docs: 扁平化目录结构，优化文档为 Coding Agent 可读格式

- 移除 Obsidian 特有语法（callout、wikilinks、YAML frontmatter）
- 目录结构从 3 层嵌套扁平化为编号文件（01~09）
- 新增 docs/README.md 文档索引与推荐阅读顺序
- 精简冗余解释，保留所有代码块和实现参考
- CLAUDE.md 全面中文化

docs/06-语音交互.md

@@ -0,0 +1,77 @@
+# 语音交互
+
+## 概述
+
+语音交互全链路：**VAD（语音活动检测）** → **STT（语音转文字）** → **LLM 推理** → **TTS（文字转语音）**。
+
+用户感知延迟 = VAD 响应 + STT 耗时 + LLM 首 token + TTS 首包。人类对话中停顿超过 300ms 就会感到"对方在想"。
+
+**延迟目标**：端到端 **1.5~2 秒**（用户说完话到听到 AI 回应）；流式 TTS 下，LLM 开始生成后 **0.5 秒**听到第一个词。
+
+## 全链路
+
+```
+麦克风 → VAD → STT → LLM → TTS → 扬声器
+```
+
+## 环节一：VAD（语音活动检测）
+
+从持续音频流中检测"人什么时候在说话"，避免将环境噪音当作有效输入。**浏览器端完成**，节省 ~70% 带宽。
+
+```typescript
+import { MicVAD } from "@ricky0123/vad-web";
+
+const vad = await MicVAD.new({
+  onSpeechStart: () => console.log("用户开始说话"),
+  onSpeechEnd: (audio) => {
+    // audio: Float32Array，送入 STT
+    sendToSTT(audio);
+  },
+  positiveSpeechThreshold: 0.5, // 检测灵敏度
+  minSpeechDuration: 250        // 最短语音时长 ms
+});
+
+vad.start();
+```
+
+## 环节二：STT（语音转文字）
+
+| 方案 | 延迟 | 成本 | 特点 |
+|------|------|------|------|
+| Whisper API | 1-3s | 按分钟计费 | 准确率高，支持多语言 |
+| **Deepgram** | <500ms | 按分钟计费 | 流式识别，延迟极低 |
+| 浏览器原生 | ~1s | 免费 | 中文效果一般 |
+| FunASR | <500ms | 自部署免费 | 阿里开源，中文优化 |
+
+流式 STT 是低延迟的关键——不必等用户说完，边说边识别：
+
+```typescript
+// Deepgram 流式识别示例
+const ws = new WebSocket("wss://api.deepgram.com/v1/listen", {
+  headers: { Authorization: `Token ${API_KEY}` }
+});
+
+ws.onmessage = (event) => {
+  const { transcript, is_final } = JSON.parse(event.data).channel.alternatives[0];
+  if (is_final) {
+    onFinalTranscript(transcript); // 一句完整语音，送入 LLM
+  }
+};
+```
+
+## 环节三：TTS（文字转语音）
+
+流式 TTS：检测 LLM 输出中的句子边界，每检测到一句就立即送入 TTS 合成并播放，不必等全部生成完。
+
+方案选择：
+- **OpenAI TTS**：音质好，延迟中等，按字符计费
+- **Edge TTS**：微软免费方案，音质不错，延迟略高
+- **Fish Speech / CosyVoice**：开源方案，支持声音克隆，可自部署
+
+## 延迟优化要点
+
+- VAD 浏览器端处理（减少无效传输）
+- 流式 STT（边说边识别）
+- LLM 流式输出
+- TTS 句子级流式合成
+- STT 与上下文准备并行处理