test/docs/REALTIME_WEBSOCKET_PROCESSING_COMPARISON.md

# 实时 ASR WebSocket 处理细节对照

本文只整理当前代码，不修改 WebSocket 或说话人算法。对照对象是：

- 当前独立 Demo：`demo/realtime_asr_optimization_demo`
- 原项目实时接口：`app/api/v1/websocket_asr.py`、`app/services/qwen3_websocket_asr.py`、`app/services/realtime_speaker_clusterer.py`

代码是本文的依据；旧的排查记录或早期说明如果与当前实现冲突，以代码为准。

## 1. 先看整体差异

```mermaid
sequenceDiagram
    participant B as 浏览器
    participant D as 当前 Demo /ws
    participant V as 独立 vLLM HTTP
    participant A as 独立辅助服务

    B->>D: start（扁平字段）
    B->>D: PCM/WAV 二进制帧
    D->>D: 20ms RMS 门控、turn 缓冲、静音切段
    D->>V: 当前 turn 的累积 WAV（partial/final）
    V-->>D: 文本
    D-->>B: sentences + display_state
    D->>A: final turn + session_id
    A-->>D: CAM++ embedding / 在线聚类标签
    D-->>B: 同 sentence_id 的 speaker 更新 + 新 display_state
    B->>D: eof 或 stop
    D->>D: 等待音频队列和 speaker 队列清空
    D-->>B: end
```

```mermaid
sequenceDiagram
    participant B as 浏览器
    participant R as 原项目 FastAPI 路由
    participant Q as Qwen3ASRService
    participant E as Qwen3ASREngine
    participant S as RealtimeSpeakerClusterer

    B->>R: /ws/v1/asr 或 /ws/v1/asr/qwen
    R->>Q: handle_connection
    B->>Q: start.payload（嵌套字段）
    Q-->>B: voice_id、start
    B->>Q: PCM/WAV 二进制帧
    Q->>Q: 转采样、VAD、pre-roll、partial
    Q->>E: 原生流式或当前窗口重转写
    E-->>Q: partial 文本
    Q-->>B: sentence_type=0
    Q->>E: 当前 turn 全量 final 重转写
    E-->>Q: final 文本
    Q-->>B: sentence_type=1、speaker_id=-1
    Q->>S: speaker_job_queue（异步）
    S-->>Q: 聚类/注册库匹配
    Q-->>B: 相同 sentence_id 的 speaker 回写
    B->>Q: stop
    Q-->>B: end（stop 内部会再次 final/recluster）
```

核心设计差别是：当前 Demo 把 ASR 和声纹都放在独立 HTTP 服务后面，WebSocket 只做编排；原项目把 Qwen ASR 引擎、VAD、在线声纹聚类放在同一个服务进程里，但 speaker 归属仍是 final 之后异步补回。

## 2. 当前独立 Demo 的处理链路

### 2.1 进程和启动关系

`server.py` 启动一个 aiohttp HTTP/WebSocket 进程，并在生命周期中创建两个 HTTP 客户端：

| 组件 | 默认地址 | 职责 |
| --- | --- | --- |
| `VLLMTranscriptionService` | `http://127.0.0.1:9950/v1` | 只调用 `/audio/transcriptions`，partial 和 final 都是累积窗口 HTTP 请求 |
| `AuxiliaryModelService` | `http://127.0.0.1:8010` | 调用 `/health`、`/v1/speaker/resolve`、`/v1/speaker/reset` |
| `RealtimeSession` | `server.py:/ws` | 接收音频、VAD 切 turn、调用两个服务、维护展示状态 |

辅助服务在 `demo/scripts/auxiliary_server.py` 中预加载 VAD 与 CAM++ `speaker_verification`。每次 resolve 只上传一个已结束 turn，服务以 `session_id` 保存在线聚类中心；这不是把整段会议音频重新上传。

### 2.2 WebSocket 输入和输出

客户端首条消息是扁平结构：

```json
{
  "type": "start",
  "source": "mic",
  "model_service_url": "http://127.0.0.1:9950/v1",
  "model": "Qwen/Qwen3-ASR-0.6B",
  "speaker_diarization": 1,
  "sentence_strategy": 0,
  "partial_interval_ms": 1200,
  "max_segment_sec": 12,
  "display_merge": true
}
```

