feat: 语音流式输入管线 + VAD前端集成 + 插件-工具合并清理

- 前端: VAD语音检测(@ricky0123/vad-web) + useVoiceInput双模式(流式WS/REST)
- Gateway: VoiceStreamManager代理WS流式STT到voice-service
- Voice-service: DashScope REST → Realtime WS → Whisper三级引擎 + ffmpeg转码
- 共享模块: pkg/audio(音频转换) + pkg/dashscope(ASR REST客户端)
- 清理: 移除旧plugin-manager和pkg/plugins，完成插件→工具合并
- 文档: 完善gateway-api.md和voice-service.md语音API文档
- 工具: scripts/voice/ 语音转换脚本集

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

docs/api/backend-services/voice-service.md

@@ -3,9 +3,14 @@
 **Base URL:** `http://<host>:8093` | **Auth:** 无
 
 语音服务封装两层引擎：
-- **STT (语音转文字):** DashScope `qwen3-asr-flash-realtime` (主) + 本地 Whisper (备)
+- **STT (语音转文字):** DashScope REST 离线模型 `qwen3-asr-flash-2026-02-10` (主) → DashScope Realtime WS `qwen3-asr-flash-realtime` (流式) → 本地 Whisper (备)
 - **TTS (文字转语音):** edge-tts (主) + espeak-ng (备)
 
+> **引擎分层说明：**
+> - **离线转录** (`POST /api/v1/transcribe`): 使用 DashScope REST API，无需 session 协商和 Server VAD，延迟更低。失败自动回退 Whisper。
+> - **流式转录** (`GET /api/v1/stt/stream`): 使用 DashScope Realtime WebSocket，支持实时分片输入和中间结果输出，需客户端发送 PCM 音频。
+> - **音频转码**: 所有非 PCM 格式通过 ffmpeg 转码为 16kHz mono PCM 后再识别，支持 WAV/MP3/OGG/FLAC/WebM/Opus/AMR 等格式。
+
 ---
 
 ## 目录
@@ -24,13 +29,25 @@
 
 **Content-Type:** `multipart/form-data` | **Max body:** 10 MB
 
+### 引擎选择
+
+优先使用 DashScope REST 离线模型 `qwen3-asr-flash-2026-02-10`，失败自动回退本地 Whisper。
+
+```
+接收音频 → DashScope REST API (HTTP POST)
+              ↓ 失败
+           ffmpeg 转码 PCM → 本地 Whisper 引擎
+```
+
 ### 表单字段
 
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
-| `audio` | file | 是 | 音频文件。格式从扩展名推断：wav/mp3/ogg/flac/m4a |
+| `audio` | file | 是 | 音频文件。支持格式: wav, mp3, ogg, flac, m4a, aac, webm, opus, amr, pcm |
 | `language` | string | 否 | 默认 `"zh"`。可选: `zh`, `en`, `ja`, `ko`, `auto` |
 
+> **转码说明：** 非 PCM 格式（含 Opus/WebM/AMR）通过 ffmpeg 自动转码为 16-bit PCM 16000Hz mono 后识别。需部署环境安装 ffmpeg。
+
 ### 响应 200
 
 ```json
@@ -49,7 +66,7 @@
 | 400 | `{"error":"文件过大或解析失败，最大支持 10MB"}` |
 | 400 | `{"error":"缺少 audio 文件字段"}` |
 | 400 | `{"error":"音频文件为空"}` |
-| 400 | `{"error":"不支持的音频格式: <ext>，支持的格式: WAV, MP3, OGG, FLAC, M4A"}` |
+| 400 | `{"error":"不支持的语言: <lang>，支持的语言: zh, en, ja, ko, auto"}` |
 | 405 | `{"error":"method not allowed"}` |
 | 500 | `{"error":"读取音频文件失败"}` |
 | 500 | `{"success":false,"error":"<engine error>"}` |
@@ -112,12 +129,23 @@
   "service": "voice-service",
   "stt": {
     "available": true,
-    "primary": "dashscope",
-    "dashscope": { "available": true, "model": "qwen3-asr-flash-realtime", "provider": "dashscope" },
+    "primary": "dashscope_rest",
+    "dashscope_rest": {
+      "available": true,
+      "model": "qwen3-asr-flash-2026-02-10",
+      "protocol": "rest"
+    },
+    "dashscope_ws": {
+      "available": true,
+      "model": "qwen3-asr-flash-realtime",
+      "protocol": "websocket",
+      "state": "idle"
+    },
     "whisper": {
       "available": true,
       "binary_available": true,
       "model_loaded": true,
+      "ffmpeg_available": true,
       "model_name": "ggml-small.bin"
     },
     "default_language": "zh",
@@ -138,9 +166,15 @@
 
 | 字段 | 说明 |
 |------|------|
-| `stt.available` | DashScope 或 Whisper 至少一个可用 |
-| `stt.dashscope.available` | DashScope API Key 已配置 |
-| `stt.whisper.available` | Whisper 二进制 + 模型文件均存在 |
+| `stt.available` | DashScope REST / WS 或 Whisper 至少一个可用 |
+| `stt.primary` | 当前优先引擎: `dashscope_rest` |
+| `stt.dashscope_rest.available` | DashScope REST API Key 已配置 |
+| `stt.dashscope_rest.protocol` | 协议类型: `rest` |
+| `stt.dashscope_ws.available` | DashScope Realtime WS 可用 |
+| `stt.dashscope_ws.protocol` | 协议类型: `websocket` |
+| `stt.dashscope_ws.state` | 连接状态: `idle`, `connected`, `error` |
+| `stt.whisper.available` | Whisper 二进制 + 模型文件 + ffmpeg 均存在 |
+| `stt.whisper.ffmpeg_available` | ffmpeg 可用于音频转码 |
 | `tts.available` | 至少一个 TTS 引擎可用 |
 | `tts.engine` | 当前激活引擎: `edge-tts`, `espeak-ng`, `fallback (silent WAV)`, `none` |
 
@@ -183,6 +217,10 @@
 **Query 参数:** `?language=zh&format=pcm` (language 默认 zh, format 默认 pcm)
 **Read deadline:** 300s
 
+> **注意：** 此端点使用 DashScope Realtime WebSocket (`qwen3-asr-flash-realtime`)，音频帧必须是 PCM 格式。非 PCM 格式应使用 REST 离线转录 (`POST /api/v1/transcribe`)。
+>
+> **Gateway 代理：** Gateway 的 `voice_stream_*` 消息类型通过此端点与前端 VAD 配合，实现端到端流式语音 → STT → LLM 管道。详见 [Gateway WebSocket 文档](../../gateway-api.md#流式语音输入流程-voice_stream_)。
+
 ### 客户端 → 服务端
 
 **Binary 帧:** 原始 PCM 音频 (16-bit LE, 16000Hz, mono)。每帧通过 `input_audio_buffer.append` 转发到 DashScope。