sundynix-desktop/frontend/src/lib/voice.ts

@@ -14,6 +14,7 @@ export interface VoiceCallbacks {
   onState?: (s: VoiceState) => void;
   onTranscript?: (text: string, final: boolean) => void;
   onTask?: (taskId: string) => void;
+  onReply?: (deltaText: string) => void; // Agent 回答增量文本（打字机，逐 token）
   onError?: (msg: string) => void;
 }
 
@@ -115,6 +116,9 @@ export class VoiceClient {
         case "task":
           if (m.task_id) this.cb.onTask?.(m.task_id);
           break;
+        case "reply":
+          if (m.text) this.cb.onReply?.(m.text); // 打字机：回答增量文本
+          break;
         case "speaking":
           this.setState("speaking");
           break;

sundynix-desktop/frontend/src/shell/VoiceDock.tsx

@@ -24,8 +24,9 @@ export function VoiceDock({ onTask }: Props) {
   const toast = useToast();
   const clientRef = useRef<VoiceClient | null>(null);
   const [state, setState] = useState<VoiceState>("idle");
-  const [transcript, setTranscript] = useState("");
+  const [transcript, setTranscript] = useState(""); // 我说的（ASR 转写）
-  const [open, setOpen] = useState(false); // 是否展开转写气泡
+  const [reply, setReply] = useState(""); // JARVIS 回答（打字机，逐 token 累加）
+  const [open, setOpen] = useState(false); // 是否展开对话气泡
 
   // 懒建客户端（首次点按时，带上用户手势→AudioContext 才能启动）。
   const ensureClient = useCallback((): VoiceClient => {
@@ -38,7 +39,11 @@ export function VoiceDock({ onTask }: Props) {
         },
         onTask: (taskId) => {
           onTask(taskId);
-          setOpen(false);
+          setOpen(true); // 留着气泡显示打字机回答
+        },
+        onReply: (delta) => {
+          setReply((r) => r + delta); // 打字机：增量拼接，LLM 首 token 即刻可见
+          setOpen(true);
         },
         onError: (msg) => toast.push("error", msg),
       });
@@ -55,6 +60,7 @@ export function VoiceDock({ onTask }: Props) {
         c.stopListening();
       } else {
         setTranscript("");
+        setReply(""); // 新一轮：清上一轮的回答
         setOpen(true);
         await c.startListening(); // speaking 中会先打断再开新一轮
       }
@@ -68,11 +74,25 @@ export function VoiceDock({ onTask }: Props) {
 
   return (
     <div className="pointer-events-none fixed bottom-6 right-6 z-40 flex flex-col items-end gap-2">
-      {/* 转写气泡 */}
+      {/* 对话气泡：我说的（转写）+ JARVIS 回答（打字机） */}
-      {open && transcript && (
+      {open && (transcript || reply) && (
-        <div className="pointer-events-auto max-w-xs rounded-2xl border border-line bg-ink-850/95 px-4 py-2.5 text-sm text-slate-200 shadow-xl backdrop-blur">
+        <div className="pointer-events-auto max-w-xs rounded-2xl border border-line bg-ink-850/95 px-4 py-3 text-sm shadow-xl backdrop-blur">
           <div className="flex items-start gap-2">
-            <span className="flex-1 leading-relaxed">{transcript}</span>
+            <div className="flex-1 space-y-1.5">
+              {transcript && (
+                <p className="leading-relaxed text-slate-400">
+                  <span className="mr-1 text-[11px] text-slate-500">我</span>
+                  {transcript}
+                </p>
+              )}
+              {reply && (
+                <p className="leading-relaxed text-slate-100">
+                  <span className="mr-1 text-[11px] text-brand-300">JARVIS</span>
+                  {reply}
+                  {state === "thinking" && <span className="ml-0.5 inline-block h-3.5 w-[2px] translate-y-[2px] animate-pulse bg-brand-300 align-middle" />}
+                </p>
+              )}
+            </div>
             <button className="mt-0.5 text-slate-500 hover:text-slate-300" onClick={() => setOpen(false)} aria-label="收起">
               <X className="h-3.5 w-3.5" />
             </button>

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
 		}