# DUET T1｜系统方案 v0.5

版本日期：2026-10-30（Asia/Shanghai）。硬件基线：v0.4.2。用户已认可当前硬件设计方向，本轮进入系统设计，不修改产品几何。本文是可供软硬件团队实施和验证的方案；网页交互为预设文本演示，尚未接通麦克风、模型、云服务或实体设备。

[系统评审与双屏演示](../design/system.html) · [硬件与3D](../design/bom-3d.html) · [资源预算](spec-v0.5.json) · [状态规则原型](session.mjs)

## 1. 系统决策

**做一台打开就能对话、断网也能用的专用翻译设备。核心链路采用本地双路语音识别，联网时使用云端文本翻译，断网时切换本地翻译；字幕优先，朗读可选。**

| 项目 | v0.5决策 | 适用边界 |
|---|---|---|
| 首发语言 | 普通话 ↔ 英语；出厂预装完整双向包 | 此为系统开发基线提案，更多语言逐对验收，不沿用云端语言数 |
| 联网模式 | 默认自动：本地ASR → 云端MT → 本地TTS | 第一次启用文字上云需明确选择；未启用则本地运行 |
| 完全离线 | 本地ASR、双向MT、TTS，免登录使用 | 必须有完整且验证通过的语言包；TTS缺失时仍可文字翻译 |
| 同时说话 | A/B两路独立识别与译文，按物理屏面确定归属 | 不承诺零串音；高风险语段提示重说，不自造译文 |
| 操作系统 | RK3576供应商固定版Linux BSP，Buildroot裁剪，C/C++服务 | BSP、音频时钟、多屏驱动必须在实板确认 |
| 显示 | LVGL原生界面；LCD持续显示草稿，墨水屏只提交稳定短句 | 墨水屏波形、温度和刷新时间另测，不宣称与LCD体验相同 |
| 设备配置 | RK3576级、4 GB RAM、16 GB eMMC、双面8麦、单Type-C、无摄像头 | 沿用现有候选配置；硬件外观认可不等同器件量产认证 |
| 基础功能边界 | 翻译、可选朗读、语言包、联网设置、系统更新 | 暂不增加会议纪要、OCR、聊天机器人、相机和账号社交体系 |

该方案较旧v0.1的默认音频上云链路有所调整：默认只发送已稳定的待译文字，减少网络依赖及持续语音服务费用。代价是云端翻译不能恢复本地识别已经听错的内容；首先靠显示原文、重说、词库与ASR改进解决。原始声音上云作为后续单独功能评估，本版不启用。

## 2. 用户完整路径

1. 开机自检本地语言包。首次使用无需注册；A屏选择自己的语言，B屏语言由A侧设置并在B屏确认显示。
2. 出厂中英包立即可用。联网增强首次使用明确说明“将待译文字发送至云端”；拒绝后仍可离线翻译。
3. 桌面倒V放置，维持当前约45°/面的已认可姿态；用户在各自屏前约0.4–0.8 m。此距离是首轮测试范围，不是已经实现的拾音保证。
4. 短按主操作键开始/暂停。双方正常说话；“对方说”用本侧语言大字显示，原文小字保留；“我说”独立区域展示自己的原文及译文，方便纠错。
5. 断网显示“本地翻译”，已完成译文保留，当前未完成句转本地，不回放历史语音。
6. 开启朗读后，只读稳定译文。两人同时说话时继续字幕，先等说话结束；任一人再开口就停止设备朗读。
7. 暂停立即停止采集提交、联网请求与播放，清空未完成语段；结束对话清除临时文本。没有默认长期录音或会话历史。

### 实体键与配网

按现有侧键布局定义三键交互，不增加触控屏：确认键短按开始/暂停、长按进入菜单；上下键移动，确认键选择，菜单内长按返回；电源键遵守电源管理。语言、亮度、音量、朗读开关、重读上一句均可通过菜单完成。误按返回不丢当前稳定字幕。

初次配网采用按键发起的设备临时热点＋手机本地配网页，不要求下载App。设备显示一次性连接码、有效期和剩余时间；临时热点使用随机密码，仅开放配网服务，最多一个配对会话，5分钟或完成后关闭。手机仅把目标SSID/密码送到设备，不经过云端、不写入诊断日志。复杂企业认证Wi-Fi不列入首版；用手机热点作为可用退路。UI演示按钮是评审控制，不代表增加机身触摸操作。