`start` 成功后，客户端发送 16kHz、单声道、PCM16 二进制帧。文件模式只接收 `.pcm` 和 `.wav`；WAV 的 RIFF/fmt/data chunk 在 WebSocket 服务端增量剥离，并且要求 16kHz、单声道、PCM16。

控制消息：

| 消息 | 行为 |
| --- | --- |
| `eof` | 输入生产者结束；服务端把 `EOF` 放入音频队列，完成尾部 turn 和 speaker 队列后发送 `end` |
| `stop` | 与 `eof` 走同一排空流程，同时记录 `input_stopped`，用于 WAV 不完整时的校验差异 |
| `abort` | 取消音频和 speaker worker，直接结束，不保证当前 turn 有 final |

服务端消息的实际顺序通常是：

```text
start
  -> sentences（partial，可能多次）
  -> display_state（每次状态改变一份快照）
  -> sentences（final，speaker 尚未确认）
  -> display_state（pending）
  -> display_state（processing/confirmed 或失败原因）
  -> draining
  -> end
```

`sentences` 是兼容性事件；`display_state` 是当前页面的主要渲染数据。`display_state.revision` 单调递增，包含：

- `raw_segments`：按 `start_time`、`sentence_id` 排序的原始片段
- `display_blocks`：按相邻且可信的说话人合并后的展示块
- `metrics`：音频字节数、输入帧数、partial 数量、partial 修订次数和耗时

### 2.3 音频、VAD 和 turn 边界

`RealtimeSession.process_audio()` 的边界是本 Demo 最重要的状态机：

1. 二进制数据进入 `audio_queue`，再拆成 640 bytes 的 PCM 帧，即 20ms。
2. 每帧用 RMS 阈值 `450` 判断有声/静音；这是 WebSocket 层的轻量门控，不是辅助服务的整段 VAD pipeline。
3. 未进入说话状态时，保留最近 6400 bytes（约 200ms）`pre_roll`。
4. 第一帧有声时，将 pre-roll 加到新 `segment_audio`，设置 `segment_start_ms`。
5. 进入说话状态后，所有帧追加到当前 turn；有声帧累计 `voiced_ms`，静音帧累计 `silence_ms`。
6. `sentence_strategy=0` 默认约 800ms 静音提交；`sentence_strategy=1` 使用约 1400ms 静音提交。
7. 达到 `partial_interval_ms`（默认 1200ms）且尚未达到静音阈值时，调用一次 vLLM partial。
8. 达到 `max_segment_sec`（默认 12s）时按 `max_duration` 提交。

当前 Demo 不把切段尾部静音送给 ASR/声纹：提交前按 `silence_ms` 从 `segment_audio` 尾部删除。下一个 turn 没有原项目那样的 `carry_audio`，而是从后续有声帧重新开始；因此两段之间的静音会形成时间间隔，不会自动带入下一段。

### 2.4 ASR 结果和同句覆盖

`_emit_transcription()` 始终使用当前 `segment_id`：

- `sentence_type=0`：partial，写入/覆盖同一个 `sentence_id`
- `sentence_type=1`：final，仍写入同一个 `sentence_id`，并加入 speaker 队列

`SegmentAssembler.apply_sentence()` 先按 `sentence_id` 找旧记录再覆盖；如果已经是 final，后来的 partial 不会回滚 final。final 没有文本时，会移除该片段，避免遗留一个永久 pending 的 partial。

### 2.5 声纹异步链路

`_commit_segment()` 只负责把 `SpeakerJob` 放入 `speaker_queue`，不会等待 CAM++。`process_speakers()` 是单 worker，按 turn 入队顺序串行调用辅助服务：

1. `voiced_ms < 800ms`：不提取声纹，写入 `insufficient_audio`，保持 `speaker_id=-1`。
2. 辅助服务缺失或异常：写入 `service_unavailable`/`service_error`，ASR 继续输出。
3. 辅助服务返回 embedding/聚类结果：回写同一 `sentence_id`。
4. `SegmentAssembler.apply_speaker_update()` 只接受可信身份：`speaker_evidence` 必须是 `fresh` 或 `confirmed`，置信度至少 `0.6`，并拒绝 `short_attach`、`embedding_attach`。
5. 不可信结果被归一化为 `speaker_id=-1`、`speaker_name=""`，但保留状态和原因供诊断。

辅助服务的在线聚类是简单的 session 级中心匹配：首次 embedding 新建 `speaker_id`，之后与已有中心的余弦相似度达到阈值就更新中心并复用 ID。`/v1/speaker/reset` 在 WebSocket 结束时清理该 session。

