一口气说不停顿是语音输入最慢的路径:没有 0.5s 停顿就一段都发不出去, 只能等松手整段上传。改成累计语音到 6s 就在低能量处分段发出: - 只在尾部 3s 窗口里找切点:太靠前会把很久以前的低点当作刀口 - 切点按分片边界取:每片已有峰值 dB(与 segChunks 平行的 segLens/segDbs), 取最小者下刀,尾部静音是 -Infinity 会天然胜出 → 落在气口上 - 切完剩下的留在缓冲继续累积,不丢采样、不重复;真静音切点仍优先 - 25s 硬切保留作兜底(软切一直不成立时才会走到) - silLen 在切后被钳到剩余长度:切点落在尾巴静音里时不能超过段长 代价:刀口是分片粒度(APK 约 100ms),可能劈在字中间,所以段更短; 调大 VAD_SOFT_CUT_SEC 可让切点更可能落在真实气口。
18 KiB
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://<IP>) |
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)
- 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)。 - 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。 一直不停顿地长说时,累计约 6s 会在能量最低的分片边界先切一刀(软切)→ 同样先发出去, 否则整段只能憋到松手才上传(这是最慢的路径)。
- 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。
- 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。
- 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、6s 软切与 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://<IP>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:
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)
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)
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。
// AndroidManifest.xml
// <uses-permission android:name="android.permission.RECORD_AUDIO" />
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:
// 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 |
<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 | 「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):
// 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
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>
{ "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。