FIX: 跟读实时 VAD 改为自适应门槛，修复小声用户说话中途被自动结束录音

- 固定门槛 0.015（增益前 RMS）高于部分用户整段电平，说话被判为静音后触发 5s 静音兜底
- 新增 AdaptiveVadThreshold（Android / iOS / macOS 三端同源）：底噪取判为静音的非零 buffer 的 10% 分位，门槛 = 底噪 × 2.5，限制在 [0.004, 0.015]
- stopSession 诊断输出 vadThreshold / vadNoiseFloor / vadVoicedBuffers
- 三端各 8 项单测；更新 TASKS.md 与 CLAUDE.md §7.30

Author: echo-loop

CLAUDE.md

@@ -437,3 +437,9 @@ flutter test integration_test -d macos
   三份 arb 逐 key diff，`HEAD == ece1a4da^ 且 ece1a4da 改过` 即判定为被静默回退，按 `ece1a4da`
   的值恢复；同一方法可扩展到检测任意「长分支落地覆盖主干独立改动」的问题，不限于 l10n。
 - **完成时间**：2026-08-06
+
+### 7.30 跟读实时 VAD：固定 RMS 门槛把小声用户判成静音 → 说话中途被自动结束录音
+
+- 根因：Android `AndroidSpeechPracticeHandler` 与 iOS/macOS `AppDelegate.swift` 都用固定门槛 0.015（**增益前** RMS；写入 WAV 时才 ×2.2，离线 ASR 日志里的 rms² 是增益后的值，换算时别搞混）。Android 离线 ASR 录音中无实时转写，自动停止只靠声学静音兜底，判错即截断。
+- 规则：门槛按底噪自适应（`AdaptiveVadThreshold`，Kotlin + Swift 三端同源，改参数必须三端同步），**必须有上限（= 旧门槛）和下限**；底噪只统计判为静音的 buffer。排查时对比 `[RecordingDiag]` 的 `vadThreshold/vadNoiseFloor/vadVoicedBuffers` 与 `[ASREngine] VAD: x → y` 是否矛盾。
+- 相关：跟读引擎的 `referenceDuration`/`maxDuration` 必须按播放倍速换算（`RepeatFlowConfig.playbackSpeed`），否则慢速播放时动态兜底降到 1s。

TASKS.md

@@ -3,6 +3,7 @@
 > 当前待办与本次完成记录；此前完成任务“随心听字幕列表按当前句定位和自动聚焦”（2026-09-29）已归档，详见 [2026-09-29 归档](./docs/tasks-archive/tasks-2026-09-29-completed.md)。
 
