feat(web): 语音输入(讯飞语音听写 IAT)(bump 0.47.0)

- core/asr_xfyun.py:IAT wss 客户端(HMAC-SHA256 签名 / 9600B 帧 / vad_eos=10000),整段 PCM→文本
- web/app.py:POST /v1/asr/transcribe(裸 PCM 16k/16bit/mono body,>60s→413,未配 env→501,讯飞错→502)
- 前端「🎙 语音」按钮:Web Audio 采 PCM 降采样 16k → 转写 → insertText 填输入框(接 undo 栈,不自动发送);60s 自动停;渠道只读镜像锁定
- 凭据走 env XFYUN_APPID/API_KEY/API_SECRET(.env 当前为测试 key,待换正式)
- scripts/diag_asr.py 链路诊断;requirements 显式加 websockets
- 已实测:TTS 合成 5.2s 中文经端点转写逐字正确;企微语音(AMR 需 ffmpeg)留二期

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

PROGRESS.md

@@ -23,6 +23,7 @@
 
 ### 2026-07
 
+- **07-07 / 0.47.0**:web 端语音输入(讯飞语音听写 IAT)——聊天输入区新增「🎙 语音」按钮:点击录音(Web Audio ScriptProcessor 采 PCM → 前端线性插值降采样 16k/16bit/mono)→ 再点停止 → `POST /v1/asr/transcribe`(裸 PCM body,require_user)→ 后端 `core/asr_xfyun.py` 连讯飞 wss(HMAC-SHA256 签名,9600B/帧 40ms 节奏,vad_eos=10000 防句间停顿截尾,未开 dwa 整段拼接)→ 文本 insertText 插输入框光标处(接原生 undo 栈,**不自动发送**)。60s 上限自动停(讯飞单会话限制);录音需 HTTPS/localhost;渠道只读镜像 task 按钮锁定;`XFYUN_APPID/API_KEY/API_SECRET` env 未配返 501(**当前 .env 为测试 key,待换正式**)。诊断 `scripts/diag_asr.py`(静音冒烟 / 带 PCM 文件真测);requirements 显式加 `websockets`。已实测:TTS 合成中文 5.2s 音频经端点转写逐字正确。企微语音消息(AMR 需 ffmpeg 转码)留待二期;将来流式逐字上屏可复用 `build_auth_url` 签临时 URL。
 - **07-07 / 0.46.2**:消息分页窗口对齐轮次边界(纯前端,`chat.js`)——原按固定 30 条翻页/跳转,窗口边界常切在 assistant 工具调用序列中间(顶部出现孤儿 tool 消息),点目录圆点用 `before_idx=idx+11` 启发式(长轮拉不全、短轮混无关上文)。业界调研确认:分页单位保持消息条数是共识(Discord/OpenAI 均按条 + 每页上限,轮次大小无上界不能当传输单位),轮次归组属渲染层职责。实现:idx 连续 + outline 已含全部 user 轮次起点 → 前端可精确算区间,后端 API 零改动。① 向上翻页 `alignedEarlierLimit`:从窗口顶往前按整轮累加攒够 30 条,新窗口顶恒为 user 消息;② 圆点跳转:`after_idx=起点-1` + 相邻边界差精确拉整轮(短轮补到 30 铺满、超大轮按 `MSG_FETCH_MAX=100` 截断,后续向上加载逐步自愈对齐);③ outline 未加载/idx 不在 outline → 回退旧按条行为。后端 limit 无 clamp,前端以 100 硬上限自律。