## 3. 系统分层与进程边界

```text
8路同步麦克风 ─┐
              ├→ audio-service：校准 / 播放回声消除 / 双面空间滤波 / 降噪
2路实际播放参考┘                          │A单声道       │B单声道
                                  speech-service：两套流状态，共享ASR权重
                                                │A/B稳定短句
                                       session-service：语段、版本、模式、质量
                                           ┌────┴────┐
                                      local-mt     cloud-gateway
                                           └────┬────┘
                                            稳定译文提交
                                         ┌──────┴──────┐
                                  display-service    tts-worker
                                    A屏 / B屏         全机单一播放队列

maintenance：配网、语言包、A/B升级、健康信息；对话时暂停下载和安装。
```

| 模块 | 责任与接口 | 失败处理 |
|---|---|---|
| audio-service | ALSA独占8路采集及2路播放参考；共享内存环形缓冲，10 ms时钟 | 丢帧/时钟异常停止提交不完整语段，提示拾音异常，不生成连续假字幕 |
| speech-service | 常驻识别器、A/B独立OnlineStream、VAD、稳定前缀和断句 | 看门狗重启该服务，保留已提交字幕；正在说的句子请重说 |
| session-service | 单一会话事实源，维护语段ID、源版本、引擎代次、超时、朗读策略 | 只有它可提交最终译文；防止云/本地重复、乱序覆盖 |
| local-mt | 常驻两方向模型，双队列公平调度，每侧最多1个执行＋1个待处理 | 队列满时提示稍慢并保留待译原文；不静默丢掉另一侧 |
| cloud-gateway | TLS连接产品后端，发送稳定文字；供应商密钥只存后端 | 超时/限流转本地，迟到结果丢弃；禁用模式不建立翻译连接 |
| display-service | 同一会话生成两套视图，语言和阅读顺序独立 | 单屏异常另一屏继续；显示异常不会阻塞音频线程 |
| tts-worker | 仅合成已提交文本，播放可中断，回送实际PCM参考 | 缺语音包/算力不足保持字幕，显示朗读不可用 |
| maintenance | 配网、签名包校验、OTA、健康计数 | 与实时链路隔离；更新失败回退，离线核心不依赖云账号 |

控制消息先采用本机Unix socket＋带版本JSON，PCM只走共享内存，避免将8路音频编码成JSON。量产是否更换消息编码取决于实测，不预先引入微服务、容器或消息队列。各服务以最小设备访问权限启动，只有更新服务具备写系统槽的权限。

**双屏驱动须落实到BSP：** RK3576官方列出多屏异显能力，但实际板卡走哪两个输出仍由屏幕选型决定。[S1] LVGL可以管理独立显示对象；其现成Linux DRM驱动当前标注每DRM设备一个显示，不能直接推断同一card0的两个接口可用。[S10] LCD原型先用Wayland/Weston双输出验证映射；量产可改专用双connector DRM后端。墨水屏单独实现flush、busy与温度波形适配，不经持续动画刷新。两条实现的CPU、内存开销均纳入预算。

## 4. 双人同时说话：音频方案

### 4.1 采集与校准

- 8麦共享采样时钟，候选采样48 kHz、24 bit（32 bit容器）；每10 ms搬运480采样/通道。进入ASR前转换为两路16 kHz单声道。实际麦克风与BSP不支持该配置时，以实测可用格式重新定版。
- 原始数据率约1.536 MB/s，500 ms环形缓存约0.768 MB；A/B输出各保留最多2秒内存预卷用于断句，不做持久录音。
- 出厂测每颗麦的增益、相位、延迟和失效状态；在装机、屏幕及声道完成后重新校准。坐标以最终机身为准，算法不能沿用裸板位置。
- 首版只针对当前桌面姿态优化；没有角度传感器就不声称自动角度自适应。离开姿态范围时按用户选定模式提示重新摆放。

### 4.2 处理顺序与困难点

先去直流/匹配通道，再用两扬声器**实际送DAC的PCM**做多通道回声消除，保持通道相位关系；随后输出面向A和B的两个空间滤波结果，再做降噪、增益和语音活动检测。调度启动阶段用定向延时叠加作基准，再比较MVDR等自适应方案；复杂神经分离只有在质量或串音验收失败且资源允许时引入，不列作4 GB设备必然具备的能力。

