听觉设置中语音监测无法触发转录（VAD 模型在线加载失败导致 transcribeForMediaStream 不被调用）

[daowuyuan]

问题描述

在听觉设置页面中，点击主「开始监测」按钮后，麦克风有拾音，但始终不会触发对 Whisper 网关的 POST 请求，转录功能完全无反应。
而同一页面中的「Speech-to-Text Test」功能可以正常使用（点击 Start → 说话 → Stop → 成功 POST 到 Whisper 网关并返回结果）。

版本信息

• AIRI v0.10.2（Windows x64）
• 同样存在于 v0.9.0

复现步骤

1. 打开设置 → 听觉
2. 选择正确的麦克风设备和转录 Provider（如 OpenAI-compatible / Whisper）
3. 点击主「开始监测」按钮 → 指示灯正常，音量条有跳动
4. 说话 → 没有 POST 请求发送到 Whisper 网关
5. 切换到下方「Speech-to-Text Test」区域
6. 点击 Start → 说话 → 点击 Stop → 成功发出 POST 请求并返回转录结果

根因分析（阅读源码后）

主监测流程的调用链是：

开始监测 → setupAudioMonitoring() → startStream() → initVAD() → startVAD(stream) → VAD 检测到语音 → onSpeechStart → handleSpeechStart() → transcribeForMediaStream() → POST 到 Whisper

而 STT Test 的调用链是：

Start Test → startStream() → startRecord() → Stop → transcribeForRecording() → POST 到 Whisper

关键差异：

1. 主监测必须经过 initVAD() 初始化语音活动检测模型（HuggingFace 上的 onnx-community/silero-vad，~16MB ONNX 模型）
2. 只有 VAD 的 onSpeechStart 回调才会触发 handleSpeechStart()，进而调用 transcribeForMediaStream()
3. 如果 VAD 模型加载失败（国内网络无法访问 HuggingFace、超时、CORS 问题），initVAD() 抛出异常，整个监测流程静默失败
4. 即使关闭「Model Based」切换到音量检测模式，isSpeechVolume 也仅仅用于显示指示灯，不会触发 transcribeForMediaStream()

STT Test 不依赖 VAD，直接录音后调用 transcribeForRecording()，因此正常工作。

建议修复方向

1. 在 VAD 模型加载失败时提供降级方案：fallback 到 transcribeForMediaStream() 并使用音量检测代替 VAD 触发
2. 或让音量检测模式也能触发 handleSpeechStart() 或 startRecord()
3. 或显示明确的 VAD 加载失败错误信息，而不是静默失败
4. 建议将 silero-vad 模型做本地打包或提供离线加载选项，避免依赖在线 HuggingFace 下载

环境

• OS: Windows 10 x64
• AIRI: v0.10.2（v0.9.0 同样存在）
• 转录 Provider: OpenAI-compatible (Whisper)