 - **07-07 / 0.46.1**:撤除企微欢迎推送机制——实际部署采用聊天优先布局(不配应用主页 + 菜单「工作台」按钮)后,点应用直进会话,冷启动问题不复存在,0.46.0 的欢迎推送成了死重:删 `wecom_welcomes` 表(migration 0021 撤下,DB 已 downgrade 回 0020,表建后无一行写入)、`maybe_send_wecom_welcome`、免登回调欢迎钩子、群发脚本、`list_visible_userids`。**保留**:未绑定入站回绑定指引(聊天优先下必需)、`core/branding.py` 品牌单一源。RUN.md 企微段只留推荐布局 + 未绑定指引两条。
 - **07-07 / 0.46.0**:企业微信会话冷启动 + 未绑定入站回指引——背景:应用配了「应用主页」后点应用只进主页,应用会话要等应用发过第一条消息才出现在成员消息列表(首次登录的员工没入口和 bot 打字)。最终采用**聊天优先布局**(企微后台不配主页、菜单放「工作台」按钮指向 `/v1/wecom/entry`,点应用直进会话),代码侧:① 回调对**未绑定成员**的 text/图片/文件消息不再静默,每条回一句绑定指引(聊天优先下新员工上来就打字,静默会被当成 bot 坏了;事件不回);② 新表 `wecom_welcomes`(0021,wecom_userid PK,未绑定成员也能去重)+ `service.maybe_send_wecom_welcome`(两层去重:已推过 / 已绑定且有 chat task;claim-first INSERT 并发安全,发送失败释放占坑),免登入口回调对首次进入的成员自动推欢迎语(菜单「工作台」/主页两条路都触发);③ 可选工具 `scripts/wecom_welcome_broadcast.py`:配主页布局下给存量成员批量"种"会话入口(`--dry-run` 先看名单;可见范围枚举 `wecom.list_visible_userids`:agent/get + 部门/标签展开);④ 品牌名单一事实源挪到 `core/branding.py`(web 层外的欢迎语也要用,app.py BRAND 引它)。RUN.md 企微段同步推荐布局。
@@ -207,6 +208,7 @@ core/memory.py              81   ← per-user `.memory/` dotfile
 core/export_docx.py        383
 core/storage/{__init__,engine,models,usage,utils}.py  ← 4 表(0004-0007 演进);record_chat/image_usage
 core/ark_client.py         105   ← 火山方舟 HTTP 客户端
+core/asr_xfyun.py          170   ← 讯飞语音听写 IAT wss 客户端(整段 PCM→文本;web 语音输入用,diag: scripts/diag_asr.py)
 core/agent_builder.py      340   ← 装配 lib(有 ARK_API_KEY 才挂 SeedreamTool);build_skill_registry 装两来源
 core/executor.py / sandbox/{network,pool}.py / executor_docker.py  ← Executor ABC + Docker per-user 容器池
 tools/{base,fs,shell,run_python,skill_tool,skill_authoring,seedream,seedance,web_search,web_fetch,documents,materials_project}.py  ← skill_authoring=save_skill/fork_skill(host-side 写 user .skills)