WebRTC APM提供AEC、降噪、AGC及10 ms处理接口，可作基准候选；其默认配置不等于本机8路阵列算法，更不等于双讲分离已经完成。[S11]

**AEC去的是设备自己播放的声音。对面真人说话是另一条有效语音，不能作为回声直接删掉。** 两侧各4麦仍可能收到同一人的声音；需要结合跨面能量、延时、空间一致性和双讲检测归属。单面平面阵列的前后歧义与约120 mm孔距引发的频段问题都要实测。

- 不采用“只保留更大声的一边”。两路同时有语音时都运行ASR。
- 不只靠两边识别文字相同判定重复，避免把双方同时说“yes”删除。
- 对方向归属不稳、严重重叠或关键数字听不清的语段，保留可见原文并提示“没有听清，请再说一次”；暂停其自动朗读。不要显示未经校准的“98%准确率”。
- 必须分别记录漏词、错面、重复、幻听和回声触发率；不能只用平均识别正确率掩盖串音。

## 5. 端侧与云端模型选型

下表是首轮工程选型，支持性及许可证来自2026-10-30查看的官方文档/模型卡，尚未在本机跑分。完整软件包要固定版本、模型修订ID、哈希与授权文件，运行库的许可证不能代替模型权重和语音素材的授权。

| 环节 | 首选验证路线 | 已核实依据 / 待做事项 |
|---|---|---|
| 流式ASR | sherpa-onnx + 小型中英Zipformer，CPU INT8先建立双路基准 | 运行库Apache-2.0；对应中英模型卡标注Apache-2.0，官方有流式INT8用法。[S2][S3] 在RK3576测两路缓存、尾延迟及口音，不能套用文档电脑RTF |
| ASR加速 | 同模型家族RKNN FP16验证，合格后替换CPU路径 | Rockchip模型仓列出RK3576及Zipformer示例。[S4] 算子、流缓存和校准逐项验证；示例单路推理数字不证明双路整机续航 |
| 离线MT | CTranslate2 ARM64 INT8 + 两个Marian/OPUS方向模型 | CT2支持ARM64/MarianMT，MIT。[S5] en→zh模型卡Apache-2.0；zh→en为CC-BY-4.0，需保留署名及变更信息。[S6][S7] 两方向单独测，目标明确为简体中文，处理正确的目标语言token |
| 联网MT | 产品后端封装Qwen-MT-Flash，固定源/目标语言与术语表 | 官方支持文本翻译与流式输出。[S8] 仅作为国内部署的首轮候选；地域、价格、限流及文本留存条款在签约前核实 |
| 本地TTS | Kokoro-82M-v1.1-zh作为中英样机候选，仅加载需要的音色 | 模型卡列中英、Apache-2.0。[S9] 需验证ONNX导出、ARM延迟、声音授权及音素前端依赖；不能把权重许可扩展到全部依赖。若超预算，改经授权的小型TTS包 |
| VAD / 断句 | 音频能量＋小型VAD模型＋稳定前缀 | 门槛随背景噪声校准，避免截掉轻声/句尾；模型许可证单列 |

不把通用大语言模型常驻作为基础款离线翻译的前提。先用专用ASR＋双向MT＋可选TTS控制资源；术语库、数字/单位检查和双侧显示比增加泛聊天功能优先。

原型ASR权重可小于运行内存预算很多，但运行峰值还包括两路状态、推理工作区、线程、音频及UI；不得用文件大小推断4 GB一定够用。离线MT的公开测试分数也不代表商务短句、否定词、金额和单位已经合格。

## 6. 实时语段、端云切换与结果一致性

### 6.1 语段生命周期

`listening → draft → source_final → translating → committed`；任一步可进入`uncertain / blocked / cancelled`。

LCD先显示本侧原文草稿，通常不把每个字立即送翻译。短停顿达到约350 ms并且识别尾部稳定后形成短句；长句优先在语义边界拆成2–4秒片段，最长5秒尝试切稳定前缀，剩余部分继续识别。以上均为调优起点，不强行在数字、日期和否定结构中间截断。

