[建议 / Feature] 语音输入：直接用语音提问 / 下达任务（STT 实时转写 + 可选流式对话）

提交前确认 · Pre-submission checklist

• 我已搜索过现有 issue，确认这不是重复提议 / I searched existing issues and confirmed this isn't a duplicate.
• 我已阅读 CONTRIBUTING.md / I've read CONTRIBUTING.md.

问题类别 · Category

AI 交互体验 · AI Interaction Experience

涉及的 Agent 框架 · Agent framework

ZCode Agent（自研）

使用场景 · Use case

编程过程中经常双手都在键盘/鼠标上（正在改代码、看着 diff、调试），这时候想给 Agent 下个指令或提个问题，必须切回对话框打字，体验很打断。典型场景：

1. 边改边问：正在浏览一段代码，想问「这段逻辑为什么要这么写」，比起打字，直接开口说更快、更自然。
2. 复杂任务口述：连续交代几个步骤（「先跑测试，再把这个函数抽出来，然后改下 README」），语音口述比打字效率高得多。
3. 解放双手：长时间会话、结对编程、屏幕共享讲解时，语音输入让交互更轻量。
4. 多语言：中英混说在技术场景里很常见，希望转写能正确处理。

建议方案 · Proposal

希望 ZCode 支持语音直接对话——用户按住 / 点击麦克风，直接用语音提问或下达任务，转写成文字后提交给 Agent。建议分阶段实现：

阶段一：语音输入（STT 转写）—— 核心诉求

• 触发方式：对话框旁加一个麦克风按钮，支持「按住说话（push-to-talk）」和「点击录音」两种模式。
• 转写：语音实时/录完后转写成文字，填入输入框，用户可编辑确认后再发送（避免识别错别字直接提交）。
• 快捷键：提供全局/应用内快捷键一键开始说话。
• 可选：边说边转写（流式 STT），体验更接近实时对话。

阶段二：语音对话（双向）—— 进阶

• TTS 朗读：Agent 回复可一键朗读（在走开、查文档、眼睛要离开屏幕时很有用）。
• 对话模式：类似语音助手的「连续对话」——说一句，Agent 答一句，可连续追问，全程不用手。
• 可配置：朗读开关、语速、音色、自动朗读等可自定义。

实现路径参考（协议层面，公开标准）

STT / TTS 可优先复用现有主流方案，不必自研：

• 本地 / 离线：faster-whisper、whisper.cpp、Apple SFSpeechRecognizer 等可在端侧跑，隐私友好、无额外 token 成本。
• 云端 API：OpenAI Audio API（/audio/transcriptions、/audio/speech）、Azure Speech 等，效果更好但有成本与隐私考量。
• 建议做成可插拔：允许用户配置使用本地或云端、选择模型。

期望收益 · Expected benefit

• 大幅降低「打断感」：编程中下指令不用切回键盘，双手不离当前工作。
• 提升复杂/多步任务的输入效率。
• 对齐主流 AI 编码助手的交互趋势（语音交互正在成为标配）。

备注 · Notes

• 麦克风权限：需处理各平台（macOS / Windows / Linux）的麦克风授权提示。
• 隐私：建议默认本地转写或明确告知数据去向。

环境信息 · Environment

• ZCode Desktop App

Start with CONTRIBUTING.md and locate the ZCode Desktop App conversation input entry point; the issue names no implementation files or tests. Review the phase-one STT requirements, platform permission notes, and proposed providers before defining a focused scope. Done should include an agreed first-phase boundary and corresponding validation criteria.