RUN.md

@@ -85,6 +85,12 @@
   # 用户即可在企业微信里直接和 zcbot 对话(回调 URL = <公网 base>/v1/wecom/callback)。
   # WECOM_CALLBACK_TOKEN=...          # 接收消息 Token(企微后台生成)
   # WECOM_CALLBACK_AESKEY=...         # EncodingAESKey(43 字符,企微后台生成)
+  # 讯飞语音听写(web 端「🎙 语音」麦克风输入,core/asr_xfyun.py):可选,三件套齐才可用,
+  # 未配时点按钮转写返 501。控制台 https://console.xfyun.cn/ 开通「语音听写(流式版)」取凭据。
+  # 验证链路:`.venv/Scripts/python.exe scripts/diag_asr.py`(静音冒烟)或带 PCM 文件参数真测。
+  # XFYUN_APPID=...
+  # XFYUN_API_KEY=...
+  # XFYUN_API_SECRET=...
   # 对外品牌名:zcbot 是内部代号,所有用户可见文案(页面标题/顶栏/登录卡/微信·企微推送与
   # 提示页)统一用品牌名。/healthz 返回 brand 字段,前端 boot 拉取覆盖静态页默认值。
   # ZCBOT_BRAND_NAME=总院科研辅助助手   # 可选,默认即此值
@@ -226,6 +232,7 @@ curl --noproxy '*' -H "Authorization: Bearer $TOKEN" http://127.0.0.1:8765/v1/ta
 | `POST /v1/tasks/{id}/cancel` | 协作式 cancel;`run_status != running` → 409;LLM 走 streaming,chunk 间 poll cancel — 延迟 100ms 级,基本秒退 | 必填 |
 | `POST /v1/tasks/{id}/clear` | 清空当前 task 全部 messages + reset `tasks.tokens_prompt/completion/cost_cny` 三列累计 + `run_status='idle'`;`usage_events`(账单记账)**不动**,只 `message_id` 列变 NULL;run 活跃中(running/cancelling)→ 409(先 cancel);FS 文件保留 | 必填 |
 | `POST /v1/tasks/{id}/optimize_prompt` | body `{text(req, ≤4000), image_model?=""}`;同步调当前 task model 润色草稿,返 `{optimized, model_profile, tokens_in, tokens_out, cost_cny}`;**不**写 messages、**不**累计 task 三列(顶栏数字不污染),只在 `usage_events` 写一行 `kind="prompt_optimize"`(对账可见);不与主对话 run 互斥(允许 streaming 中并行润色) | 必填 |
+| `POST /v1/asr/transcribe` | body 为裸 PCM(16kHz/16bit/单声道/小端,`application/octet-stream`)→ 讯飞 IAT 整段转写,返 `{text}`;>60s → 413;`XFYUN_*` env 未配 → 501;讯飞侧错误 → 502(带错误码提示)。前端「🎙 语音」按钮用 | 必填 |
 | `GET /v1/files?path=` | 列 user_root 下条目 + 面包屑;dotfile 隐藏 | 必填 |
 | `GET /v1/files/download?path=` | 下单文件 | 必填 |
 | `POST /v1/files/upload` | multipart 上传到 `<user_root>/<path>/`;路径不存在自动 mkdir,重名覆盖 | 必填 |
@@ -816,6 +823,7 @@ sudo xfs_quota -x -c "limit -p bhard=10g zcbot_<user_uuid>" /opt
 | Export 报 "无可导出内容" | task 没 messages(只 system 不算);先发条消息再 export |
 | `NoSubtaskError: working_dir ... 前缀嵌套` | §7.4 no-subtask:同 user 不允许 working_dir 嵌套(child / parent)。**同项目多对话**用**完全相同**的 working_dir;否则改成 sibling(平级) |
 | `main.py web` 启动后 curl 连不上 | 检查 proxy(`HTTP_PROXY` / `HTTPS_PROXY`):本地服务 127.0.0.1,系统 proxy 拦截会 502。临时 `unset HTTP_PROXY HTTPS_PROXY` 或 `curl --noproxy '*'`。验通:`curl --noproxy '*' http://127.0.0.1:8765/healthz` |
+| 「🎙 语音」点了没反应 / 提示"此环境不支持录音" | 浏览器只在**安全上下文**(HTTPS 或 localhost)开放麦克风;http://IP 访问必现。上 HTTPS 或本机 localhost 试。凭据/链路问题跑 `scripts/diag_asr.py` 定位(11200=讯飞服务未开通或量用完,10105/10313=appid 错) |
 | SSE 卡住不流(经 nginx) | 反代要关 buffering — 后端响应头已带 `X-Accel-Buffering: no`(nginx ≥1.5.6 默认认)。仍卡看 nginx 配 `proxy_buffering off; proxy_read_timeout 3600s;` |
 | platform CORS preflight 失败 | 本地 dev `allow_origins=["*"]` 应该没事;部署后看是否按 platform 域名收紧过头 |
 | `POST /v1/tasks/{id}/messages` 返 409 `task already has an active run` | 上一条消息的 BG run 还没跑完;等流式 done 或点 stop / `POST .../cancel`;服务异常下 `run_status` 卡 `running`/`cancelling`,启动 reaper 会清 |

core/__init__.py

@@ -1,3 +1,3 @@
 # zcbot 版本号单一事实源:web/app.py 的 FastAPI version、/healthz 返回、前端展示都引这里。
 # 改版本只动这一行。
-__version__ = "0.46.2"
+__version__ = "0.47.0"

