[audio][ASR] 激活后应立即打开麦克风，避免等待建连导致丢失开头语音

[HKLHaoBin]

Summary

在 Android 悬浮球和 Windows 桌面版上，点击/激活录音后，麦克风并不是立即进入可用状态，而是要先等待一段时间。用户通常会在点击后马上说话，不会等录音动画完全亮起，因此开头几个字经常丢失。

另外，目前实时 ASR 的中间结果并不会在录音过程中流式显示出来。既然当前 streaming path 没有提供可见的实时文字，我建议评估将传统听写改为「先完整录音，再把录音文件交给 ASR 转写」的非流式方案，或至少提供这一方案作为稳定模式。

Reproduction

1. 配置云端 ASR（当前测试日志使用 Bailian ASR）。
2. Android 点击悬浮球，或在 Windows 桌面版激活听写。
3. 点击后立即开始说话，不等待胶囊/录音动画完全亮起。
4. 观察启动等待、开头语音丢失，以及录音期间没有实时原文显示。

Observed behavior

• Android 和 Windows 都能复现，说明问题很可能位于跨平台 Core 录音管线，而不是单一平台的麦克风权限或驱动。

• Windows 日志中的一次启动：

  03:32:32.368 [cli] dispatching intent=ToggleDictation
  03:32:32.798 [recorder] inputDevice=麦克风 ...
  03:32:33.398 [recorder] cb#1 ...
  

  另一段启动中，dispatch 到 inputDevice 约 0.8 秒，首个音频回调又晚约 0.6 秒。

• Android 日志中，inputDevice 到首个 cpal 回调通常还需要约 0.3–0.5 秒。

• 两端随后都能持续收到非零 PCM，说明麦克风本身可以正常工作。

• 当前实时 ASR 的 partial/interim 结果没有显示在胶囊或输入目标中，因此用户无法确认刚才说的内容是否已经被接收。

Technical findings

在当前 Core 2.0 管线中，启动顺序是：

TranscriptionEngine::start()
  └─ 云端 ASR open_session()（DNS/TCP/TLS/WebSocket 建连）
       └─ AudioRecorder::start()
            └─ 第一个 PCM 回调

PipelineDictationEngine::start_voice_capture / start 会先等待 transcription_engine.start(...).await，之后才调用 recorder.start(...).await。Bailian 的 build_cloud_transcription_session 每次会话都会创建新的实时 ASR 实例并等待 open_session()；当前 WebSocket 建连超时上限为 5 秒。

这与 fc38edd1（2026-09-06，Core 2.0 consolidation）之前的行为不同：旧协调器先启动 Recorder，再通过 deferred PCM bridge 缓冲等待 ASR 建连的音频。因此旧流程不会把云端网络等待放在“麦克风尚未启动”的前面。

Expected behavior

• 激活录音后应立即请求并打开系统麦克风。
• 用户点击后马上说话时，首个 PCM 不应因为 ASR 建连而丢失。
• 如果 ASR 尚未准备好，应在内存中缓冲已经采集到的 PCM，待 ASR 可用后再发送。
• 录音期间应显示实时原文；如果当前 streaming path 无法稳定提供 partial 结果，应明确提供非流式模式，而不是让用户误以为实时转写已经在工作。

Proposal

请评估以下方案之一：

1. 恢复「Recorder first + deferred PCM bridge」：先开麦、立即采集 PCM，同时异步建立实时 ASR；
2. 对传统听写提供「录音文件 ASR」模式：点击后只负责稳定录音，停止后将 WAV/PCM 文件提交给支持批量转写的 ASR；
3. 将实时流式 ASR 保留为可选模式，并在 partial 结果不可用时自动回退到文件式转写。

文件式方案未必对每个 provider 都能降低总转写耗时，但它应能显著改善录音启动体验、首字保留和网络抖动下的稳定性；建议在 Android/Windows 上实测端到端耗时后决定默认模式。

Related issues

• Keep provider connections alive: TLS handshake costs 4.2s and is paid twice per dictation #998 — Keep provider connections alive: TLS handshake costs 4.2s and is paid twice per dictation
• Feature(StreamInput): 输入过程中将实时文字插入输入框 #1004 — Feature(StreamInput): 输入当中看不到实时的文字转换和显示
• 热键 bridge 串行阻塞：一次慢 IO 就能让热键彻底失灵（已为此挖了三条旁路） #872 — 热键 bridge 串行阻塞：一次慢 IO 就能让热键彻底失灵

Environment

• OpenLess Android floating overlay
• OpenLess Windows desktop
• Logs captured on 2026-09-17
• Current Core 2.0 branch after fc38edd1

[H-Chris233]

受理