稳定源句才发MT。LCD可显示标注“翻译中”的译文草稿，但TTS只读最终提交文本；墨水屏不显示草稿。已经提交/朗读的片段不被后到云结果重写。如确需纠错，新建“更正”片段并明确关联上一句。

### 6.2 路由规则

| 当前情况 | 当前句怎么走 | 下一句怎么走 |
|---|---|---|
| 自动＋网络可用＋允许上云 | 本地ASR → 云端MT，设置硬截止 | 继续云端，连续失败触发短暂熔断 |
| 云端文字完成后1.2秒仍未得到可提交结果 | 取消该云任务的有效代次，将稳定源句送本地MT | 进入本地；不要等待云端无期限返回 |
| 断网 | 当前未提交句的引擎代次加1，切本地；已提交不动 | 本地 |
| 网络恢复 | 当前本地句继续完成，不重算 | 连续健康30秒且在下一句边界后恢复云端 |
| 用户选完全离线或未允许上云 | 不发送翻译文字，不探测云端翻译服务 | 本地；独立的软件更新需用户发起 |
| 没有已验证的双向MT/ASR包 | 阻止开始该离线语言对，显示下载/换语言 | 不能用过期云结果假装离线翻译 |
| 只有TTS包缺失 | 字幕正常，朗读置灰并说明 | 字幕正常 |

超时是从稳定源句进入云MT起计；网络掉线检测另计。断网恢复不承诺零延迟，也不把已经合成的历史语音偷偷上传补账。

### 6.3 事件协议

每个事件携带`session_id / segment_id / side / source_revision / engine_epoch / event_seq / type`及单调时钟。原文和译文另有`source_lang / target_lang / text / is_final / quality_flags`。

- `side`来自音频空间归属，不能由模型自己生成；译文送到`opposite(side)`。
- `source_revision`避免旧草稿覆盖新原文；`engine_epoch`在云本地切换时递增，使迟到结果失效。
- `event_seq`在同一任务内递增；重复、乱序消息丢弃。最终提交后冻结，播放按语段ID去重。
- 暂停/结束会话后，未提交事件及朗读回调全部无效；开新会话换session_id，不复用上一轮缓存。
- 后端请求需有幂等键；在超时重试与降级时取消本端结果资格。供应商已经产生的计算费可能仍收费，取消不等于免计费。

完整产品协议还需鉴权、长度/编码验证和版本兼容。随附的状态规则原型仅验证路由、双屏归属、版本过滤、暂停与朗读行为，不能替代实际固件。

## 7. 双屏显示与朗读规则

A侧以中文阅读：B的英文原文配大字中文译文；A自己的中文及对应英文在独立的“我说”区。B侧相反。两屏来自同一会话数据，禁止一屏显示一个最终版本、另一屏仍覆盖为旧草稿。每屏正文可留2–3条最近稳定短句；超长文本分页或平稳滚动，不缩成难读小字。

| 情况 | LCD | 墨水屏 |
|---|---|---|
| 识别中 | 原文草稿低频更新，最多5次/秒 | 保留上一稳定句；状态区域仅必要时更新 |
| 翻译中 | 草稿与最终字体/状态明确区分 | 收到最终短句才刷新 |
| 新稳定句 | 更新相应区域，目标UI排队≤100 ms | 合并脏区；上一刷新busy时只保留最新待显示版本，历史仍在会话列表 |
| 残影/温度 | 无对应需求 | 全刷阈值由模组波形与测试给定，不继承旧4.2英寸屏的次数参数 |
| 重叠说话 | 双路保留，不遮掉另一方 | 两条稳定短句顺序提交，优先可读，不做波形动画 |

朗读默认关闭。开启后全机同一时刻只有一个扬声器播报，目标面为接收译文的一侧。两侧都静音350 ms后才开始；任一侧讲话，目标150 ms内打断。已经开始的片段即标记自动播报已消费，被打断后不自动重头读；用户可手动重读。未播队列最多2句、最长等待8秒，过时仅留字幕，避免对话结束后设备还在念历史。距离和扩音结构不能保证另一侧完全听不到。