core/asr_xfyun.py

@@ -0,0 +1,157 @@
+"""讯飞语音听写(IAT,流式版)WebSocket 客户端 — 整段音频转写。
+
+接口文档: https://www.xfyun.cn/doc/asr/voicedictation/API.html
+- 鉴权: HMAC-SHA256 签名拼进 wss URL query(authorization/date/host)
+- 音频: 仅收 16kHz/16bit/单声道 PCM(raw),单会话上限 60 秒
+- 凭据: env XFYUN_APPID / XFYUN_API_KEY / XFYUN_API_SECRET(换正式 key 只改 .env)
+
+本模块只做"整段 PCM → 最终文本"(web 语音输入按钮用);未开 dwa 动态修正 ——
+那是实时逐字上屏才需要的,整段转写直接按序拼接 result.ws 即可。将来做流式
+上屏时复用 build_auth_url() 签临时 URL 给前端直连。
+"""
+from __future__ import annotations
+
+import asyncio
+import base64
+import hashlib
+import hmac
+import json
+import os
+import time
+from contextlib import suppress
+from urllib.parse import urlencode
+from wsgiref.handlers import format_date_time
+
+XFYUN_HOST = "iat-api.xfyun.cn"
+XFYUN_PATH = "/v2/iat"
+
+SAMPLE_RATE = 16000
+BYTES_PER_SECOND = SAMPLE_RATE * 2  # 16bit mono
+MAX_SECONDS = 60                    # 讯飞单会话硬上限
+MAX_PCM_BYTES = MAX_SECONDS * BYTES_PER_SECOND
+
+# 每帧 9600B(=300ms 音频),base64 后 12800B < 讯飞单帧上限 13000B;
+# 帧间 40ms 为文档推荐节奏,整段上传比实时快 7.5 倍(60s 音频 ≈ 8s 传完)
+_FRAME_BYTES = 9600
+_FRAME_INTERVAL = 0.04
+_RECV_TIMEOUT = 30  # 单次等响应上限;讯飞 10s 无数据也会主动断
+
+# 常见错误码 → 给用户/运维看的中文提示(全量见文档错误码页)
+_ERR_HINTS = {
+    10105: "appid 不合法(检查 XFYUN_APPID)",
+    10107: "参数值非法",
+    10110: "无授权许可(服务未开通或已过期)",
+    10114: "会话超时(单次音频超 60 秒)",
+    10163: "业务参数校验失败",
+    10165: "会话句柄无效",
+    10313: "appid 不能为空或与 apikey 不匹配",
+    11200: "无权限或用量已用完(检查讯飞控制台服务量)",
+    11201: "当日流控超限",
+}
+
+
+class XfyunASRError(RuntimeError):
+    """转写失败(讯飞返回错误码 / 连接异常),code 为讯飞错误码(连接类异常为 None)。"""
+
+    def __init__(self, message: str, code: int | None = None):
+        super().__init__(message)
+        self.code = code
+
+
+class XfyunASRNotConfigured(XfyunASRError):
+    """XFYUN_* env 未配置 — 上层应返回 501 而非 502。"""
+
+
+def build_auth_url(api_key: str, api_secret: str) -> str:
+    """按讯飞规范生成带签名的 wss URL(date 用 RFC1123 GMT)。"""
+    date = format_date_time(time.time())
+    signature_origin = f"host: {XFYUN_HOST}\ndate: {date}\nGET {XFYUN_PATH} HTTP/1.1"
+    signature = base64.b64encode(
+        hmac.new(api_secret.encode(), signature_origin.encode(), hashlib.sha256).digest()
+    ).decode()
+    authorization_origin = (
+        f'api_key="{api_key}", algorithm="hmac-sha256", '
+        f'headers="host date request-line", signature="{signature}"'
+    )
+    authorization = base64.b64encode(authorization_origin.encode()).decode()
+    query = urlencode({"authorization": authorization, "date": date, "host": XFYUN_HOST})
+    return f"wss://{XFYUN_HOST}{XFYUN_PATH}?{query}"
+
+
+def _load_credentials() -> tuple[str, str, str]:
+    appid = (os.getenv("XFYUN_APPID") or "").strip()
+    api_key = (os.getenv("XFYUN_API_KEY") or "").strip()
+    api_secret = (os.getenv("XFYUN_API_SECRET") or "").strip()
+    if not (appid and api_key and api_secret):
+        raise XfyunASRNotConfigured(
+            "语音识别未配置:需在 .env 设 XFYUN_APPID / XFYUN_API_KEY / XFYUN_API_SECRET"