 ## 本次完成
+- [x] 修复跟读录音在用户仍在说话时自动结束（Android / iOS / macOS，2026-10-28）：按用户日志（单句跟读 "So every year… annual monkey feast" 三次录音均在 "annual" 附近截断），实时 VAD 判为 5s 静音的区间被离线 ASR 判为连续人声；根因是 Android 固定门槛 0.015（增益前 RMS）高于该用户整段平均电平（约 0.007–0.011）。新增 `AdaptiveVadThreshold`：底噪取近 30s 内「判为静音」的非零 buffer 的 10% 分位，门槛 = 底噪 × 2.5（取向「宁可多录几秒，也不要截断」），限制在 [0.004, 0.015]，上限即旧门槛，嘈杂环境不会比修复前更严格；有声 buffer 不进入底噪统计，长时间连续说话不会抬高门槛；stopSession 诊断追加 `vadThreshold/vadNoiseFloor/vadVoicedBuffers`。iOS / macOS 原生端同样使用固定 0.015 且 Dart 侧 5s 静音兜底在有实时转写时也生效，同步移植为 Swift `AdaptiveVadThreshold`（三端算法与参数一致），并将该文件同时编入 RunnerTests target 以免依赖随 configuration 变化的 App 模块名。同时修复跟读引擎录音参考时长与最大时长忽略播放倍速（0.8x 时有声时长很快超过原句时长，动态兜底被压到 1s）：`RepeatFlowConfig.playbackSpeed`，单句跟读与难句跟读接入，按「原句时长 ÷ 倍速」计算。新增 Kotlin 与 Swift 单测各 7 项（含小声说话回归、上下限、全零 buffer、连续说话）与引擎倍速回归测试；Android JVM 单测 34 项、macOS RunnerTests、iOS 模拟器 RunnerTests 均通过，相关 Dart 测试 312 项通过（9 项跳过），定向 `flutter analyze` 无问题。未运行全量 `flutter test`（既有失败基线）与 macOS 集成测试（本机环境问题）；iOS 构建前执行了 `pod install`（`Podfile.lock` 补上此前漏同步的 `in_app_review`）。需 Android / iPhone 真机验证小声跟读。**完成时间**: 2026-10-28
 - [x] 开发者选项增加服务地区切换（2026-10-28）：开发者选项新增「服务地区」行（自动 / 中国区 / 全球区），持久化到 SharedPreferences，下次启动生效；强制地区时启动只请求该区域的 Config API，忽略系统 Region 与返回的国家码，Config 拉取失败也保持所选地区并使用缓存配置；关闭开发者选项时恢复为自动。行内显示本次启动实际生效地区。按 macOS 运行日志复核：强制全球区后 Config、偏好、权益、合集与 CDN 请求均走全球域名；修复强制地区下启动已拉到 Config 仍被首轮定时刷新重复强制请求的问题（启动结果新增 `configFetched`，拉取失败时仍强制刷新）。新增 bootstrapper 强制地区（含失败路径）、覆盖值存取/无效值、启动 Provider 接线到路由器、设置行交互共 6 项测试；user_region 与设置页测试全部通过，相关文件定向 `flutter analyze` 无问题，`dart format` 与 `git diff --check` 通过。未运行全量 `flutter test`（既有失败基线）与 macOS 集成测试（本机环境问题）。**完成时间**: 2026-10-28
 - [x] 在社区合集详情素材行展示并优化简介层级（2026-10-25）：标题提升为主信息，简介使用更小字号、常规字重和浅化的次级色，最多显示两行，行高根据实际简介行数自适应；标题前增加固定 24dp 的音频/视频图标，并提供本地化语义标签，音频使用主题蓝、视频使用适配深浅主题的紫色，图标与简介共用原左边距，图标在保留 24dp 槽宽的同时左对齐，避免额外居中留白且不影响标题和简介位置；图形尺寸调整为 22dp，缩小图标与标题间的可见空隙；将单条预览行提取为独立 widget，确保切换主题时标题、简介、时长和媒体类型图标即时刷新；移除素材行前置播放图标及“名称 / 时长”列标题，保留行内时长与难度信息；在合集信息卡与素材列表间增加分割线；空白简介不显示。新增 Widget 回归覆盖简介层级、音频/视频图标颜色及语义标签、图标标题顺序和对齐、停留详情页切换主题时行内容颜色即时刷新、无前置播放图标、无列标题、分割线、空白简介、单行/多行简介行高、两行省略和 390dp 窄屏无溢出。合集详情测试 7 项通过；相关 Dart 文件定向分析无问题，`dart format` 与 `git diff --check` 通过。未运行 `scripts/check.sh`：改动局限于详情列表 UI，定向测试与分析覆盖本次范围。未运行 Maestro：Flutter 设备枚举无法写入 SDK `engine.stamp`，CoreSimulator/CoreDevice 初始化失败，ADB 服务启动被权限阻止，没有可用目标设备。**完成时间**: 2026-10-25 17:47
 - [x] 升级应用版本至 1.0.44（2026-10-25）：将 `pubspec.yaml` 中的应用版本由 1.0.43 提升至 1.0.44。版本元数据变更，无需运行测试。**完成时间**: 2026-10-25 15:56

