[area:ux] 支持并发录音：结束后立即可录下一条，转写/润色后台排队、注入 FIFO 串行

[HKLHaoBin]

摘要

当前听写采用单会话、线性管线：录音结束后 coordinator 进入 Processing → Inserting，全局 SessionPhase 非 Idle 期间无法开始下一次录音。麦克风在 end_session 开头即已释放，用户等待的是 ASR / LLM 后台处理，而非录音资源占用。

需求：录音结束（含取消）后立即可开始下一条；转写 / 润色 / 注入在后台按队列推进。约束：文本注入仍须 FIFO 串行，避免乱序插入同一焦点目标。

---

现状（代码级）

单会话状态机

SessionPhase 定义于 coordinator_state.rs，全局仅一份 Inner.state：

enum SessionPhase { Idle, Starting, Listening, Processing, Inserting }

begin_session_state 仅在 Idle 时允许进入 Starting（coordinator_state.rs L77–78）。Processing / Inserting 期间新的 begin_session 直接返回 None。

热键阻塞点

handle_pressed（coordinator/dictation.rs L500–533）：

模式	当前 phase	行为
Toggle / Hold	Idle	开始录音
Toggle / Hold	Listening	结束录音 → end_session
Toggle / Hold	Processing / Inserting	无操作（_ => {}）
Toggle	Idle + 600ms 冷却内	忽略（POST_SESSION_COOLDOWN_MS，issue #545）

Hold 模式无冷却；Toggle 在 session 收尾后还有额外 600ms 阻塞。

其他入口同样要求 Idle：Coordinator Less Computer 键（coordinator.rs）、CLI toggle-dictation（lib.rs）。

录音结束后的管线（end_session，dictation.rs L1594+）

Listening
  → Processing（start_processing_if_listening）
  → 停止 recorder / 释放 mute（L1606–1608，麦克风此时已释放）
  → ASR transcribe（await，各 provider 分支）
  → [cancel 检查点 #1] post-ASR
  → 纠错规则 / voice_agent 分支
  → Capsule: Polishing → LLM polish / translate（await）
  → [cancel 检查点 #2] 原子 gate → Inserting 或丢弃
  → restore focus → inserter.insert（或流式已 keystroke 则跳过）
  → history / vocab → Capsule: Done → Idle + cooldown

整条 end_session 是单个 long async fn，与全局 SessionState 强绑定；无 post-recording 任务队列。

资源模型：单槽位

Inner（coordinator.rs L239–251）：

• state: Mutex<SessionState> — 单一 phase / session_id / cancelled / focus_target
• asr: Mutex<Option<SessionResource<ActiveAsr>>> — 至多一个 ASR 句柄
• recorder: Mutex<Option<SessionResource<Recorder>>> — 至多一个 recorder
• inserter: TextInserter — 全局单实例，无内部队列

取消语义（与并发相关）

• cancel_session 在 Processing 阶段设 cancelled=true 但 phase 保持 Processing，由 in-flight end_session 在检查点协作丢弃（L2009、L2262）。
• Inserting 阶段 拒绝 cancel（paste 不可逆）。
• 流式润色（already_streamed）中途 cancel 仍须完成收尾。

UI 限制

后端 Processing 无对应 CapsuleState；胶囊在 ASR 时显示 Transcribing，LLM 时显示 Polishing。last_capsule_state 为单值，无法同时表达「A 在润色 + B 在录音」。

---

问题根因

层级	原因
状态机	录音生命周期与后处理生命周期共用同一 SessionPhase；Processing 期间被当作「session 未结束」
资源	ASR / recorder 单槽位，未设计多 session 并存
热键	Processing/Inserting 分支为空操作；Toggle 冷却叠加延迟
管线	end_session 同步占用 coordinator 至 Done；无 detach + queue
注入	TextInserter 无 FIFO 队列；focus_target 为全局单字段

---

细化需求

P0 — 核心体验

1. 录音可重叠：用户结束录音（Toggle 停 / Hold 松手 / 取消）后，无需等待上一条 ASR/LLM/Insert 完成，即可开始新的 Listening。
2. 注入 FIFO：向目标应用输入文本时，严格按录音结束顺序（或 session 创建顺序）排队；session N 的 insert 必须在 session N−1 的 insert 完成之后开始（含 focus restore、Windows TSF、流式 keystroke 路径）。
3. 取消不阻塞队列：被取消的 session 跳过 insert，不占用注入队列 slot；后续 session 正常按序注入。
4. 麦克风互斥：同一时刻仅一条 Listening（硬件 / cpal 约束）；Processing 中的旧 session 不得占用 mic。

P1 — 与现有机制协调

5. Toggle 冷却：POST_SESSION_COOLDOWN_MS（600ms）应仅防误触「同一次收尾的连点」，不应阻塞「上一条仍在 Processing 时开始新录音」。与 [area:ux] 取消录音后胶囊延迟关闭，应立刻消失 #654（取消后胶囊延迟）一并评估。
6. 热键语义：Processing/Inserting 时 Toggle/Hold press 的行为需定义——建议 press 始终控制当前录音 session（若有 Listening），而非 no-op。
7. 焦点快照：每条 session 在 begin_session 时捕获 focus_target / front_app，注入时使用快照，避免用户切换窗口导致乱序文本落到错误目标。

