(e && e.message || e).slice(0, 160));
|
||||
return [];
|
||||
});
|
||||
cuts = planCuts(seconds, pauses);
|
||||
if (cuts.length > 2) {
|
||||
parts.push(...await splitWav(wavPath, cuts));
|
||||
log('info', '超长切成 ' + parts.length + ' 段,切点 '
|
||||
+ cuts.slice(1, -1).map((t) => t.toFixed(1) + 's').join(' / '));
|
||||
}
|
||||
}
|
||||
if (!parts.length) {
|
||||
try {
|
||||
@@ -259,15 +356,26 @@ async function transcribeBuffer(buf, opts) {
|
||||
}
|
||||
|
||||
const out = [];
|
||||
for (const p of parts) {
|
||||
let firstErr = null;
|
||||
for (let i = 0; i < parts.length; i++) {
|
||||
const t0 = Date.now();
|
||||
const range = cuts[i].toFixed(1) + '–' + cuts[i + 1].toFixed(1) + 's';
|
||||
// 每段独立识别;单段失败不连累其他段(长录音里偶发静音段常见)
|
||||
try {
|
||||
out.push((await runCloud(p, up)).trim());
|
||||
const text = (await runCloud(parts[i], up)).trim();
|
||||
log('info', ' part ' + (i + 1) + '/' + parts.length + ' ' + range + ' → '
|
||||
+ text.length + ' 字 / ' + (Date.now() - t0) + 'ms');
|
||||
out.push(text);
|
||||
} catch (e) {
|
||||
log('warn', '切片识别失败(跳过):' + String(e && e.message || e).slice(0, 200));
|
||||
if (!firstErr) firstErr = e;
|
||||
log('warn', ' part ' + (i + 1) + '/' + parts.length + ' ' + range
|
||||
+ ' 识别失败(跳过):' + String(e && e.message || e).slice(0, 200));
|
||||
}
|
||||
}
|
||||
return out.filter(Boolean).join('');
|
||||
// 全部失败才报错:否则前端只会看到 200 + 空文本,分不清是「没说话」还是「上游挂了」。
|
||||
// 部分失败保持静默降级(长录音里某一段坏了不该连坐)。
|
||||
if (!out.length && firstErr) throw firstErr;
|
||||
return joinText(out);
|
||||
} finally {
|
||||
await fs.rm(wavPath, { force: true }).catch(() => {});
|
||||
for (const p of parts) await fs.rm(p, { force: true }).catch(() => {});
|
||||
|
||||
Reference in New Issue
Block a user