## 8. 延迟、内存、存储与功耗预算

所有数值均为**待验证的工程目标/容量分配**，不是实际跑分。LCD验收与墨水屏验收分开；不把屏幕刷新时间等同于翻译处理时间。

### 8.1 延迟定义

| 指标 | 首轮目标 | 测量起止 |
|---|---:|---|
| LCD首个可见原文 | P95 ≤0.9 s | 首个可辨认音节 → 本侧首次草稿实际显示 |
| 本地稳定译文 | P50 ≤1.2 s；P95 ≤2.0 s | 稳定短句最后音节 → 对侧最终文字实际显示 |
| 正常云端稳定译文 | P95 ≤2.5 s | 同上，测试网络往返时延单独记录 |
| 云端超时后的本地接续 | P95 ≤3.0 s | 同上，包含等云硬截止，不能另起计时掩盖等待 |
| 打断朗读 | P95 ≤150 ms | 新说话可检测起点 → 扬声器实际停止 |
| 冷启动 / 唤醒可说话 | ≤12 s / ≤1.5 s | 电源事件 → ASR就绪，非仅首屏点亮 |

名义本地尾延迟分解：断句350 ms＋ASR收尾250 ms＋MT400 ms＋显示100 ms＝1.10 s。这是串行预算，**不是各阶段P95相加就得到系统P95**。真实P95在双路同时运行、温升和朗读负载下按整段测量。墨水屏另加实测刷新耗时，发布前单列其用户可见延迟，不能沿用LCD的2秒承诺。

### 8.2 4 GB运行内存规划

| 项目 | 预算 MiB |
|---|---:|
| 内核、BSP、驱动/CMA预留 | 550 |
| 基础服务、连接、维护 | 180 |
| 双屏UI、字体、缓冲 | 220 |
| 音频与双路DSP | 160 |
| ASR共享模型＋双路状态 | 700 |
| 两方向MT＋分词器 | 600 |
| 单实例TTS＋音色 | 350 |
| 文本缓存、云连接、词库 | 160 |
| **分配合计** | **2,920** |
| **相对4,096 MiB名义容量的余量** | **1,176** |

DRAM标称与Linux可用内存需实板核对。验收目标：持续双路、显示、可选TTS场景无OOM；扣除实际保留区后`MemAvailable`至少768 MiB，不用各进程RSS直接相加重复计算共享页。达到高水位先停止下载、释放非当前音色/缓存和可选TTS，不关闭某一方ASR来假装性能达标。若核心仍不达标，压缩/更换模型或调整板级配置，不进入量产门。

### 8.3 16 GB存储规划

16 GB十进制约14.90 GiB。规划为启动/恢复0.5、系统A/B各2、已安装语言包4、下载/升级暂存2、设置与轮转诊断0.5、未分配及文件系统余量约3.9 GiB。按实际格式化后容量复核。

中英完整包目标≤2 GiB，初步分配ASR0.25、双向MT0.50、TTS0.50、词典/字体/元数据0.25 GiB，共1.50 GiB，余量0.50 GiB；这是下载产物上限目标，非已打包大小。共享模型按哈希去重，不为两侧复制两份；首版保证一个出厂语言对和其更新空间，不承诺装下多少其他语言。

空间不足只删除未使用可选包并经用户选择；禁止删除当前包后再赌新包下载成功。下载、解包、旧包保留与原子切换同时所需空间必须预检，签名通过后才能安装。

### 8.4 5小时系统约束

沿用未验证的2×1,600 mAh、3.85 V假设：标称12.32 Wh，容量与电源效率各90%后负载可用约9.98 Wh；5 h要求平均负载≤2.00 W。该计算不证明电芯容量或续航。

建议把2.00 W分为主控/内存/推理1.00、双屏0.45、拾音及播放0.20、无线0.12、存储及杂项0.13、余量0.10 W。预算均按负载侧计；电源效率已经在可用能量中扣除，避免重复扣减。此分配相当紧，LCD尤其需要验证亮度和推理占空比；墨水屏省显示电也不能消掉ASR/MT耗电。

优先测量正常交替对话、双方持续重叠、朗读开启三种模式。先优化模型量化、VAD调度、背光和无线空闲；不得为凑5小时削弱另一侧识别或关闭必要字幕。若不达标，明确发布不同使用场景的续航或回到系统/电池取舍，不继续沿用5小时保证。

## 9. 语言包、系统升级与恢复

语言包清单记录：语言对、ASR及双向MT能力、可选TTS能力、模型/分词器/音色的独立版本与许可证、安装/下载字节数、文件哈希、最低固件版本、硬件后端、签名、质量门禁版本。厂测离线模式需真正关闭网络后通过整条链路；只有词库不算离线包。