+        )
+    return appid, api_key, api_secret
+
+
+async def transcribe(pcm: bytes, *, language: str = "zh_cn") -> str:
+    """整段 PCM(16k/16bit/mono, 小端)→ 识别文本。空音频/纯静音返回 ""。"""
+    appid, api_key, api_secret = _load_credentials()
+    if not pcm:
+        return ""
+    if len(pcm) > MAX_PCM_BYTES:
+        raise XfyunASRError(f"音频超长:最多 {MAX_SECONDS} 秒")
+
+    import websockets  # uvicorn[standard] 附带;requirements 亦显式声明
+
+    audio_meta = {"format": f"audio/L16;rate={SAMPLE_RATE}", "encoding": "raw"}
+
+    async def _send_frames(ws) -> None:
+        first = True
+        for off in range(0, len(pcm), _FRAME_BYTES):
+            chunk = base64.b64encode(pcm[off : off + _FRAME_BYTES]).decode()
+            frame: dict = {"data": {"status": 1 if not first else 0, **audio_meta, "audio": chunk}}
+            if first:
+                frame["common"] = {"app_id": appid}
+                # vad_eos 拉到上限 10s:整段转写不希望句间停顿被判"说完了"截尾
+                frame["business"] = {
+                    "language": language,
+                    "domain": "iat",
+                    "accent": "mandarin",
+                    "vad_eos": 10000,
+                    "ptt": 1,
+                }
+                first = False
+            await ws.send(json.dumps(frame))
+            await asyncio.sleep(_FRAME_INTERVAL)
+        await ws.send(json.dumps({"data": {"status": 2, **audio_meta, "audio": ""}}))
+
+    pieces: list[str] = []
+    try:
+        async with websockets.connect(build_auth_url(api_key, api_secret), open_timeout=10) as ws:
+            send_task = asyncio.create_task(_send_frames(ws))
+            try:
+                while True:
+                    raw = await asyncio.wait_for(ws.recv(), timeout=_RECV_TIMEOUT)
+                    msg = json.loads(raw)
+                    code = msg.get("code")
+                    if code:
+                        hint = _ERR_HINTS.get(code, msg.get("message") or "未知错误")
+                        raise XfyunASRError(f"讯飞识别失败({code}):{hint}", code=code)
+                    data = msg.get("data") or {}
+                    result = data.get("result") or {}
+                    pieces.append(
+                        "".join(
+                            cw.get("w", "")
+                            for w in (result.get("ws") or [])
+                            for cw in (w.get("cw") or [])
+                        )
+                    )
+                    if data.get("status") == 2:
+                        break
+            finally:
+                send_task.cancel()
+                with suppress(asyncio.CancelledError):
+                    await send_task
+    except XfyunASRError:
+        raise
+    except asyncio.TimeoutError:
+        raise XfyunASRError("讯飞识别超时(30s 无响应)")
+    except Exception as e:  # 握手 401/连接断开等
+        raise XfyunASRError(f"讯飞连接失败:{type(e).__name__}: {e}")
+    return "".join(pieces).strip()

