支持外部语音识别模型并接入小米 MiMo ASR

[utopiafar]

背景

当前语音识别主要围绕本地模型路径设计，用户无法在识别时选择外部语音识别服务。随着用户已经在 AI 模型配置页维护多个模型供应商，语音识别也需要支持“本地优先 + 可选外部模型”的配置方式，并与新版 AI 服务配置页保持一致。

本次需求希望：

• 识别时可以在本地模型和外部模型之间切换。
• 外部模型优先支持使用率较高、国内可用性较好的供应商。
• 支持小米 MiMo 的语音识别模型 mimo-v2.5-asr。
• 识别结果在支持实时能力的模型上继续实时更新和预览；不支持实时上传音频流的模型需要在 UI 上说明能力边界。
• 配置入口需要兼容新版 AI 配置页，而不是回退到旧版单页开关。

方案

建议将语音识别配置抽成独立模型，保留 legacy use_local_speech_to_text 语义用于兼容旧设置，同时新增 provider 选择：

• 本地模型：继续走现有本地转录路径，支持实时预览。
• 腾讯云 ASR：作为外部实时能力 provider，支持实时片段更新。
• 小米 MiMo ASR：走 OpenAI-compatible chat completions 格式上传完整 wav/mp3 音频，适合导入音频或录音结束后的最终文本识别。

小米 MiMo 的实现要点：

• 模型固定使用官方文档当前支持的 mimo-v2.5-asr。
• 请求体使用 input_audio.data = data:{mime};base64,...。
• 支持 auto / zh / en 语言选项。
• 支持关联已有 MiMo LLM 配置，复用 API Key 和 Base URL；也支持手动配置 API Key 和 Base URL。
• 对 token-plan 这类用户提供的 https://token-plan-sgp.xiaomimimo.com/anthropic 地址，需要在 ASR 调用时归一化为同 host 的 /v1/chat/completions。
• MiMo 当前作为最终文本识别，不标记为实时流式预览能力。

UI 方案：

• 在新版 AI 配置页的自定义服务页中加入“语音识别”能力区。
• 使用分段按钮选择本地 / 腾讯云 / 小米 MiMo。
• 展示能力标签：是否实时预览、是否支持导入音频、音频是否离开设备。
• 小米 MiMo 表单支持“关联已有 MiMo 配置”和“手动凭据”两种模式。
• 对 MiMo 明确提示“录音结束后返回最终文本，不提供实时预览”。

验收标准

• 用户可以在 AI 配置页选择本地、腾讯云或小米 MiMo 语音识别 provider。
• 本地和腾讯云路径不回退已有实时预览体验。
• 小米 MiMo 能识别 wav/mp3 音频，并能从关联的 MiMo LLM 配置或手动配置读取凭据。
• token-plan /anthropic 地址能够自动映射到 /v1/chat/completions。
• 旧的 use_local_speech_to_text 设置可以被兼容迁移。
• UI 有 widget test 覆盖 provider 切换、手动/关联 MiMo 配置、能力提示和表单持久化。
• 服务层有 unit test 覆盖请求构造、错误解析、大小限制、MIME 处理、响应解析和配置兼容。