包状态为`未安装 → 下载中 → 校验 → 待启用 → 可用`，失败回到原可用包。分块续传，下载/解压限制CPU与写盘；对话时暂停安装，低电量或未接电时不做系统槽切换。

系统采用只读A/B镜像＋独立配置区，RAUC为候选更新框架，提供签名及与启动过程协作的能力。[S12] 安装后首次启动必须通过音频、屏幕、语言包自检才mark-good；连续启动失败回上一可用槽。语言包独立签名和原子目录切换，不强迫每次词库更新重刷系统。掉电、签名失败、空间不足、断网和版本不兼容全部纳入故障注入。

## 10. 云端服务、隐私与运营成本

产品云后端只保留设备短期鉴权、翻译代理、语言包目录/CDN、固件目录、匿名健康聚合。首版不做复杂用户账号；设备证书/密钥独立，供应商API密钥不下发设备。量产密钥安全存储和启动链要与ODM核实，不能因为已有Linux就声称安全启动完成。

默认不上传原始音频，不在日志中保存原文/译文。临时对话在内存中滚动保留，结束后清除。若以后增加保存/导出，须显式开关、双方可见状态及保留期。后端接入供应商前核对地区和内容留存条款；没有合同不能承诺零留存或跨境合规。

### 成本口径

端侧推理无按分钟云调用费，但有工程、授权、升级及售后费用。云端费用改按稳定短句的输入/输出token核算，不沿用旧音频ASR每分钟预算：

`每设备月云费用 = (输入token × 输入单价 + 输出token × 输出单价) / 1,000,000 + 网关/流量分摊`。

纯预算演算：每日30分钟、每月30天、每分钟两方向合计输入180 token和输出220 token，得到月输入162,000、输出198,000。若假设输入/输出单价分别为2/6元每百万token，则模型部分1.512元/设备月；这两个单价是**演算变量，不是供应商报价**。上下文、重复请求、超时已计算、术语附加和地域不同会改变实际账单。订阅定价须在取得真实报价及代表性会话token测量后决定。

研发投入先按8周原型、约36人周规划：系统负责人8、音频算法8、端侧模型8、嵌入式/UI8、测试4人周；合作方与人员可复用，不等于需要同时招聘5人。若每人周全成本为R元，人工预算为36R，另外单列样机、授权、测试设备和云服务；未询价，不给伪精确采购金额。

## 11. 验收矩阵与研发排期

### 样机质量门槛（提案，全部尚待实测）

准备至少20位中英说话者、200组双人对话；覆盖男女声、口音、轻声、0.4/0.8 m、0/6/12 dB声级差，安静/60 dBA环境噪声以及不同桌面反射。精确噪声、距离和SNR必须实测记录；重叠比例含0%、30%、60%，并另测连续10秒双人同时说话。训练/调优与留出评测分开，同一说话者不泄漏到调参集。

| 验收项 | 首轮进入下一阶段的目标 | 不能用什么替代 |
|---|---|---|
| 音频同步 | 8通道无累计漂移；1 h连续采集0丢帧，记录设备日志 | 8个孔位/8个麦克风BOM |
| ASR单人 | 安静中文CER≤10%、英语WER≤15%；按距离/口音分组 | 模型卡公开语料分数 |
| 重叠识别 | 相比同句单人基线CER/WER恶化≤10个百分点，错面语段≤3% | 两个线程同时在跑 |
| 商务翻译 | 留出集至少300句/方向；双语盲评可用≥90%，数字/单位/否定关键项≥98% | 单一BLEU或“AI准确率” |
| 时延 | 达到第8节定义，在双讲和温升后统计P50/P95/P99 | 只报最快单句或MT接口响应 |
| 朗读与回声 | 播放期间空房30分钟不产生最终译文；插话打断P95≤150 ms | 静音模式通过 |
| 连续运行 | 8 h会话无崩溃、无OOM、无持续积压；5 h续航独立实测 | 短时桌面演示 |
| 断网一致性 | 100次故障注入，0重复最终句/朗读、0迟到覆盖 | 网络图标变成离线 |
| 包与OTA | 掉电/签名错/空间不足/不兼容故障均保留可启动旧版本 | 下载成功 |

