【听见课堂 HarmonyOS NEXT 实战系列 21】实时字幕先别急着接模型：8 状态会话机怎么设计

做实时字幕时，最容易被低估的不是模型接入，而是会话状态。如果页面只有一个 isListening 布尔值，开始失败、权限拒绝、主动暂停、引擎中断和正常结束都会被压成“没有在听”。用户看到的按钮、提示和恢复动作随之混乱：同一个“开始”可能重复创建引擎，“继续”可能在旧会话尚未释放时再次采集，“结束”也可能只改了页面文案却没有真正关闭资源。

听见课堂把实时课堂抽成 8 个显式状态：idle、starting、listening、paused、permission_denied、unsupported、error、ended。本文不讨论识别准确率，而是先解释状态、字幕快照、计时器和资源生命周期如何形成一个可恢复的会话机。

一、为什么一个布尔值不够

true/false 只能表达“正在听/没有听”，却回答不了下面这些问题：

• 正在等待权限还是正在创建引擎？
• 用户主动暂停，还是识别发生异常？
• 设备不支持能力，还是页面尚未开始？
• 结束后还能查看字幕吗？
• 当前按钮应该显示“开始”“暂停”“继续”还是“授权”？

这些差异直接决定下一步动作。状态不显式，页面就会用越来越多互相交叉的布尔变量补洞，最终出现非法组合，例如 isListening=false、isError=true、isEnded=true 同时成立。

二、8 个状态分别承担什么语义

听见课堂的状态定义如下：

export enum LiveSessionState {
  IDLE = 'idle',
  STARTING = 'starting',
  LISTENING = 'listening',
  PAUSED = 'paused',
  PERMISSION_DENIED = 'permission_denied',
  UNSUPPORTED = 'unsupported',
  ERROR = 'error',
  ENDED = 'ended'
}

状态	用户语义	主动作	资源预期
idle	尚未开始或已恢复到准备态	开始	无活跃采集
starting	正在授权、建引擎或建采集器	禁止重复点击	资源可能处于创建中
listening	正在采集并送入识别引擎	暂停	引擎与采集器活跃
paused	本次会话保留，采集停止	继续	字幕保留，采集器释放
permission_denied	麦克风未授权	授权/前往设置	不创建采集器
unsupported	当前设备或能力启动失败	稍后重试	释放已创建资源
error	会话中途异常	继续	保留字幕并释放采集器
ended	用户确认结束	开始新一轮	引擎关闭，字幕可继续查看

状态值不是错误码的别名，而是面向产品恢复路径的稳定契约。

三、先画合法迁移，再写按钮条件

项目的主要迁移可以概括为：

idle/ended/paused/error/unsupported
  -> starting
  -> listening

starting -> permission_denied
starting -> unsupported
listening -> paused
listening -> error
listening/paused -> ended
permission_denied -> starting -> idle 或 permission_denied

这张图比在 ArkUI 里直接堆 if 更重要。每条箭头都应该对应一个明确事件和后置条件；没有箭头的迁移默认不允许。例如 starting -> starting 没有业务意义，所以重复点击必须直接返回当前快照。

四、starting 是防重入门禁，不是装饰状态

用户双击“开始”时，权限弹窗、createEngine() 和 createAudioCapturer() 都可能仍在执行。项目在 start() 和页面入口分别拦截：

if (this.state === LiveSessionState.LISTENING ||
  this.state === LiveSessionState.STARTING) {
  return this.getSnapshot();
}

// ArkUI 页面也阻止 STARTING 再次触发
if (this.liveState === LiveSessionState.STARTING) {
  return;
}

双层门禁各有作用：页面层减少无意义操作，Service 层保证即使未来出现新的调用方，也不会重复创建同一会话资源。

五、状态、文案、计时和字幕必须来自同一快照

如果页面分别读取 state、elapsedSeconds、statusMessage 和 captions，读取期间 Service 可能刚好发生回调，页面就会出现“状态已暂停但计时仍增长”之类的撕裂。

项目用 LiveSessionSnapshot 一次性传递会话视图：

export class LiveSessionSnapshot {
  state: LiveSessionState;
  elapsedSeconds: number;
  statusMessage: string;
  captions: Array<LiveCaptionItem>;
  runtimeCaptionCount: number;
}

ArkUI 的 applyLiveSnapshot() 再集中映射为页面状态。这样一次回调只有一个一致版本，按钮、文案、计时和字幕不会各自猜测 Service 当前处境。

六、计时器必须跟随状态，而不是跟随页面

计时增长的条件只有一个：state === listening。项目在开始成功后启动 ticker，在暂停、结束、识别完成和错误回调中停止 ticker：

this.ticker = setInterval(() => {
  if (this.state === LiveSessionState.LISTENING) {
    this.elapsedSeconds += 1;
    this.emitSnapshot();
  }
}, 1000);

