feat(voice): 下行打字机文本流 + 首块快出，即时反馈

- protocol.go: 新增 ServerReply("reply") 消息——Agent 回答增量文本
- voice_tts.go: token 一到即转发客户端(打字机),同时攒句喂 TTS(音频随后)
- sentence_buffer.go: 本轮首句用低阈值(5 rune)抢首字延迟,之后回常规 12
- 桌面端 voice.ts onReply + VoiceDock 对话气泡(我说的 + JARVIS 打字机回答,思考态光标)

管线已最优:文字在 LLM 首 token 即刻上屏、音频紧随。剩余时延=大模型 TTFT(deepseek-v4-pro
4-7s 且波动大,疑似推理模型),这是模型的账、非管线——真要"马上响应"需换快模型。

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{})
-	var endAt, tTask, tFirstAudio, tDone time.Time // 时延测量：以"说完(ClientEnd)"为起点
+	var endAt, tTask, tFirstReply, tFirstAudio, tDone time.Time // 时延测量：以"说完(ClientEnd)"为起点
+	var replyText string
 	go func() {                                     // 读循环：文本帧=事件，二进制帧=回答 TTS 音频
 		defer close(done)
 		for {
@@ -100,6 +101,12 @@ func main() {
 			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.ServerReply:
+				if tFirstReply.IsZero() {
+					tFirstReply = time.Now()
+					fmt.Println("   ← 💬 打字机开始（回答文字逐字冒出）…")
+				}
+				replyText += m.Text
 			case voice.ServerSpeaking:
 				fmt.Println("   ← Agent 开始朗读回答…")
 			case voice.ServerTTSEnd:
@@ -141,13 +148,16 @@ func main() {
 		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。
+		// 时延拆解（以"说完"为 0 点）。
 		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 !tFirstReply.IsZero() {
+			fmt.Printf("   · 💬 首字上屏   %.2fs  ← 打字机开始（体感「马上响应」就看这个）\n", tFirstReply.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())
+			fmt.Printf("   · 👂 首字出声   %.2fs  ← 听到第一声\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",

sundynix-gateway/internal/handler/voice_tts.go

@@ -39,6 +39,9 @@ func (s *voiceSession) speak(taskID string) {
 
 	unsub, err := s.h.bus.SubscribeTokens(taskID,
 		func(tok []byte) {
+			// 打字机：每个 token 一到就转发给客户端显示（早于音频，LLM 首 token 即刻反馈）。
+			s.send(voice.ServerMsg{Type: voice.ServerReply, Text: string(tok)})
+			// 同时攒句喂 TTS（成句即合成，音频随后跟上）。
 			for _, sentence := range sb.Push(string(tok)) {
 				push(sentence)
 			}

sundynix-gateway/internal/voice/protocol.go

@@ -28,6 +28,7 @@ const (
 type ServerMsg struct {
 	Type string `json:"type"`
 	// transcript：ASR 转写（Final=false 为实时部分结果，true 为最终）
+	// reply：Agent 回答的增量文本（打字机效果，逐 token 下发，早于音频）
 	Text  string `json:"text,omitempty"`
 	Final bool   `json:"final,omitempty"`
 	// task：转写完成、任务已提交，带 task_id 供客户端切运行视图
@@ -41,6 +42,7 @@ const (
 	ServerReady      = "ready"      // 会话就绪，可以开始说话
 	ServerTranscript = "transcript" // ASR 转写结果（部分/最终）
 	ServerTask       = "task"       // 任务已提交（带 task_id）
+	ServerReply      = "reply"      // Agent 回答增量文本（打字机；逐 token，早于音频）
 	ServerSpeaking   = "speaking"   // Agent 开始出声（首段 TTS 音频将至）
 	ServerTTSEnd     = "tts_end"    // 本轮 TTS 播放完毕
 	ServerError      = "error"      // 出错

sundynix-gateway/internal/voice/sentence_buffer.go

@@ -7,6 +7,10 @@ import "strings"
 // 攒句阈值：从句标点处断句前，至少要攒够这么多 rune，避免"你好，"这种半截就吐给 TTS。
 const defaultMinClause = 12
 
+// 首块阈值：本轮**第一次**出声用更低的门槛，让首字尽快合成、尽快听见（抢首字延迟）。
+// 之后回到 defaultMinClause 保后续朗读顺畅、不碎。
+const firstClauseMin = 5
+
 // 句末标点：命中即成一句吐给 TTS。
 func isSentenceEnd(r rune) bool {
 	switch r {
@@ -31,11 +35,20 @@ func isClauseEnd(r rune) bool {
 type SentenceBuffer struct {
 	buf       strings.Builder
 	minClause int
+	emitted   bool // 本轮是否已出过第一句（决定用首块低阈值还是常规阈值）
 }
 
 // NewSentenceBuffer 建一个默认阈值的攒句器。
 func NewSentenceBuffer() *SentenceBuffer { return &SentenceBuffer{minClause: defaultMinClause} }
 
+// clauseThreshold 首句用低阈值抢首字延迟，之后回常规阈值。
+func (b *SentenceBuffer) clauseThreshold() int {
+	if !b.emitted {
+		return firstClauseMin
+	}
+	return b.minClause
+}
+
 // Push 追加一段 token 文本，返回本次可以立即吐给 TTS 的完整句子（0..N 句，已 Trim 两端空白）。
 // 未成句的尾巴留在内部缓冲，等后续 token 或 Flush。
 func (b *SentenceBuffer) Push(text string) []string {
@@ -47,12 +60,13 @@ func (b *SentenceBuffer) Push(text string) []string {
 		cut := false
 		if isSentenceEnd(r) {
 			cut = true
-		} else if isClauseEnd(r) && (i+1-lastCut) >= b.minClause {
+		} else if isClauseEnd(r) && (i+1-lastCut) >= b.clauseThreshold() {
 			cut = true
 		}
 		if cut {
 			if s := strings.TrimSpace(string(runes[lastCut : i+1])); s != "" {
 				out = append(out, s)
+				b.emitted = true // 出过一句后，后续回常规阈值（不碎）
 			}
 			lastCut = i + 1
 		}