android/app/src/main/kotlin/app/echoloop/AdaptiveVadThreshold.kt

@@ -0,0 +1,100 @@
+package app.echoloop
+
+/**
+ * 自适应 VAD 门槛：按当前环境底噪动态决定「有声」判定门槛。
+ *
+ * 与 iOS/macOS `AdaptiveVadThreshold.swift` 算法、参数保持一致（三端同源，改动需同步）。
+ *
+ * 旧实现使用固定门槛 0.015（增益前原始 RMS），说话小声或麦克风灵敏度低的用户
+ * 整句电平都贴着甚至低于该值，说话中途被判为静音，触发静音兜底提前结束录音。
+ *
+ * 算法：
+ * - 底噪 = 最近 [WINDOW_SIZE] 个「判为静音」的非零 buffer RMS 的 [FLOOR_PERCENTILE] 分位数。
+ *   判为有声的 buffer 不进入统计，连续长时间说话也不会把底噪抬到语音电平；
+ *   低分位进一步压低贴近门槛的弱语音对底噪的影响。
+ * - 门槛 = 底噪 × [NOISE_MULTIPLIER]，并限制在 [[MIN_THRESHOLD], [MAX_THRESHOLD]]。
+ *   - 上限 = 旧固定门槛：嘈杂环境下门槛最多回到旧行为，判定不会比修复前更严格。
+ *   - 下限：极安静环境下避免把微弱电流声/呼吸声当成说话，导致录音迟迟不停。
+ * - 每个 buffer 用「加入本 buffer 之前」的门槛判定，自身不影响自身判定；
+ *   尚无样本时使用上限门槛。
+ *
+ * 线程：由录音 IO 线程调用 [isVoiced]，主线程调用 [reset]/[describe]，方法均加锁。
+ */
+class AdaptiveVadThreshold {
+
+    companion object {
+        /** 最低门槛（原始 RMS ≈ -48 dBFS）。 */
+        const val MIN_THRESHOLD = 0.004f
+
+        /** 最高门槛，等于旧固定门槛。 */
+        const val MAX_THRESHOLD = 0.015f
+
+        /**
+         * 门槛相对底噪的倍数（约 +8 dB）。
+         *
+         * 取向「宁可多录几秒，也不要截断」：倍数偏低，弱语音更容易判为有声；
+         * 代价是中等嘈杂环境下自动停止略慢（最终由最大录音时长兜底）。
+         */
+        const val NOISE_MULTIPLIER = 2.5f
+
+        /** 底噪统计窗口：1024 帧 @16kHz ≈ 64ms/buffer，470 个 ≈ 30s。 */
+        const val WINDOW_SIZE = 470
+
+        /** 底噪取窗口内的低分位数。 */
+        const val FLOOR_PERCENTILE = 0.1
+    }
+
+    private val window = ArrayDeque<Float>()
+    private var voicedCount = 0
+    private var totalCount = 0
+
+    /** 当前估计的底噪；尚无有效样本时为 null。 */
+    var noiseFloor: Float? = null
+        @Synchronized get
+        private set
+
+    /** 当前判定门槛。 */
+    var threshold: Float = MAX_THRESHOLD
+        @Synchronized get
+        private set
+
+    /** 判定本 buffer 是否有声，并用它更新底噪估计。 */
+    @Synchronized
+    fun isVoiced(rms: Float): Boolean {
+        val voiced = rms >= threshold
+        totalCount++
+        if (voiced) voicedCount++
+        // 只用静音 buffer 估计底噪；全零 buffer 是 AudioRecord 启动阶段的数字静音，不代表环境底噪。
+        if (!voiced && rms > 0f) {
+            window.addLast(rms)
+            if (window.size > WINDOW_SIZE) window.removeFirst()
+            updateThreshold()
+        }
+        return voiced
+    }
+
+    /** 新录音回合开始时重置。 */
+    @Synchronized
+    fun reset() {
+        window.clear()
+        noiseFloor = null
+        threshold = MAX_THRESHOLD
+        voicedCount = 0
+        totalCount = 0
+    }
+
+    /** 诊断信息，随 stopSession 的 diagnostics 输出到 Dart 日志。 */
+    @Synchronized
+    fun describe(): String =
+        "vadThreshold=${"%.4f".format(threshold)} " +
+            "vadNoiseFloor=${noiseFloor?.let { "%.4f".format(it) } ?: "null"} " +
+            "vadVoicedBuffers=$voicedCount/$totalCount"
+
+    private fun updateThreshold() {
+        val sorted = window.sorted()
+        val index = ((sorted.size - 1) * FLOOR_PERCENTILE).toInt()
+        val floor = sorted[index]
+        noiseFloor = floor
+        threshold = (floor * NOISE_MULTIPLIER).coerceIn(MIN_THRESHOLD, MAX_THRESHOLD)
+    }
+}

android/app/src/main/kotlin/app/echoloop/AndroidSpeechPracticeHandler.kt

@@ -56,13 +56,15 @@ class AndroidSpeechPracticeHandler(
     private var firstDetectedSpeechMs: Double? = null
     private var lastDetectedSpeechMs: Double? = null
 
+    /** 有声判定门槛，按环境底噪自适应（替代旧固定门槛 0.015）。 */
+    private val vadThreshold = AdaptiveVadThreshold()
+
     // 权限请求回调
     private var pendingPermissionResult: MethodChannel.Result? = null
 
     companion object {
         private const val TAG = "SpeechPractice"
         private const val PERMISSION_REQUEST_CODE = 9001
-        private const val RMS_THRESHOLD = 0.015f
     }
 
     init {
@@ -259,6 +261,7 @@ class AndroidSpeechPracticeHandler(
         val wavAfterTrim = filePath?.let(wavRecorder::wavFileMetrics)
         val diagnostics = buildString {
             append(wavRecorder.captureDiagnostics())
+            append(" ${vadThreshold.describe()}")
             append(" wavBeforeTrim=$wavBeforeTrim")
             append(" wavAfterTrim=$wavAfterTrim")
         }
@@ -315,7 +318,7 @@ class AndroidSpeechPracticeHandler(
         val bufferStartMs = recordedDurationMs
         val bufferEndMs = bufferStartMs + bufferDurationMs
 
