perf(voice): 砍兜底等待 1.2s→0.5s + 语音提示词强制简短 + 时延测量

- voice.go: ClientEnd 兜底等待 1200ms→500ms(白吃的时延),首字出声 6.6s→5.3s
- voice_task.go: JARVIS 系统提示词改"必须简短/最多三句/先给结论"(语音场景长答案既拖慢
  首字又难听;注:deepseek-v4-pro 仍可能不理会长度指令,可靠收短需 max_tokens 硬顶)
- voicesim: 时延拆解(提交/首字出声/朗读完毕,以"说完"为0点)

现状:首字出声 ~5.3s,大头是 deepseek 生成第一句(大模型 TTFT);管线开销(兜底+TTS握手)已压到~1s。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

sundynix-gateway/cmd/voicesim/main.go

@@ -69,7 +69,8 @@ func main() {
 
 	answer := make([]byte, 0, 1<<20)
 	done := make(chan struct{})
-	go func() { // 读循环：文本帧=事件，二进制帧=回答 TTS 音频
+	var endAt, tTask, tFirstAudio, tDone time.Time // 时延测量：以"说完(ClientEnd)"为起点
+	go func() {                                     // 读循环：文本帧=事件，二进制帧=回答 TTS 音频
 		defer close(done)
 		for {
 			mt, data, err := conn.ReadMessage()
@@ -77,6 +78,9 @@ func main() {
 				return
 			}
 			if mt == websocket.BinaryMessage {
+				if tFirstAudio.IsZero() {
+					tFirstAudio = time.Now() // 首个音频帧=听到第一声
+				}
 				answer = append(answer, data...)
 				continue
 			}
@@ -94,10 +98,12 @@ func main() {
 				}
 				fmt.Printf("   ← 转写[%s]：%q\n", tag, m.Text)
 			case voice.ServerTask:
+				tTask = time.Now()
 				fmt.Printf("   ← 任务已提交 task_id=%s（Agent 正在思考…）\n", m.TaskID)
 			case voice.ServerSpeaking:
 				fmt.Println("   ← Agent 开始朗读回答…")
 			case voice.ServerTTSEnd:
+				tDone = time.Now()
 				fmt.Println("   ← 回答朗读完毕")
 				return
 			case voice.ServerError:
@@ -119,6 +125,7 @@ func main() {
 		time.Sleep(90 * time.Millisecond)
 	}
 	send(conn, voice.ClientMsg{Type: voice.ClientEnd})
+	endAt = time.Now() // 时延起点：用户"说完"这一刻
 	fmt.Println("④ 已说完，等 Agent 回答 + 朗读（大模型 + TTS，稍候）…")
 
 	// 5) 等回答朗读完（或超时）。
@@ -129,9 +136,23 @@ func main() {
 	}
 
 	if len(answer) > 0 {
+		dur := float64(len(answer)/2) / float64(voice.TTSSampleRate)
 		_ = writeWAV("sim_answer.wav", answer, voice.TTSSampleRate)
-		fmt.Printf("\n🔊 回答音频 %d 字节（%.1f 秒）→ 存 sim_answer.wav\n", len(answer), float64(len(answer)/2)/float64(voice.TTSSampleRate))
+		fmt.Printf("\n🔊 回答音频 %d 字节（时长 %.1f 秒）→ 存 sim_answer.wav\n", len(answer), dur)
 		fmt.Println("   afplay sim_answer.wav  # 听 JARVIS 的语音回答")
+
+		// 时延拆解（以"说完"为 0 点）。首字延迟 = 听到第一声的时间，是体感关键。
+		fmt.Println("\n⏱️  时延拆解（从「说完」起算）：")
+		if !tTask.IsZero() {
+			fmt.Printf("   · 提交任务      %.2fs（含 ClientEnd 后 0.5s 兜底等待）\n", tTask.Sub(endAt).Seconds())
+		}
+		if !tFirstAudio.IsZero() {
+			fmt.Printf("   · 👂 首字出声   %.2fs  ← 体感响应速度就看这个\n", tFirstAudio.Sub(endAt).Seconds())
+		}
+		if !tDone.IsZero() {
+			fmt.Printf("   · 朗读完毕      %.2fs（= 首字 %.2fs + 念完 %.1fs 那段话）\n",
+				tDone.Sub(endAt).Seconds(), tFirstAudio.Sub(endAt).Seconds(), dur)
+		}
 	} else {
 		fmt.Println("\n⚠️ 没收到回答音频（看上面事件流定位：转写?任务?朗读?）")
 	}

sundynix-gateway/internal/handler/voice.go

@@ -156,9 +156,10 @@ func (s *voiceSession) onControl(m voice.ClientMsg) (done bool) {
 			_ = s.asr.Finish() // 告知火山本轮说完
 		}
 		// 火山流式 ASR 只在 VAD 静音时才发 Final；客户端显式 end（点停）时不能干等——
-		// 给点收尾时间让末尾部分结果到齐，再用"最新转写"兜底提交（trySubmit 去重，Final 先到就它先提交）。
+		// 给一小段收尾时间让末尾部分结果到齐，再用"最新转写"兜底提交（trySubmit 去重，Final 先到就它先提交）。
+		// 500ms 是"够接住末尾 partial"与"别拖慢首字出声"的折中（此前 1.2s 白白吃掉一秒多时延）。
 		go func() {
-			time.Sleep(1200 * time.Millisecond)
+			time.Sleep(500 * time.Millisecond)
 			s.turnMu.Lock()
 			txt := s.latestText
 			s.turnMu.Unlock()

sundynix-gateway/internal/handler/voice_task.go

@@ -14,9 +14,11 @@ import (
 // 语音只是"嘴替键盘"，一行编排/工具/计费逻辑都不新造：走的正是 HTTP SubmitTask 那条关卡
 // （见记忆 execution-single-entry「提交必走 preflight()+launch() 共用关卡」）。
 
-// voiceAgentSystem 是语音默认单 agent 的系统提示词：口语化、简洁、适合朗读（下行要过 TTS）。
-const voiceAgentSystem = "你是用户的语音助手 JARVIS。用简洁、口语化、适合朗读的中文回答，" +
-	"避免冗长的列表和代码块；必要时可调用工具获取信息后再作答。"
+// voiceAgentSystem 是语音默认单 agent 的系统提示词：口语化、**极简**、适合朗读（下行要过 TTS）。
+// 语音场景务必短——长答案既拖慢首字出声（要等第一句合成），又让人干听十几秒。
+const voiceAgentSystem = "你是用户的语音助手 JARVIS。这是语音对话，回答必须简短——像真人聊天，" +
+	"通常一两句话说清重点即可，最多不超过三句，别长篇大论、别列清单、别念代码。" +
+	"先直接给结论。口语化、自然、适合朗读。需要更多细节时再由用户追问。"
 
 // buildVoiceGraph 把一句转写组成最简可执行图：input(转写) → agent(JARVIS)。
 // 与前端画布 exportDsl 同构（kind=input/agent、config.text/system），dispatcher 直接吃。