这些是拟定的交付门槛，不是已经达到的行业指标。重叠场景若不达标，先修音频和模型；可以提供清晰标注的轮流说话降级，但不得以降级通过宣称同时说话目标已验收。

| 阶段 | 周期假设 | 交付与进入下一阶段的门槛 |
|---|---|---|
| G0 板级与采集 | 第1–2周 | 8路同步与双显示可用；音频校准集、按键与电源日志；失败不继续堆模型 |
| G1 离线中英闭环 | 第3–4周 | ASR→MT→双屏，静音字幕先行；测真实内存/尾延迟，完全断网可用 |
| G2 双讲与可选朗读 | 第5–6周 | 回声、重叠、打断、数字术语；提交分场景质量报告，接入云网关候选 |
| G3 恢复与长稳 | 第7–8周 | 断网、签名语言包、A/B回滚、8 h长稳、续航与温升报告，决定是否进入EVT |

8周是完成上述验证用原型的规划，不是量产承诺；不含开模、认证、量产良率或供应商交期。每个门槛失败先闭环，再进入下一阶段。

## 12. 本轮交付与真实完成状态

完成：系统方案、资源与费用参数、交互评审页、可执行的会话状态规则原型，以及对应规则测试。交互页用固定的中英例句展示正常对话、同时说话、云端迟到、朗读打断、听不清及离线包缺失，明示为模拟；不会请求麦克风或调用真实云服务。

未完成：实体样机、固件、模型转换与下载、8路音频、真实离线推理、云端开通、语言包签名发行、实测功耗/温升/续航。当前可以评审产品行为和研发接口，不能据网页效果判断声学和翻译质量。

## 资料来源

以下资料于2026-10-30核对。链接支持平台/接口/许可事实；所有本机性能、资源、成本和质量数字均为本方案设计输入，未借用来源中的跑分冒充本机实测。

- S1 [Rockchip RK3576官方规格](https://www.rock-chips.com/a/cn/product/RK35xilie/2024/1015/2016.html)：CPU、6 TOPS、Linux、多屏与音频接口。
- S2 [sherpa-onnx流式Zipformer用法](https://k2-fsa.github.io/sherpa/onnx/pretrained_models/online-transducer/zipformer-transducer-models.html)及[运行库许可证](https://github.com/k2-fsa/sherpa-onnx/blob/master/LICENSE)。
- S3 [中英Zipformer模型卡](https://huggingface.co/csukuangfj/k2fsa-zipformer-bilingual-zh-en-t)。
- S4 [Rockchip RKNN模型示例](https://github.com/airockchip/rknn_model_zoo)：Zipformer及RK3576适配入口，非本机双路验收。
- S5 [CTranslate2硬件支持](https://opennmt.net/CTranslate2/hardware_support.html)、[MarianMT转换支持](https://opennmt.net/CTranslate2/guides/transformers.html)、[许可证](https://github.com/OpenNMT/CTranslate2/blob/master/LICENSE)。
- S6 [Helsinki-NLP en→zh模型卡](https://huggingface.co/Helsinki-NLP/opus-mt-en-zh)。
- S7 [Helsinki-NLP zh→en模型卡](https://huggingface.co/Helsinki-NLP/opus-mt-zh-en)。
- S8 [Qwen-MT官方说明](https://help.aliyun.com/en/model-studio/machine-translation)。
- S9 [Kokoro中英模型卡](https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh)；其用例中的[eSpeak NG依赖许可](https://github.com/espeak-ng/espeak-ng/blob/master/COPYING)需单独处理。
- S10 [LVGL库与许可](https://github.com/lvgl/lvgl)、[Linux DRM驱动限制](https://lvgl.io/docs/open/integration/embedded_linux/drivers/drm)。
- S11 [WebRTC APM说明](https://webrtc.googlesource.com/src/+/8c90d57b4151b0a009ce83f85c57dfca8b2e1fe1/modules/audio_processing/g3doc/audio_processing_module.md)、[10 ms处理接口](https://webrtc.googlesource.com/src/+/1ecf29c1ce1119723da384aa998159ef9d1ce59f/modules/audio_processing/include/audio_processing.h)。
- S12 [RAUC升级框架](https://rauc.readthedocs.io/en/latest/basic.html)。