requirements.txt

@@ -20,6 +20,9 @@ markitdown[pdf,docx,pptx,xlsx]>=0.0.1
 httpx>=0.27.0
 html2text>=2024.0
 
+# 语音听写(core/asr_xfyun.py 连讯飞 IAT wss;uvicorn[standard] 也附带,这里显式声明直接依赖)
+websockets>=12.0
+
 # 定时任务(§8.5 scheduled_jobs):cron 串 → next_run_at 计算,正确处理 dom/dow OR 语义 + 时区
 croniter>=2.0
 

scripts/diag_asr.py

@@ -0,0 +1,67 @@
+"""讯飞语音听写(IAT)诊断:验证 XFYUN_* 凭据 + wss 协议链路是否通。
+
+用法(.env 在仓库根):
+  .venv/Scripts/python.exe scripts/diag_asr.py            # 2s 静音冒烟(验鉴权/协议,预期空文本)
+  .venv/Scripts/python.exe scripts/diag_asr.py <pcm文件>  # 真实音频(16k/16bit/mono 裸 PCM)
+
+ASCII 输出(Windows 控制台 GBK,不打 emoji);secret 不打印。
+常见错误码:10105/10313=appid 错;11200=服务未开通或量用完;11201=当日超限。
+"""
+import asyncio
+import os
+import sys
+
+_ROOT = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
+if _ROOT not in sys.path:
+    sys.path.insert(0, _ROOT)
+
+
+def _load_env(path: str) -> None:
+    try:
+        from dotenv import load_dotenv
+        load_dotenv(path)
+        return
+    except Exception:
+        pass
+    try:
+        with open(path, encoding="utf-8") as f:
+            for line in f:
+                line = line.strip()
+                if not line or line.startswith("#") or "=" not in line:
+                    continue
+                k, v = line.split("=", 1)
+                os.environ.setdefault(k.strip(), v.strip().strip('"').strip("'"))
+    except FileNotFoundError:
+        pass
+
+
+_load_env(os.path.join(_ROOT, ".env"))
+
+from core.asr_xfyun import SAMPLE_RATE, XfyunASRError, transcribe  # noqa: E402
+
+
+def main() -> int:
+    appid = os.getenv("XFYUN_APPID", "")
+    print(f"[env] XFYUN_APPID={appid or '(missing)'} "
+          f"API_KEY={'set' if os.getenv('XFYUN_API_KEY') else '(missing)'} "
+          f"API_SECRET={'set' if os.getenv('XFYUN_API_SECRET') else '(missing)'}")
+
+    if len(sys.argv) > 1:
+        pcm = open(sys.argv[1], "rb").read()
+        print(f"[audio] file={sys.argv[1]} bytes={len(pcm)} "
+              f"({len(pcm) / (SAMPLE_RATE * 2):.1f}s @16k/16bit/mono)")
+    else:
+        pcm = b"\x00" * (SAMPLE_RATE * 2 * 2)  # 2s 静音:只验鉴权+协议,预期识别为空
+        print("[audio] builtin 2s silence (auth/protocol smoke, empty text expected)")
+
+    try:
+        text = asyncio.run(transcribe(pcm))
+    except XfyunASRError as e:
+        print(f"[FAIL] code={e.code} {e}")
+        return 1
+    print(f"[OK] text={text!r}")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())

web/app.py

@@ -2850,6 +2850,39 @@ def create_app() -> FastAPI:
             "cost_cny": float(cost_cny),
         }
 
+    # ───────────── ASR 语音转写 ─────────────
+
+    @app.post("/v1/asr/transcribe", tags=["asr"])
+    async def asr_transcribe(
+        request: Request,
+        user_id: UUID = Depends(require_user),
+    ):
+        """整段语音转写:body 为 raw PCM(16kHz/16bit/单声道/小端),返回 {"text"}。
+
+        前端麦克风按钮录音(Web Audio 采样降到 16k)→ 本端点 → 讯飞 IAT websocket
+        (core/asr_xfyun.py)。上限 60 秒(讯飞单会话限制);XFYUN_* env 未配 → 501。
+        """
+        from core.asr_xfyun import (
+            MAX_PCM_BYTES,
+            MAX_SECONDS,
+            XfyunASRError,
+            XfyunASRNotConfigured,
+            transcribe,
+        )
+
+        pcm = await request.body()
+        if not pcm:
+            raise HTTPException(400, "empty audio")
+        if len(pcm) > MAX_PCM_BYTES:
+            raise HTTPException(413, f"音频超长:单次最多 {MAX_SECONDS} 秒")
+        try:
+            text = await transcribe(pcm)
+        except XfyunASRNotConfigured as e:
+            raise HTTPException(501, str(e))
+        except XfyunASRError as e:
+            raise HTTPException(502, str(e))
+        return {"text": text}
+
     # ───────────── SSE events ─────────────
 