页面退出并不天然等于会话结束。听见课堂在离开实时课堂时主动暂停，而不是悄悄把状态改成 idle。这保留了本次字幕和已计时长，也避免麦克风继续在后台采集。

七、paused、error、unsupported 为什么要分开

三个状态都会让采集停止，但用户预期不同：

• paused 是用户主动操作，提示“课堂已暂停”，继续通常可以直接重建采集；
• error 是会话中断，应保留字幕、给出可理解反馈并允许重试；
• unsupported 表示当前设备或能力初始化失败，不应暗示“多点几次就一定成功”。

把它们统一为 idle 会丢掉原因，也会让埋点、QA 和无障碍播报无法区分正常暂停与能力降级。

八、permission_denied 不是死路

权限拒绝后，项目不会清空已 Seed 或已识别字幕，也不会只剩一个不可用按钮。permission_denied 对应明确的“前往系统设置”恢复动作；恢复结果再进入 idle 或保持拒绝态。

这条路径还能避免反复弹出系统权限请求。华为官方权限 FAQ 也提示：权限被拒后，后续调用首次授权接口可能不再弹窗，应适度使用 requestPermissionOnSetting() 或引导用户进入系统设置。

九、ended 是业务终点，不是对象销毁

结束课堂需要释放 AudioCapturer、结束识别会话、关闭引擎、停止计时并生成保存提示，但页面仍可能展示字幕、重点和“没听清”标记。因此 ended 不等于把所有字段重置为初始值。

项目把彻底清理数据放在 resetForDataDeletion()，把正常结束放在 stop()。两者语义不同：前者清空课堂域数据，后者只结束实时采集并保留可读结果。

十、字幕快照为什么必须复制

Service 内部保存的是可变数组。如果 getSnapshot() 直接返回原引用，页面或未来的 ViewModel 可能无意间改写 isCurrent、isKeyPoint 等字段，破坏状态机内部不变量。

项目对字幕逐项调用 copy()：

captions: this.captions.map((item: LiveCaptionItem) => item.copy())

复制不是为了“函数式好看”，而是明确所有权：Service 拥有会话事实，页面只拥有一次渲染快照。

十一、ArkUI 只做状态映射，不接管会话规则

页面根据状态计算标签与颜色：listening 显示“暂停”，permission_denied 显示“授权”，paused/error/unsupported 显示“继续”。这些属于展示映射。

真正的合法迁移、资源释放、计时器和回调过滤仍在 LiveTranscriptionService。如果页面直接调用引擎并自己切换多个布尔值，大屏布局、手机布局和未来的新入口都会复制同一套易错逻辑。

十二、至少要覆盖这些状态机测试

场景	关键断言
连续点击两次开始	只创建一轮引擎/采集器，状态不重复进入 starting
首次拒绝权限	进入 permission_denied，已有字幕不丢
系统设置授权后返回	回到 idle，不会自动偷偷开始采集
正在听写时暂停	ticker 停止，采集器释放，字幕保留
暂停后继续	新 session 可建立，旧字幕仍在
引擎回调旧 sessionId	被忽略，不污染当前会话
识别中断	进入 error，释放采集器，允许继续
确认结束	进入 ended，引擎关闭，结果仍可展示
结束后再次开始	建立新会话，不复用旧 sessionId
清空课堂数据	回到 idle，字幕、计时和运行计数清零

除了状态值，还应断言资源和快照。只检查按钮文案会漏掉麦克风仍占用、ticker 重复启动等问题。

十三、项目证据与未验证边界

听见课堂在 HarmonyOS 6.0.2(22) 工程中通过了实时听写静态合约，并在历史模拟器验收中观察到权限弹窗、监听态、暂停、继续、结束和无崩溃路径。华为当前公开的 Core Speech Kit 语音识别指南同时写明该能力不支持模拟器，因此这些历史结果只能证明项目自己的 UI、权限和资源生命周期路径，不能当作模拟器已完成真实语音识别的官方能力证明。

物理真机产生新字幕、最终句回调、45 分钟以上长课堂、系统音频中断和内存曲线仍需单独验证。文章中的状态机来自当前源码，运行结论则绑定历史证据，二者不能混为一谈。

十四、总结

实时字幕首先是一个有资源、有权限、有错误恢复的长生命周期会话，其次才是模型输出。8 状态会话机解决的不是“代码看起来更规范”，而是让每一次点击都有合法迁移，让每一个提示都有恢复方向，让计时、字幕和底层资源保持一致。

下一篇继续沿着状态机向下拆：麦克风权限应该何时申请，首次拒绝后如何恢复，以及为什么拒绝后仍要允许用户查看已有字幕。

参考：华为开发者联盟 Core Speech Kit；语音识别开发指南；权限拒绝后再次授权 FAQ。