### 2.6 展示块如何合并

`SegmentAssembler.display_blocks(merge_adjacent=True)` 先按时间排序原始片段，然后遵循：

- pending/unknown 片段始终以自己的 `sentence_id` 作为身份键，独立成块；
- 只有相邻且可信的片段，且 `user_id`/`registry_speaker_id`/`speaker_id` 身份键相同，才合并；
- 合并只拼接文本、扩大结束时间并追加 `segment_ids`，原始片段仍保留在 `raw_segments`。

当前页面收到 `display_state` 后会整块重建结果区，按 `block_id` 渲染；收到 `sentences` 时如果服务端声明支持 `display_state`，页面不会再次追加，避免同一片段重复显示。旧页面或绕过 `display_state` 的客户端不具备这个保护。

## 3. 原项目 WebSocket 的处理链路

### 3.1 路由和状态

`app/api/v1/websocket_asr.py` 当前实际路由：

- `/ws/v1/asr`
- `/ws/v1/asr/qwen`
- `/ws/v1/asr/funasr` 已废弃，接受后发送 `FUNASR_REALTIME_REMOVED` 并以 1008 关闭

每个连接进入 `Qwen3ASRService.handle_connection()`。`ConnectionContext.state` 为 `READY -> STARTED -> STREAMING`；会话还可以通过 `session_id` 在 TTL 内断线恢复。恢复的是完整上下文，包括已确认片段、speaker history、时间线和待处理状态，不只是一个 WebSocket ID。

### 3.2 start 参数

原项目的 `start` 使用 `payload` 嵌套对象。常用字段包括：

| 类别 | 字段 |
| --- | --- |
| 音频 | `format`、`sample_rate`、`language`、`context`、`enable_inverse_text_normalization` |
| partial | `min_partial_sec`、`partial_window_sec`、`partial_holdback_chars`、`unfixed_token_num`、`enable_native_partial_stream` |
| 切段 | `silence_duration_ms`（默认 800）、`pre_roll_ms`（默认 240）、`max_sentence_count`（默认 8）、`enable_realtime_vad_split`、`max_segment_sec` |
| speaker | `enable_speaker`（默认 true）、`match_speaker_registry`、`speaker_threshold` |
| 稳定性 | `force_stable_segment_sec`、`force_stable_min_chars`、`soft_limit_sec`、`hard_limit_sec` |

服务端先发送 `voice_id`，再发送 `start`。`voice_id` 与会话 ID 通常相同；如果客户端传入固定 `payload.session_id`，断线重连时可以复用上下文。

### 3.3 音频转换、pre-roll 和 partial

`_convert_audio()` 接收 PCM/WAV，转为 float32；多声道下混为单声道，非 16kHz 用 scipy 重采样。每个二进制消息都在服务端转换后立即参与 VAD。

原项目的 `ConnectionContext` 同时维护：

- `pre_roll_audio`：未开始说话前的前滚音频，默认约 240ms；
- `segment_audio_buffer`：从当前 turn 开始到提交前的完整音频；
- `stream_window_buffer`：最近窗口，用于 partial 或 native stream 失败时回退；
- `realtime_stream_state`：只服务低延迟 partial，不决定 final；
- `silence_samples`、`sentence_active`、`total_samples`：VAD 状态和当前 turn 长度。

有声输入到达时，`_start_turn()` 把 pre-roll 与当前音频拼接；后续由 `_append_turn_audio()` 追加。达到最短窗口后，服务端可走原生 Qwen partial，或对当前窗口/当前 turn 重转写；partial 会经过清理、去重、与上一段重叠裁剪后发送。

提交触发条件不只有静音：

- 识别到足够完整的标点句，且时长/字数达到稳定门槛；
- 句子数达到 `max_sentence_count`；
- 静音样本达到 `silence_duration_ms`；
- 达到硬时长限制；开启实时 VAD split 时会尝试找一个完成的分割点。

### 3.4 final、carry 和时间线

`_commit_retranscribe_turn()` 对当前完整 turn 做一次 final 重转写，生成 `confirmed_segments` 元素：

```text
index / text / language / reason
duration_ms / start_ms / end_ms
sentence_type=1 / speaker_id=-1 / speaker_pending=true
```

final 事件先发送，speaker 之后再补。默认 final 的 `start_ms` 来自 `ctx.timeline_cursor_ms`；提交后时间线前移到 `segment_end_ms`。