     @app.get("/v1/tasks/{task_id}/events", tags=["tasks"])

web/static/dev.html

@@ -890,6 +890,9 @@
   #chat-form textarea { flex: 1; }
   /* 微信渠道 task 只读镜像:输入框置灰禁手输,引导去微信对话 */
   #chat-input.readonly-locked { background: #f0f0f0; color: var(--muted); cursor: not-allowed; }
+  /* 语音输入按钮:录音中红色呼吸提醒(别忘了停) */
+  #chat-mic.recording { color: #fff; background: #d33; border-color: #d33; animation: mic-pulse 1.6s ease-in-out infinite; }
+  @keyframes mic-pulse { 50% { opacity: .65; } }
   #chat-form .hint { font-size: 11px; color: var(--muted); }
   /* 附件托盘:粘贴 / 拖拽的文件 chip 独占一行,累积展示,不与状态文字抢容器 */
   #chat-attach { display: none; flex-wrap: wrap; gap: 4px 0; align-items: center; }
@@ -1564,6 +1567,7 @@
       <div class="row">
         <span class="hint" id="chat-hint">就绪</span>
         <span style="flex:1;"></span>
+        <button type="button" class="small" id="chat-mic" title="语音输入:点击开始录音,再点结束并转写填入输入框(最长 60 秒)">🎙 语音</button>
         <button type="button" class="small" id="chat-optimize" disabled title="用当前对话模型润色草稿(参考已选生图模型偏好)— 替换为更清晰可执行的 prompt,Ctrl+Z 可撤销">✨ 润色</button>
         <button type="submit" class="primary" id="chat-action">发送</button>
       </div>

web/static/js/chat.js

@@ -1406,6 +1406,8 @@ function applyChannelComposerLock(meta) {
     const opt = $("chat-optimize");
     if (opt) opt.disabled = true;
   }
+  const mic = $("chat-mic");
+  if (mic) mic.disabled = !!cfg;  // 只读镜像没有发送入口,语音输入同样锁掉
 }
 
 // 润色:同步调后端,把 textarea 内容替成优化后文本。用 execCommand('insertText')
@@ -1465,6 +1467,113 @@ async function optimizePrompt() {
 
 $("chat-optimize").onclick = optimizePrompt;
 