P2 — 可接受的分层实现

8. ASR 可串行：若单 ASR 实例无法并行，可接受「录音并发 + 转写串行 + 注入串行」；P0 重点是不阻塞开录。
9. LLM 可串行或有限并行：维护者自选；注入顺序不受 LLM 完成先后影响，由 insert 队列保证。
10. QA / Voice Agent：本 issue 范围外；保持与主听写互斥（现有 QaPhase / voice_agent 路由不变），除非后续单独 issue 扩展。

非目标

• 不要求改写 ASR provider 为多连接并行（除非实现时需要）。
• 不改变 Inserting 阶段 cancel 拒绝策略（paste 不可逆）。
• 不要求 Android / Remote 路径一次到位（可分期；dictation_session.rs / dictation_end.rs 提取模块尚未 wired，实现时需同步）。

---

建议架构方向（供维护者参考）

┌─────────────────┐     end_recording      ┌──────────────────────┐
│ Recording FSM   │ ─────────────────────► │ Pipeline queue       │
│ (Listening 单例)│                        │ per-session jobs:    │
└─────────────────┘                        │ ASR → polish → enqueue│
        ▲                                  └──────────┬───────────┘
        │ begin 立即允许（Idle 或                           │
        │ 「仅 Listening 占用 mic」）                         ▼
        │                                  ┌──────────────────────┐
        └──────────────────────────────────│ Insert FIFO worker   │
                                           │ (TextInserter 串行)  │
                                           └──────────────────────┘

可能涉及的模块：

模块	变更方向
coordinator_state.rs	拆分「录音 phase」与「pipeline job 状态」；或 per-session struct + 全局 recording slot
coordinator/dictation.rs	end_session 拆为 stop_recording + spawn pipeline task；热键 gating 改判
coordinator/resources.rs	recorder/ASR 多 session 或 recording 与 pipeline 分离生命周期
新 insert_queue.rs（或类似）	VecDeque<InsertJob> + 单 worker 持 TextInserter mutex
coordinator.rs emit_capsule	多 job 时的 UI：队列深度 / 当前 recording vs processing
insertion.rs	被 queue worker 调用，本身可少改

取消：每 session 独立 cancelled（或 CancellationToken），替代全局 SessionState.cancelled 在并发下的歧义。

历史 / 上下文：prior_turns 来自 history.recent_within_minutes；并发 session 写入 history 的顺序需与 insert 顺序一致或按 session 时间戳排序。

---

接受标准（Checklist）

• 录音 A 进入 Processing 后，用户可立即开始录音 B（Listening），B 正常采集 PCM。
• A、B 的 ASR/润色在后台推进；B 的文本不会先于 A 注入目标应用（含 Windows TSF / 流式 keystroke / Linux fcitx5 路径）。
• 取消 A 后立即可录 B；A 不产生 insert；B 不受 A 阻塞。
• Toggle 模式下，上一条 Processing 中再次 Toggle 不会 no-op（应能开始 B 或停止当前 Listening，行为有明确定义并文档化）。
• POST_SESSION_COOLDOWN_MS 不阻止「Processing 期间的新录音」（可与 [area:ux] 取消录音后胶囊延迟关闭，应立刻消失 #654 / [ui] 听写快速连按应在上一轮完全结束前忽略激活（动画已缓解，逻辑未改） #545 一并调整）。
• 每条 session 保留独立 session_id、history 记录；has_audio_recording 与 wav 归档仍按 session 对齐（issue [asr] 转录失败时保留录音并支持在历史中重新转录 #613 语义不变）。
• Inserting 阶段仍不可 cancel；流式 already_streamed 语义不变。
• 回归：Hold / Toggle、translation modifier、voice_agent、Windows IME prep、recorder error monitor 的 session_id 防串台逻辑。

---

相关 Issue

• [area:ux] 取消录音后胶囊延迟关闭，应立刻消失 #654 — 取消后胶囊延迟，影响「取消 → 立刻重录」主观体验
• [ui] 听写快速连按应在上一轮完全结束前忽略激活（动画已缓解，逻辑未改） #545 — Toggle 三连按误触，引入 POST_SESSION_COOLDOWN_MS
• [asr] 转录失败时保留录音并支持在历史中重新转录 #613 — 转写失败历史与 session_id / wav 对齐

---

复现「当前阻塞」

1. 开启 LLM 润色（拉长 Processing 时间）。
2. 录一段语音并结束。
3. 胶囊显示 Transcribing / Polishing 期间再次按录音热键。
4. 预期（现状）：无反应；log 可见 phase=Processing，热键 match 落入 _ => {}。
5. 期望（本 issue）：立即进入新一轮 Listening，上一条在后台继续处理。