开启实时 VAD split 时，提交可能得到 `finalized_audio + carry_audio`：前半段定稿，后半段留在下一个逻辑 turn 中，且会重新初始化 stream 状态。这个 carry 是原项目与当前 Demo 的一个实质差异，也是跨说话人边界时必须重点观察的音频来源。

### 3.5 原项目 speaker worker 和聚类

原项目 final 后把 job 放入 `ctx.speaker_job_queue`，由 `_speaker_worker_loop()` 串行消费。`_resolve_segment_speaker()` 调用 `RealtimeSpeakerClusterer.resolve_segment_speaker()`，再把结果写入指定 `segment_index`，通过相同索引发送一条新的 `sentences`。

`RealtimeSpeakerClusterer` 当前行为：

- 1.6s 以下且上一条有命名身份：使用 `short_attach` 直接沿用上一条；
- 正常 turn：按 1.5s 窗口、0.75s 步长提取 CAM++ embedding，匹配已有记录或新建 generic speaker；
- 4s 以上若 chunk 明显混合：返回 `mixed_segment`，保持未知；
- 开启注册库匹配且时长至少 2.4s：在独立注册 embedding 空间匹配实名；
- timeline 平滑时，短于 0.7s 的范围会并给相邻说话人；
- 实时记录达到至少 5 条且队列积压不超过 1 条时，可能对最近 12 条 pending 片段重新聚类；
- `stop` 时还会对历史记录做一次最终 recluster。

此外，`Qwen3ASRService` 自身还有两类“最近说话人继承”：generic speaker 新 turn 时长至少 8s 才允许 `recent_inherit`，实名 speaker 至少 4.5s 才允许 `recent_named_inherit`。这些继承都发生在 embedding 结果之后，不能与 `short_attach` 混为一谈。

### 3.6 stop 和 end

客户端只发送 `{"type":"stop"}`。服务端会：

1. 对仍 active 的 `segment_audio_buffer` 做 `reason=final` 的 final 提交；
2. 立即对现有 `speaker_records` 做最终 recluster，并发送可能的 speaker 更新；
3. 汇总 `confirmed_segments`，发送 `end(final=1)`。

这里与当前 Demo 不同：原项目的 `_stop()` 没有显式等待 `speaker_job_queue.join()`。如果 stop 到达时 speaker worker 仍在处理，最终 recluster/end 可能先于某个异步 speaker 回写；断开清理还会停止 worker。客户端必须把同 `sentence_id` 的后续 speaker 事件当作可迟到更新，而不能认为 `end` 之后绝不会再有归属变化。

## 4. 两套消息契约对照

| 维度 | 当前独立 Demo | 原项目 |
| --- | --- | --- |
| WebSocket | aiohttp `/ws` | FastAPI `/ws/v1/asr`、`/qwen` |
| start | 扁平字段 | `payload` 嵌套字段 |
| ASR | 外部 vLLM HTTP 累积窗口 | 进程内 Qwen engine，原生 stream 或重转写回退 |
| VAD | 20ms PCM RMS 门控 | float32 音频门控，支持实时 VAD split 辅助切分 |
| pre-roll | 固定约 200ms | `pre_roll_ms` 默认约 240ms |
| final 音频 | 删除提交尾部静音，不保留 carry | 可有 `carry_audio` 并带入后续 turn |
| speaker | 外部 CAM++/在线中心服务，单 worker | 进程内 CAM++ chunk 聚类、注册库、重聚类，单 worker |
| 未确认 speaker | `speaker_evidence=pending`，展示独立未知块 | `speaker_id=-1` 或 `speaker_pending=true`，客户端需自行暂存 |
| 文本更新键 | `sentence_id` | `sentence_id` 对外，内部 `segment_index` |
| 展示快照 | `display_state.revision`，服务端生成 `display_blocks` | 没有同等的服务端展示块协议，客户端按 sentence upsert |
| end 屏障 | `EOF -> audio worker -> speaker EOF -> end` | `_stop()` final/recluster/end，不等待 speaker 队列清空 |

