feat(asr): 火山引擎说话人分离，过滤非主要说话人 - #760

User description

摘要

开启火山引擎流式 ASR 的 enable_speaker_info 选项，让返回的每个 utterance 带说话人标签。然后按说话人分组，取说话时长最长的作为「主要说话人」，只拼接其文本，丢弃其他人（比如听写时旁边同事插话）的片段。

这是「只识别我自己的声音」需求的 Quick Win，不是真正的声纹注册验证——后者需要本地 embedding 模型，后续另做。

改动（仅 volcengine.rs，无前端 / IPC / 配置改动）

• build_first_frame_payload：请求参数加 enable_speaker_info: true
• 结果组装：统计每个 speaker 的 end_time - start_time 总和 → 取最大者为主要说话人 → 只拼接该 speaker 的 utterance 文本
• 无 speaker 标签时行为不变（全量拼接），向后兼容
• 加日志 [asr] speaker filter: primary=..., kept=..., filtered=...，过滤生效时可见

不做什么

• 不做声纹注册 / 本地 embedding 验证（第二步，后续另做）
• 不动其他 ASR provider（bailian / whisper / local 等暂不跟进）
• 不改 RawTranscript 结构（过滤后的 text 直接体现在 text 字段，无需新增字段）
• 不加前端 UI / 开关（如需开关后续再加）

测试

• 编译通过（cargo check + tauri build，既有 101 warnings，无新增错误）
• macOS 1.3.13-Beta.1 实测：自己说话时旁边有人插话，非主要说话人片段被过滤
• 单人说话场景：行为与改动前一致（只有一个 speaker，无过滤）

局限

• 「主要说话人」= 说话时长最长者。若你说话比旁边人短，会被误判为次要而被过滤（真正的声纹验证可解决，见「不做什么」）
• 火山返回的 speaker 是匿名标签（speaker_0 / speaker_1），不等于「已注册用户」

PR Type

Enhancement

Description

• Enable speaker diarization for Volcengine streaming ASR

• Filter utterances to keep only the primary speaker (longest speaking time)

• Fall back to all utterances if no speaker labels present

• Add logging for speaker filter statistics

Diagram Walkthrough

flowchart LR
  A[Enable speaker_info] --> B[Collect speaker durations]
  B --> C[Select primary speaker]
  C --> D[Filter utterances]
  D --> E[Concatenate text]