Merge pull request '修复对话麦克风问题' (#64) from frontend-10 into develop

Reviewed-on: http://8.161.227.145:3000/XEngineers/CamTalk/pulls/64

docs/03-接口文档.md

@@ -41,19 +41,22 @@ interface WsMessage {
 
 #### `query` — 发起一次视觉对话
 
-用户说完话后，客户端同时发送当前图像帧和语音片段：
+用户说完话后，客户端同时发送当前图像帧和语音片段。也支持文本输入模式（手动输入文字时跳过语音识别）：
 
 ```typescript
 interface QueryMessage {
   type: "query";
   request_id: string;    // 客户端生成的 UUID
   image: string;         // Base64 编码的 JPEG 图像（不含 data: 前缀）
-  audio: string;         // Base64 编码的音频片段（PCM 16kHz）
+  audio: string;         // Base64 编码的音频片段（PCM 16kHz），文本输入时为空字符串
+  text?: string;         // 用户手动输入的文本（有值时跳过 STT，直接使用此文本）
   mime_type?: string;    // 音频格式，默认 "audio/pcm"
 }
 ```
 
 > 为什么图像和音频放在同一条消息里？因为 VAD 检测到用户说完话时，需要同时捕获"此刻的画面"和"说的话"，拆成两条消息会增加时序同步的复杂度。
+>
+> **文本输入模式**：当用户关闭麦克风后，可通过对话框手动输入文字。此时 `text` 字段携带用户输入，`audio` 为空字符串，服务端跳过 STT 直接使用 `text` 进行 LLM 推理。
 
 #### `config` — 更新会话配置
 
@@ -211,13 +214,13 @@ interface PongMessage {
 
 ### 消息流时序
 
-一次完整交互：
+**语音模式**（麦克风开启）：
 
 ```
 Client                          Server
   |                               |
   |-- query {image, audio} ------>|
-  |<-- stt_result {text} ---------|
+  |<-- stt_result {text} ---------|  (语音识别)
   |                               |
   |<-- llm_chunk {delta: "这"} ---|  (LLM 流式输出)
   |<-- llm_chunk {delta: "是一"} -|
@@ -228,6 +231,22 @@ Client                          Server
   |<-- tts_audio {is_last: true} -|
 ```
 
+**文本输入模式**（麦克风关闭，手动输入文字）：
+
+```
+Client                          Server
+  |                               |
+  |-- query {image, text} ------->|  (跳过 STT)
+  |<-- stt_result {text} ---------|  (回显用户文本)
+  |                               |
+  |<-- llm_chunk {delta: "好的"} -|  (LLM 流式输出)
+  |<-- llm_chunk {delta: "，我"} -|
+  |<-- llm_done {full_text} ------|
+  |                               |
+  |<-- tts_audio {audio} ---------|  (TTS 音频流)
+  |<-- tts_audio {is_last: true} -|
+```
+
 ---
 
 ## 二、REST API
@@ -891,6 +910,7 @@ type QueryRequest struct {
     RequestID string `json:"request_id"`
     Image     []byte `json:"-"`           // Base64 解码后
     Audio     []byte `json:"-"`           // Base64 解码后
+    Text      string `json:"text"`        // 用户手动输入的文本（有值时跳过 STT）
     MimeType  string `json:"mime_type"`
 }