## 5. “上一人的最后一句进入下一人气泡”的定位框架

当前先不修改，定位时要把“片段本身错了”和“片段正确但展示合错了”分开。

### 5.1 当前独立 Demo 的可能路径

1. **同一个 turn**：两人换话之间没有达到 800ms（或段落模式 1400ms）静音，RMS VAD 不切段。此时 vLLM 收到的是混合 turn，前端只有一个 `sentence_id`，不是气泡合并问题。
2. **声纹误归属**：A 的 final 先是 pending，随后辅助服务把 A 误匹配到 B 的 cluster。下一次 `display_state` 中，A、B 两个相邻片段拥有同一可信身份，`display_blocks()` 会把两者拼成一个 block。
3. **异步回写改变了合并条件**：A 的 speaker 结果可能在 B 的 final 之后才到达。服务端按时间排序重建快照，所以视觉上是 A 的文字“后来进入”B 的气泡；实际是 A 的旧片段身份被补齐后触发了相邻合并。
4. **旧客户端渲染路径**：当前页面在 `display_state_supported=true` 时忽略 `sentences`，但旧页面若逐条 append `sentences`，可能把同一 `sentence_id` 的 final/speaker 更新当成新气泡，或把 pending 文本追加到上一气泡。必须确认浏览器加载的 `app.js` 版本和服务端返回的 `display_state`。
5. **session 污染**：辅助服务按 `session_id` 保存聚类中心。若 reset 没有执行、多个连接错误复用同一个 session ID，上一场会话的 cluster 可能影响新会话；正常一次连接内 A/B 共用中心是设计行为，不是跨人合并的充分证据。

当前 Demo 的 worker 是串行的，`emit()` 有发送锁，因而“并发返回顺序打乱”不是首要嫌疑；首要证据应是 `raw_segments` 的 `sentence_id/start_time/speaker_id/speaker_strategy` 是否正确，以及 `display_blocks.segment_ids` 是否把两个片段合到一起。

### 5.2 原项目的可能路径

1. **静音边界不足**：默认 800ms 静音才提交；换话前的短停顿会让 A 尾部和 B 开头留在同一个 `segment_audio_buffer`。
2. **carry 音频污染**：启用实时 VAD split 时，分割点之后的 `carry_audio` 会成为下一个 turn 的开头。若 split 点落在 A 尾音或 B 起音中间，下一段声纹和 ASR 都会携带前一人尾部。
3. **短句沿用上一身份**：B 的新段小于 1.6s 且历史有命名 speaker 时，`short_attach` 会直接复用上一条；chunk 提取为空时的 `embedding_attach` 也可能复用上一条。这是代码中最直接的“上一人污染下一段”路径。
4. **最近身份继承**：较长的新段在匹配失败时可能触发 `recent_named_inherit`（至少 4.5s）或 `recent_inherit`（至少 8s），因此不能只看最终 `speaker_id`，还要记录 `speaker_strategy`。
5. **重聚类改写历史**：实时重聚类和 stop 最终重聚类都可能改写已有 segment 的 speaker。客户端如果按到达顺序追加，而不是按 `sentence_id` upsert，就会看到旧气泡和新气泡互相覆盖或合并。
6. **stop 竞态**：原项目 stop 不等待 speaker job 队列清空；end 可能先发，随后连接清理还会取消 worker。最后一个人的 speaker 归属可能缺失、迟到或停留在旧标签，前端若把 end 当成不可变快照会放大问题。

### 5.3 需要同时保存的证据

对同一段测试音频，至少保存以下三层结果：

```text
音频层：每个 turn 的 start/end、有效有声时长、是否包含 carry/pre-roll
识别层：sentence_id/index、sentence_type、文本、speaker_strategy、置信度
展示层：display_state.revision、raw_segments、display_blocks.segment_ids
```

判定规则：

- `raw_segments` 已经只有一个片段：先查 VAD/切段边界；
- `raw_segments` 有 A、B 两段且 speaker ID 相同：查声纹误匹配/继承/重聚类；
- `raw_segments` 的 ID 不同但 `display_blocks.segment_ids` 合并：查展示合并键；
- `display_blocks` 正确但页面仍显示一只气泡：查浏览器脚本版本、是否绕过 `display_state`、是否按 `sentence_id` upsert。

## 6. 后续细节优化的优先级（本轮不实施）

### P0：先证明边界和身份是否正确

- 记录每个 final 的实际音频起止、有效有声毫秒、pre-roll/carry 长度。
- 记录 speaker resolve 请求和返回的 `session_id`、策略、置信度、cluster ID。
- 前端临时展示 `block.segment_ids`，确认“合并”到底是两个片段还是一个片段。
- 用固定 A-静音-B 音频，比较 200ms、500ms、800ms、1400ms 停顿。

