[Backend] 实现 WebSocket 实时语音流处理

[yyy-router]

背景

MVP 需要支持客户端通过同一条 WebSocket 连接实时上传麦克风音频，并由后端在接收音频分片的同时转发给 ASR，最终将 ASR 文本交给 LLM 生成可确认的日程草稿。

功能范围

• 支持 voice.stream.start 和 voice.stream.end 控制消息。
• 支持 WebSocket Binary Frame 音频分片接收。
• 限制音频格式、采样率、声道数和最大录音时长。
• 使用有界队列实现客户端到 ASR 的实时流式转发和背压。
• 使用阿里云 server_vad 完成语音断句，并发发送音频与接收识别事件。
• 聚合 ASR 最终文本并调用 LLM 生成结构化日程草稿。
• 通过 voice.parse.result 异步推送成功或失败结果。
• 在断连、超限和第三方服务异常时释放后台任务与连接资源。
• 避免第三方 WebSocket 关闭握手造成额外长时间等待。

验收标准

• 客户端可以完成握手、开始音频流、发送二进制音频、结束音频流并收到结构化结果。
• voice.stream.ended 先于对应的 voice.parse.result 返回。
• 同一设备同一时间只能存在一个活动音频流。
• ASR 和 LLM 错误可以区分阶段并返回统一失败消息。
• 覆盖正常流程、非法参数、空音频、超限、断连和第三方失败测试。
• 后端完整测试和代码质量检查通过。