[Feature] 为桌面端和 WebUI 增加统一的“语音输入”功能

[loto585]

Affected area

Desktop UI (agent-gui / React)

Problem statement (what should this solve)

目前桌面端和 Gateway WebUI 缺少一致、完整的语音输入能力，用户无法像使用文本输入一样直接通过麦克风进行实时语音转写, 这个问题影响桌面端和 WebUI 用户使用麦克风快速输入消息。

Proposed behavior

实现桌面端和 WebUI 统一的实时语音输入能力，具体要求如下：

• 桌面端和 WebUI 聊天输入框始终显示麦克风按钮；
• 麦克风按钮不依赖配置测试结果，配置成功、失败或尚未测试时都应显示；
• 用户点击麦克风后，再依次执行麦克风权限检查、录音初始化、语音识别服务连接和音频传输；
• 权限申请、服务连接或识别过程失败时，在用户点击麦克风后提示具体错误；
• 支持以下实时语音识别供应商，并保持统一顺序：
  1. 腾讯云实时语音识别
  2. 火山引擎实时语音识别
  3. 阿里云 DashScope
  4. 百度智能云实时语音识别
• 桌面端语音识别配置通过 Gateway 安全同步到 WebUI；
• 敏感凭据不进入公开设置广播，使用受保护的私有同步数据传递；
• 增加桌面端麦克风权限声明、音频采集、实时音频分片、服务连接、识别结果回写和会话清理能力；
• 增加 Gateway 端供应商管理、WebSocket 音频传输、配置同步和敏感字段隔离能力；
• 增加桌面端、WebUI、Gateway 和协议层的自动化测试及验收文档。

Estimated change scope

• crates/agent-ui/src/pages/chat/
  • 聊天输入框麦克风按钮
  • 语音输入会话生命周期
  • 音频采集和识别结果回写
• crates/agent-ui/src/pages/settings/
  • 语音输入供应商配置页面
  • 供应商切换、掩码字段、保存和清空秘钥行为
• crates/agent-ui/src/lib/stt/
  • WebUI 与桌面端共用的音频和 STT 类型
• crates/agent-ui/src/lib/settings/
  • STT 配置模型、默认值、规范化及同步逻辑
• crates/agent-ui/src/i18n/translations/
  • “语音输入”侧边栏和页面文案
• crates/agent-gui/src/lib/stt/
  • 桌面端 STT 配置服务和实时传输
• crates/agent-gui/src-tauri/src/services/stt/
  • 腾讯云、火山引擎 v3、阿里云 DashScope、百度智能云供应商实现
• crates/agent-gui/src-tauri/src/commands/config/settings/
  • 桌面端配置读写、敏感字段和 Gateway 同步
• crates/agent-gui/src-tauri/src/services/gateway/
  • 桌面端设置同步和私有秘钥 sidecar
• crates/agent-gui/src-tauri/Info.plist
• crates/agent-gui/src-tauri/Entitlements.plist
  • macOS 麦克风权限声明
• crates/agent-gateway/internal/stt/
  • Gateway STT 管理器、供应商实现、连接和音频处理
• crates/agent-gateway/internal/session/
  • Gateway 设置同步和 STT 状态管理
• crates/agent-gateway/proto/v2/gateway_ws.proto
  • Gateway 与客户端之间的 STT 协议扩展
• crates/agent-gateway/web/src/lib/stt/
  • WebUI STT 配置服务和实时音频传输
• crates/agent-gateway/web/src/app/
  • WebUI 设置初始化和 Gateway 状态同步
• crates/agent-gateway/test/webui/
• crates/agent-gui/test/chat/
• crates/agent-gui/test/settings/
  • 语音输入、配置同步、密码掩码和会话生命周期测试
• docs/stt-mvp-acceptance.md
  • 语音输入功能验收标准和测试说明

Alternatives considered

• 使用浏览器内置 Web Speech API
  未采用。不同浏览器、移动端和桌面端的支持情况及识别效果不一致，无法保证与桌面端使用相同的供应商、模型和配置。

• 仅在语音识别连接测试成功后显示麦克风按钮
  未采用。连接测试失败不代表用户没有配置其他可用供应商，也不应阻止用户主动点击麦克风并获得明确错误提示。

• 桌面端和 WebUI 分别维护独立的语音识别配置
  未采用。独立配置会导致供应商、模型和秘钥状态不一致，增加重复配置和凭据暴露风险。

• 在 WebUI 中显示真实秘钥内容
  未采用。WebUI 仅需要知道字段是否已配置，不应向浏览器暴露桌面端或 Gateway 托管的真实秘钥。

Pre-submit checklist

• I searched existing issues and pull requests and found no duplicates.
• This proposal is focused on a single feature or improvement.
• I understand a PR should come after this issue is confirmed by maintainers, otherwise it will be converted to draft.