User description

现象

用 StepFun 实时转写时，随机有一部分听写在松手后要干等 12 秒才出结果。文字是对的，也不报错，日志里一条痕迹都没有。

数据

真机日志 1059 次听写，统计「松手（cpal Stream dropped）→ 出结果（polish dispatch）」耗时：

0s: 655   1s: 227   2s: 43   3s: 11   4s: 3   5s: 1   6s: 1   7s: 1
8~11s: 0
12s: 117   ← 全部落在 12.00~12.97s

中位数 0.87s，8~12 秒之间一次都没有 —— 典型的硬超时兜底，不是网络抖动或模型慢。

按 provider 拆分，只有 StepFun 中招：

原因是其他三家都有协议级 finish 信号（Bailian 的 finish-task、Qwen 的 Finish 事件、Volcengine 的 NegativeSequence 末帧），服务端会回一个确定的终态；StepFun 没有（模块注释已记录：session.finish 被拒、server_vad 下 commit 被静默忽略），只能靠客户端补静音逼 VAD 关段 + 自建状态机判定收尾 —— 出问题的正是这套判定。

影响面不止听写：send_last_frame 被听写、语音问答、重新转录三条链路共用。

根因

两处叠加：

1. contains_non_silent_pcm 用「任意字节 != 0」判静音。 麦克风底噪（实测 RMS≈0.0008）每个采样都非零，于是任何一帧都算「有真实语音」。尾帧因此把 last_non_silent_audio_written_at 刷到最后一个 completed 之后，has_audio_after_last_completed 从此恒为真。

2. 宽限任务只在 FINISH_GRACE 到点查一次。 这一次因上述原因不通过，就再没有第二次机会。而尾帧写出后客户端不再发音频、服务端也不会再吐事件（松手前停顿 ≥VAD 阈值时，最后一段的 completed 早在尾帧之前就到了），于是一路干等到 FINAL_RESULT_TIMEOUT。12s 后走 finish_with_partial_or_error，带着已有文本成功返回 —— 所以文字对、无报错、无日志。

行为学佐证，都指向「说完停顿一下再松手」这个触发条件：

• 卡顿会话录音末段峰值 RMS < 0.005（已静音）的占 52%，正常会话仅 16%
• 卡顿会话原始转写 66% 以「嗯。」结尾，正常会话仅 8%

改动

• contains_non_silent_pcm 改成按振幅判（> 1% 满量程，且至少 8 个采样超阈值以避开键盘/电流的单点尖峰）；并且只对尾帧的真实录音部分求值，补的 700ms 静音不参与判定。
• 宽限任务改成有界轮询（100ms 一次）。收尾前提保持不变 —— 「无未关句段 + 最后一个 completed 之后没有未确认的真实音频」那条保护是对的，不为修卡顿而丢掉；新增 FINISH_HARD_DEADLINE = 3s 兜住服务端始终不关最后一个句段的情况，把最坏等待从 12s 压到 3s。
• 12s 兜底分支补 log::warn!。这种事不该在日志里完全隐身。

纯客户端时序改动，发给 StepFun 的字节流完全不变，无接口兼容风险。

测试

新增 3 条，修复前全部失败（其中两条重现 12.00s 卡死）：

• silence_detection_ignores_room_tone_but_catches_speech — 底噪/语音/纯静音/单点尖峰四种输入
• finishes_promptly_when_last_completed_arrived_before_the_tail — 本 issue 的主路径；测试内显式等到 last_completed_at 落地才写尾帧，钉死「completed 先于尾帧」这个时序，否则会走健康快路径复现不出来
• hard_deadline_bounds_the_wait_when_segment_never_closes — 服务端只发 speech_started + delta、永不 completed，验证 3s 硬上限生效且未 completed 的 interim 尾巴仍被带出、不丢字

既有的 non_silent_audio_waits_for_delayed_vad_before_finishing 保持通过（它保证的「有未确认语音时不能提前收尾」是被有意保留的），只换了夹具：[1u8; N] 在新判据下属于底噪，改用语音级振幅。

cargo check --tests 通过；cargo test --lib asr::stepfun_realtime 19/19 通过。

🤖 Generated with Claude Code

PR Type

Bug fix, Tests

Description

• 修复 StepFun 实时转写约 13% 听写随机白等 12 秒的问题

• 根因：contains_non_silent_pcm 把底噪当语音，导致宽限检查一次不通过且无重试

• 修复：按振幅判静音、宽限期轮询复查，并增加 3 秒硬上限兜底

• 新增回归测试覆盖“completed 早于尾帧”和“句段永不关闭”两种场景

Diagram Walkthrough

flowchart LR
  A["尾帧写出"] --> B["每100ms轮询收尾条件"]
  B -->|"宽限内无未关句段且无新语音"| C["finish_success"]
  B -->|"超过3秒硬上限"| D{"有可返回文本?"}
  D -->|"是"| C
  D -->|"否"| E["等待至 FINAL_RESULT_TIMEOUT 后显式报错"]