-        if (rms >= RMS_THRESHOLD) {
+        if (vadThreshold.isVoiced(rms)) {
             if (!hasDetectedSpeech) {
                 hasDetectedSpeech = true
                 emitEvent(mapOf("type" to "speechStarted", "promptId" to promptId))
@@ -367,6 +370,7 @@ class AndroidSpeechPracticeHandler(
         recordedDurationMs = 0.0
         firstDetectedSpeechMs = null
         lastDetectedSpeechMs = null
+        vadThreshold.reset()
     }
 
     private fun cleanupSentenceState() {
@@ -381,6 +385,7 @@ class AndroidSpeechPracticeHandler(
         recordedDurationMs = 0.0
         firstDetectedSpeechMs = null
         lastDetectedSpeechMs = null
+        vadThreshold.reset()
     }
 
     private fun emitEvent(event: Map<String, Any>) {

android/app/src/test/kotlin/app/echoloop/AdaptiveVadThresholdTest.kt

@@ -0,0 +1,99 @@
+package app.echoloop
+
+import org.junit.Assert.assertEquals
+import org.junit.Assert.assertFalse
+import org.junit.Assert.assertTrue
+import org.junit.Test
+
+/**
+ * AdaptiveVadThreshold 的 JVM 单元测试。
+ *
+ * RMS 数值均为增益前的原始电平（与 WavRecorder.onBuffer 回调一致）。
+ */
+class AdaptiveVadThresholdTest {
+
+    private fun AdaptiveVadThreshold.feed(rms: Float, count: Int): List<Boolean> =
+        List(count) { isVoiced(rms) }
+
+    @Test
+    fun `没有任何样本时使用最高门槛（等同旧固定门槛）`() {
+        val vad = AdaptiveVadThreshold()
+        assertEquals(AdaptiveVadThreshold.MAX_THRESHOLD, vad.threshold, 0f)
+        assertFalse(vad.isVoiced(0.014f))
+        assertTrue(AdaptiveVadThreshold().isVoiced(0.015f))
+    }
+
+    // 回归：用户日志中整段原始 RMS 仅约 0.007–0.011，旧固定门槛 0.015
+    // 把正在说话的小声用户判成静音，5s 兜底提前结束录音。
+    @Test
+    fun `安静环境下小声说话被判为有声`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0.0015f, 8) // 开口前约 0.5s 环境底噪
+
+        val voiced = vad.feed(0.008f, 30)
+
+        assertTrue("小声语音应全部判为有声", voiced.all { it })
+        assertTrue(vad.threshold < 0.008f)
+    }
+
+    @Test
+    fun `嘈杂环境门槛封顶在最高值，不会无限升高`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0.012f, 20) // 底噪 × 倍数 = 0.036，远超上限
+
+        assertEquals(AdaptiveVadThreshold.MAX_THRESHOLD, vad.threshold, 0f)
+        assertFalse("底噪本身不应判为有声", vad.isVoiced(0.012f))
+        assertTrue("达到旧门槛的语音必须判为有声", vad.isVoiced(0.02f))
+    }
+
+    @Test
+    fun `极安静环境门槛不低于最低值，避免微弱噪声被当成说话`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0.0003f, 20)
+
+        assertEquals(AdaptiveVadThreshold.MIN_THRESHOLD, vad.threshold, 0f)
+        assertFalse(vad.isVoiced(0.003f))
+    }
+
+    @Test
+    fun `录音启动时的全零 buffer 不参与底噪估计`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0f, 5)
+        vad.feed(0.003f, 10)
+
+        // 底噪按 0.003 估计：门槛 = 0.0075，而不是被全零拉到最低值
+        assertEquals(0.0075f, vad.threshold, 1e-6f)
+    }
+
+    // 取向「宁可多录几秒，也不要截断」：中等底噪下，略高于门槛的弱语音仍判为有声。
+    @Test
+    fun `中等底噪下弱语音仍判为有声`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0.004f, 10)
+
+        assertEquals(0.010f, vad.threshold, 1e-6f)
+        assertTrue(vad.isVoiced(0.011f))
+        assertFalse(vad.isVoiced(0.004f))
+    }
+
+    @Test
+    fun `开口后长时间连续说话门槛不会被语音抬高`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0.0015f, 8)
+
+        // 约 19s 连续语音（无明显停顿）
+        val voiced = vad.feed(0.008f, 300)
+
+        assertTrue(voiced.all { it })
+    }
+
+    @Test
+    fun `reset 后恢复初始门槛`() {
+        val vad = AdaptiveVadThreshold()
+        vad.feed(0.0015f, 10)
+        vad.reset()
+
+        assertEquals(AdaptiveVadThreshold.MAX_THRESHOLD, vad.threshold, 0f)
+        assertEquals(null, vad.noiseFloor)
+    }
+}