语音转文本

语音转文本分为完成录音和实时流式两套接口。

完成录音

所选 API 服务为 ctx.apiSpeechToText。DSH 内置 speechToText 注册表启用时，本插件也会向其中注册该服务，因此 DSH 语音输入可以将其与内置提供方一同使用。

const transcript = await ctx.apiSpeechToText.transcribe(
  {audio: wavBytes, language: 'zh'},
  signal,
)

结果包含文本、录音时长 audioSeconds 和请求耗时 inferenceSeconds。语言使用 auto 时不发送语言提示。OpenAI 兼容提供方将字节以 recording.wav 上传至 POST /audio/transcriptions。

实时流式转录

只有所选提供方实现实时转录时，ctx.streamingSpeechToText 才存在，因此应使用可选注入。

const session = await ctx.streamingSpeechToText.startStreaming({
  language: 'zh',
  format: 'pcm16',
  signal,
})

for await (const event of session.events) {
  if (event.type === 'delta') showPartial(event.text)
  if (event.type === 'final') acceptTranscript(event.text)
  if (event.type === 'error') throw event.error
}

使用 session.append(chunk) 发送音频，调用 session.commit() 请求转录当前缓冲区，结束时调用 session.close()。

OpenAI 兼容实现使用 Realtime 转录 WebSocket。支持 pcm16（默认 24 kHz 单声道）、g711_ulaw 和 g711_alaw，还可传入词汇或风格 prompt 及会话模型覆盖。实时会话为长连接，不经过请求并发门控。