# 语音输入:客户端录音契约 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) | **`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 ### 1. 注入时机 必须在 **`loadUrl()` 之前**注册,不要在 `onPageFinished` 里用 `evaluateJavascript` 注入: ```java webView.setWebViewClient(/* ... */); webView.addJavascriptInterface(new VoiceBridge(activity, webView), "AgentNative"); webView.loadUrl(startUrl); ``` `addJavascriptInterface` 的绑定对所有后续导航生效;在 `onPageFinished` 里再注入,首屏那次 加载会拿不到 `window.AgentNative`(页面脚本已经跑完了)。 ### 2. 方法(壳实现) ```js window.AgentNative = { 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) }; ``` ### 3. 回调(页面定义,壳调用) ```js 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 ``` #### `onNativeVoiceChunk(base64Pcm, sampleRate)` - 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。 #### `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「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。 ### 4. 体积与时序 - 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。 --- ## 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。 ```java // AndroidManifest.xml // public final class VoiceBridge { private static final int REQ_MIC = 1001; 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 } private final Activity activity; private final WebView webView; private final Handler main = new Handler(Looper.getMainLooper()); private final Runnable autoStop = this::stopOnMain; private State state = State.IDLE; private AudioRecord record; private Thread worker; private volatile boolean running; public VoiceBridge(Activity activity, WebView webView) { this.activity = activity; this.webView = webView; } // ---- JS 入口:JavaBridge 线程 → 主线程 ---- @JavascriptInterface public void startVoice() { main.post(this::startOnMain); } @JavascriptInterface public void stopVoice() { main.post(this::stopOnMain); } @JavascriptInterface public void cancelVoice() { main.post(() -> cancelOnMain(true)); } // ---- 生命周期:由 Activity / WebViewClient 调用 ---- // 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) 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; main.post(() -> { if (state != State.WAITING_PERMISSION) return; state = State.IDLE; 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,不让用户再点一次 }); } private void startOnMain() { if (state != State.IDLE) return; // 第三方 CDN 脚本同样能调这个桥:只允许自家页面 + 前台时录音 if (!UrlPolicy.isAllowed(webView.getUrl()) || !activity.hasWindowFocus()) { fail("forbidden", "当前页面不允许录音"); return; } if (ContextCompat.checkSelfPermission(activity, Manifest.permission.RECORD_AUDIO) != PackageManager.PERMISSION_GRANTED) { state = State.WAITING_PERMISSION; ActivityCompat.requestPermissions( activity, new String[]{Manifest.permission.RECORD_AUDIO}, REQ_MIC); return; } beginRecording(); } 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) { try { 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; } /** 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); } 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) { } } } private void stopOnMain() { if (state != State.RECORDING) return; main.removeCallbacks(autoStop); 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); boolean wasActive = state != State.IDLE; stopCapture(); state = State.IDLE; if (notify && wasActive) js("window.onNativeVoiceError('cancelled','')"); } 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) { js("window.onNativeVoiceError(" + JSONObject.quote(code) + "," + JSONObject.quote(message) + ")"); } private void js(String script) { webView.post(() -> webView.evaluateJavascript(script, null)); } } ``` 接线: ```java // setupWebView() 里,loadUrl 之前 webView.addJavascriptInterface(new VoiceBridge(this, webView), "AgentNative"); @Override public void onRequestPermissionsResult(int code, String[] p, int[] r) { 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(); } // 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。 --- ## 四、壳侧必须同步的清单 | 项 | 内容 | |---|---| | `AndroidManifest.xml` | `` | | `proguard-rules.pro` | 保留桥:`-keepclassmembers class * { @android.webkit.JavascriptInterface ; }`,并删掉「本项目未使用 addJavascriptInterface」的注释 | | 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 | | 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。 --- ## 五、iOS(以后若有 WKWebView 壳) 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, ...) // 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`。 --- ## 六、服务端接口 ```http POST /api/asr/transcribe 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> ``` ```json { "text": "打开今天的日报", "ms": 842, "model": "whisper-1" } ``` - 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」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(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": "..."}`。 ## 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`。 - 三端行为不一致、错误码各异,最后还是要留一条服务端通路——不如只留一条。