Provider 系统

Provider 系统是 DeLive 对 ASR 后端的抽象层，将六种不同的语音识别服务统一在通用契约之后。

架构

ProviderRegistry（单例）
  ├── register(entry: { info, create })
  ├── getInfo(vendorId) → ASRProviderInfo
  └── createProvider(vendorId) → ASRProvider

ASRProvider（接口）
  ├── connect(config) → Promise<void>
  ├── disconnect() → Promise<void>
  ├── sendAudio(data: Blob | ArrayBuffer) → void
  └── events: onTokens, onPartial, onFinal, onError, onFinished

BaseASRProvider（抽象类）
  ├── 状态机: idle → connecting → connected → disconnecting
  ├── 事件发射器（Map of callbacks）
  └── 辅助方法: emitToken, emitPartial, emitFinal 等

WindowedBatchTranscriptionProvider<TChunk>（继承 BaseASRProvider）
  ├── RollingAudioBuffer（最长 45s 滑动窗口）
  ├── 调度: 定时或防抖
  ├── TranscriptStabilizer（提交稳定文本前缀）
  └── 抽象方法: transcribeWindow(), resolveAudioChunk()

Provider 注册

ProviderRegistry 是将 vendor ID 映射到工厂函数的单例。六个 Provider 在模块加载时通过 registerDefaultProviders() 注册。

ASRProviderInfo

每个 Provider 通过 ASRProviderInfo 声明其能力：

• audioInputMode: 'media-recorder' 或 'pcm16'
• audioProfile: 采样率、声道数、payload 格式、块时序
• transport: 执行模式、捕获重启策略
• 功能标志: supportsTranslation、supportsSpeakerDiarization、prefersTokenEvents

事件系统

事件	Payload	说明
onTokens	TranscriptToken[]	Token 级更新（Soniox）
onPartial	string	部分/进行中文本
onFinal	string	最终已提交文本
onError	ASRError	带代码和消息的错误
onStateChange	ASRProviderState	Provider 状态变化
onFinished	—	Provider 会话正常完成

当 prefersTokenEvents 为 true（Soniox）时，ProviderSessionManager 不 注册 onPartial 和 onFinal 监听器 — 而是从 onTokens 派生文本。

窗口批处理转录

四个 Provider（Groq、硅基流动、本地 OpenAI、whisper.cpp）继承 WindowedBatchTranscriptionProvider：

滚动音频缓冲区

RollingAudioBuffer<TChunk> 存储带时间戳的音频块，最大持续时间 45 秒。超出限制时裁剪最旧的块。

调度

• 定时模式（Groq、硅基流动、whisper.cpp）：每 1500ms setInterval 触发重新转录
• 防抖模式（本地 OpenAI）：每个新音频块重置 1200ms setTimeout（与 transcribeIntervalMs 同值）

稳定化

TranscriptStabilizer 比较连续转录结果：

1. 找到新旧转录之间的最长公共前缀
2. 将稳定前缀作为最终文本提交
3. 将剩余部分作为部分文本发出

防止 UI 中相同音频窗口产生略有不同转录时的文本闪烁。

文本重叠处理

滚动缓冲区前进时，buildWindowedTranscriptSnapshot 剥离已提交文本尾部和新窗口转录之间最多 200 字符 的重叠，避免重复内容。

音频管线

CaptureManager 根据 capabilities.audioInputMode 选择音频路径：

MediaRecorder 路径

Soniox 和本地 OpenAI 兼容使用。

1. getDisplayMedia({ audio: true }) → MediaStream
2. MediaRecorder 使用 audio/webm;codecs=opus（或回退）
3. ondataavailable 每 100ms → Blob 块
4. 块转发到 provider.sendAudio(blob)

PCM16 路径

火山引擎、Groq、硅基流动和 whisper.cpp 使用。

1. getDisplayMedia({ audio: true }) → MediaStream
2. AudioProcessor 使用 AudioWorklet（首选）或 ScriptProcessorNode（回退）
3. 重采样到 16 kHz 单声道
4. Float32 → Int16 转换 → ArrayBuffer 块
5. 块转发到 provider.sendAudio(buffer)