+// ── 语音输入(讯飞 IAT 整段转写)──────────────────────────────────────────────
+// 点击开始录音(Web Audio 采 PCM → 降采样 16k/16bit)→ 再点停止 → POST
+// /v1/asr/transcribe → 文本插到输入框光标处(insertText 接原生 undo 栈,不自动
+// 发送,用户确认后再发)。录音需安全上下文(HTTPS / localhost);60s 自动停
+// (讯飞单会话上限)。
+const ASR_MAX_SECONDS = 60;
+let _voice = null;  // {stream, ctx, source, node, chunks, rate, t0, timer} — 非空 = 录音中
+
+// 线性插值降采样到 16k 并量化 Int16 小端(讯飞只收 16k/16bit/mono raw)
+function _pcm16kFromChunks(chunks, srcRate) {
+  let total = 0;
+  for (const c of chunks) total += c.length;
+  const src = new Float32Array(total);
+  let off = 0;
+  for (const c of chunks) { src.set(c, off); off += c.length; }
+  const ratio = srcRate / 16000;
+  const out = new Int16Array(Math.floor(src.length / ratio));
+  for (let i = 0; i < out.length; i++) {
+    const pos = i * ratio, i0 = Math.floor(pos), i1 = Math.min(i0 + 1, src.length - 1);
+    const s = src[i0] + (src[i1] - src[i0]) * (pos - i0);
+    out[i] = Math.max(-1, Math.min(1, s)) * 0x7fff;
+  }
+  return out;
+}
+
+async function startVoiceInput() {
+  const btn = $("chat-mic");
+  if (!(navigator.mediaDevices && navigator.mediaDevices.getUserMedia)) {
+    $("chat-hint").textContent = "此环境不支持录音(需 HTTPS 或 localhost 访问)";
+    return;
+  }
+  let stream;
+  try {
+    stream = await navigator.mediaDevices.getUserMedia({
+      audio: { channelCount: 1, echoCancellation: true, noiseSuppression: true },
+    });
+  } catch (e) {
+    $("chat-hint").textContent = "无法使用麦克风:" +
+      (e.name === "NotAllowedError" ? "请在浏览器里允许麦克风权限" : e.message);
+    return;
+  }
+  const ctx = new (window.AudioContext || window.webkitAudioContext)();
+  const source = ctx.createMediaStreamSource(stream);
+  // ScriptProcessor 已标废弃但全浏览器可用;AudioWorklet 要独立模块文件,纯静态 JS 下不值当
+  const node = ctx.createScriptProcessor(4096, 1, 1);
+  const chunks = [];
+  node.onaudioprocess = (ev) => { chunks.push(new Float32Array(ev.inputBuffer.getChannelData(0))); };
+  source.connect(node);
+  node.connect(ctx.destination);  // 不接 destination 部分浏览器不触发 onaudioprocess;输出恒为静音无回声
+  _voice = { stream, ctx, source, node, chunks, rate: ctx.sampleRate, t0: Date.now(), timer: 0 };
+  btn.classList.add("recording");
+  const tick = () => {
+    if (!_voice) return;
+    const sec = Math.floor((Date.now() - _voice.t0) / 1000);
+    btn.textContent = `■ 停止 ${Math.floor(sec / 60)}:${String(sec % 60).padStart(2, "0")}`;
+    if (sec >= ASR_MAX_SECONDS) { stopVoiceInput(); return; }
+    _voice.timer = setTimeout(tick, 500);
+  };
+  tick();
+  $("chat-hint").textContent = "录音中…再点一次结束并转写(最长 60 秒)";
+}
+
+async function stopVoiceInput() {
+  const v = _voice;
+  if (!v) return;
+  _voice = null;
+  clearTimeout(v.timer);
+  const btn = $("chat-mic");
+  btn.classList.remove("recording");
+  btn.textContent = "🎙 语音";
+  try { v.source.disconnect(); v.node.disconnect(); } catch (e) {}
+  v.stream.getTracks().forEach((t) => t.stop());
+  try { await v.ctx.close(); } catch (e) {}
+  const pcm = _pcm16kFromChunks(v.chunks, v.rate);
+  if (pcm.length < 16000 / 4) {  // < 0.25s:多半是误触
+    $("chat-hint").textContent = "录音太短,已取消";
+    return;
+  }
+  btn.disabled = true;
+  $("chat-hint").textContent = "转写中…";
+  try {
+    const r = await fetch("/v1/asr/transcribe", {
+      method: "POST",
+      headers: { "Authorization": "Bearer " + state.token, "Content-Type": "application/octet-stream" },
+      body: pcm.buffer,
+    });
+    if (r.status === 401) { logout(); return; }
+    const data = await r.json().catch(() => null);
+    if (!r.ok) throw new Error((data && data.detail) || r.status + " " + r.statusText);
+    const text = ((data && data.text) || "").trim();
+    if (!text) { $("chat-hint").textContent = "没有识别到内容,请重试"; return; }
+    const ta = $("chat-input");
+    ta.focus();
+    // 光标处插入(不覆盖已有草稿);execCommand 接 textarea 原生 undo 栈,Ctrl+Z 可撤销
+    const ok = document.execCommand("insertText", false, text);
+    if (!ok) ta.value += text;
+    syncOptimizeBtn();
+    $("chat-hint").textContent = "已转写,确认后发送";
+  } catch (e) {
+    $("chat-hint").textContent = "转写失败:" + e.message;
+  } finally {
+    btn.disabled = false;
+  }
+}
+
+$("chat-mic").onclick = () => { if (_voice) stopVoiceInput(); else startVoiceInput(); };
+
 // 对话流里 artifact chip / 内联 img 点击委托 — 复用右栏文件预览 modal(modal 内自带"下载")。
 // 视频走原生 <video controls>:点击=播放/暂停,全屏走浏览器自带按钮,不进 modal —
 // 弹个 modal 反而打断播放,不如交给浏览器。