第七章：理解篇 - 对接云端语音识别，让助手“听懂”人话
本章系统阐述云端 ASR（Automatic Speech Recognition，自动语音识别）的核心算法与工程实践，结合本项目已有的音频采集与事件总线架构，提供可运行的 HTTP API 调用示例、错误处理与性能优化方案，并通过流程图、时序图与类图帮助你从“音频采集”走到“文字理解”。
7.1 揭秘云端ASR：为何选择API而非自研模型？
-
选型动机（工程视角）
- 成本与效率：自研 ASR 涉及海量数据、训练基础设施与持续维护；云 API 提供高质量模型与全球可用性，能缩短交付周期。
- 效果与覆盖：主流云 ASR 拥有多语种/口音支持与噪声鲁棒性，适配会议、客服、车载等场景。
- 迭代与稳定：API 版本升级与容错机制健全，便于在生产系统内平滑演进。
-
云端 ASR 基本结构
- 前端（Frontend）：采样、预处理（HPF/AGC/NS/AEC/VAD）、分帧与特征提取（MFCC/Log-Mel）。
- 声学模型（AM, Acoustic Model）：DNN-HMM（传统混合）、CTC（Connectionist Temporal Classification）、RNN-T（Recurrent Neural Network Transducer）、AED（Attention-based Encoder-Decoder）。
- 语言模型（LM, Language Model）：n-gr