Аудио pipeline

Аудио модулът (client/src/audio/) отговаря за захващане на звук от микрофона, генериране на звукови нотификации и управление на системния mute. Той е първото звено в pipeline-а: микрофон -> f32 samples -> WAV кодиране -> WebSocket.

Архитектура

Модул capture.rs

AudioCapture struct

AudioCapture е основният интерфейс за управление на записа:

pub struct AudioCapture {
    device_name: Option<String>,     // Избран микрофон (None = default)
    audio_tx: Sender<Vec<f32>>,      // Канал за изпращане на samples
    capturing: Arc<AtomicBool>,      // Флаг за спиране
    thread: Option<JoinHandle<()>>,  // Capture thread handle
}

Методи:

• new(audio_tx, device_name) -- създава инстанция без да стартира запис
• start() -- spawn-ва capture нишка
• stop() -- спира записа и join-ва нишката
• list_devices() -- изброява налични capture устройства

WASAPI Capture Loop (Windows)

Ключови параметри

Параметър	Стойност	Описание
TARGET_SAMPLE_RATE	16,000 Hz	Честота за ASR модела
Формат	mono float32	32-bit floating point, 1 канал
autoconvert	true	WASAPI автоматично ресемплира от native формата на устройството
StreamMode	EventsShared	Споделен режим с event-based wake
Chunk size	1600 frames	~100ms при 16kHz
Event timeout	500ms	Максимално изчакване за данни

Избор на микрофон

Потребителят може да избере конкретен микрофон от настройките. list_devices() изброява всички capture устройства чрез WASAPI DeviceEnumerator. Списъкът се генерира в отделна нишка за да не замърсява COM apartment-а на main thread-а (който трябва да остане STA за egui/winit).

Ако избраното устройство не бъде намерено, се използва default capture device.

macOS (TODO)

macOS имплементацията е stub -- планирана е чрез cpal crate с rubato resampler за конверсия от 48kHz към 16kHz.

Модул sound.rs

Генерира звукови нотификации за начало и край на запис. Звуците са синусоидални бипове, генерирани в паметта като PCM WAV:

Звук	Описание	Честоти	Продължителност
Start	Нарастващ двутонов бип	600Hz -> 900Hz	2 x 120ms
Stop	Падащ двутонов бип	900Hz -> 600Hz	2 x 120ms

Характеристики

• Sample rate: 22,050 Hz
• Формат: PCM 16-bit mono WAV
• Envelope: 5ms attack + 15ms release (елиминира клик-артефакти)
• Кеширане: WAV байтовете се генерират веднъж чрез OnceLock и се преизползват
• Възпроизвеждане: Win32 PlaySoundW (SND_MEMORY | SND_SYNC) в background нишка

Mute интеграция

Звуковият модул координира с volume модула при mute_on_record настройка:

Модул volume.rs

Управлява системния mute/unmute чрез Windows Core Audio COM API:

1. CoCreateInstance -> IMMDeviceEnumerator
2. GetDefaultAudioEndpoint(eRender, eConsole) -> IMMDevice
3. Activate(IID_IAudioEndpointVolume) -> IAudioEndpointVolume
4. SetMute(true/false) или GetMute()

Имплементацията използва ръчни COM vtable извиквания (без windows-rs bindings) за минимален binary размер.

WAV кодиране

WAV кодирането се извършва в transcription/client.rs чрез hound crate:

fn encode_wav(audio: &[f32]) -> Result<Vec<u8>, String> {
    let spec = hound::WavSpec {
        channels: 1,
        sample_rate: 16_000,
        bits_per_sample: 32,
        sample_format: hound::SampleFormat::Float,
    };
    // ... write to in-memory Cursor
}

Формат на WAV файла:

• Канали: 1 (mono)
• Sample rate: 16,000 Hz
• Bits per sample: 32 (float)
• Encoding: IEEE Float

Целият WAV се записва в Vec<u8> в паметта (без файл на диска) и се изпраща като Binary WebSocket frame.