### P1：降低错误身份传播

- 对 `short_attach`、`embedding_attach`、recent inherit 单独统计，不要只统计 speaker_id。
- 对跨边界的短 turn 保持 pending，等到有独立 embedding 或后续重聚类再确认。
- 明确实时重聚类和最终重聚类的可修改范围，客户端统一按 ID 幂等更新。
- 为 stop 增加“最后一个 speaker job 已完成”的可观察状态。

### P2：改善展示稳定性

- 展示层只把可信且相邻的片段合并，保留 segment_ids 和 revision。
- 对 speaker 更新做局部重绘或整快照重绘，但不要把同一个 sentence 当成新消息追加。
- unknown/pending 使用独立块，不把诊断文本放在说话人名称中。

## 7. 建议的验收用例

| 用例 | 观察点 | 通过标准 |
| --- | --- | --- |
| A 说 3s，停 1s，B 说 3s | 两套服务的 raw segment | 至少两个不同 sentence_id，时间不重叠 |
| A 说 3s，停 300ms，B 说 3s | VAD 边界 | 明确记录为同段或分段，不能只看气泡颜色判断 |
| A 说 3s，B 只说 0.8s | 短 turn speaker 策略 | 原项目应能观察 `short_attach`；Demo 应保持 pending 或独立结果 |
| A/B 各说多段，speaker 服务延迟 2s | 异步回写 | 文本不重复，更新按 sentence_id 定位，顺序按时间恢复 |
| speaker 服务不可用 | 降级 | ASR 仍有 final，speaker 为未知并有明确 reason |
| stop 紧跟最后一帧 | 收尾屏障 | Demo 的 end 在 speaker 队列完成后发送；原项目记录可能迟到的 speaker 更新 |
| 断线后同 session_id 重连 | 会话隔离 | 原项目按 TTL 恢复；Demo 新连接不会复用旧 speaker center |

## 8. 源码索引

### 当前独立 Demo

- `demo/realtime_asr_optimization_demo/server.py`
  - `RealtimeSession.__init__`：会话参数、队列和 VAD 状态
  - `emit_state`：`raw_segments/display_blocks/revision`
  - `_emit_transcription`：partial/final 写入同一 `sentence_id`
  - `_commit_segment`、`process_audio`：VAD、切段和 speaker job 入队
  - `_resolve_speaker`、`process_speakers`：异步声纹回写
  - `websocket_handler`：start、二进制帧、eof/stop/abort、end
- `demo/realtime_asr_optimization_demo/speaker_assembler.py`
  - `apply_sentence`、`apply_speaker_update`、`display_blocks`
- `demo/realtime_asr_optimization_demo/model_service.py`
  - 独立 vLLM OpenAI-compatible HTTP 适配
- `demo/realtime_asr_optimization_demo/auxiliary_service.py`
  - `/health`、`/v1/speaker/resolve`、`/v1/speaker/reset` 客户端适配
- `demo/scripts/auxiliary_server.py`
  - VAD/CAM++ 预加载、embedding 提取、session 级在线聚类

### 原项目

- `app/api/v1/websocket_asr.py`
  - `/ws/v1/asr`、`/ws/v1/asr/qwen`、废弃 `/funasr`
- `app/services/qwen3_websocket_asr.py`
  - `ConnectionContext`：音频、partial、confirmed segments、speaker 队列
  - `handle_connection`：WebSocket 状态机和消息协议
  - `_commit_retranscribe_turn`：final、carry、timeline、speaker job
  - `_speaker_worker_loop`、`_resolve_and_emit_segment_speaker`：异步 speaker 回写
  - `_inherit_recent_*`、`_maybe_recluster_recent_segments`：身份传播和重聚类
  - `_stop`：最终提交、recluster、end
- `app/services/realtime_speaker_clusterer.py`
  - chunk embedding、短段沿用、已有 speaker 匹配、混合段、timeline 平滑
- `docs/realtime_meeting_websocket.md`
  - 对外协议示例；其中 partial/final/speaker 回写必须按 `sentence_id` 幂等处理

本轮只新增本文档，没有修改上述实现。后续修复应先用第 5 节的三层证据确定问题属于切段、声纹还是展示层，再决定改哪一层。