用 gpt-live-transcribe 做实时转写收不到 final events 到底怎么搞

想通过 OpenAI 的 Realtime API 实现实时语音转写，结果掉进了个很诡异的坑：能收到中间的 delta 碎片，但永远等不到那个标志着转写完成的 conversation.item.input_audio_transcription.completed 事件。简单说，就是只有过程没结果，没法拿到最终确定的文本。

这事儿最让人困惑的地方在于，如果你想拿到 final event，通常得依赖服务器的端点检测（VAD）来判断说话结束了，但这个模型对 VAD 的支持极其不统一。

具体复现过程和报错如下：

首先，在配置 session 时，如果把 turn_detection 设为 null（关闭状态），代码跑起来没问题，但输出结果只有 conversation.item.input_audio_transcription.delta 这种碎片，一直没有 completed 事件。

我尝试的监听代码是这样的：

ws.on("message", (data) => {
 const event = JSON.parse(data);

 if (event.type === "conversation.item.input_audio_transcription.delta") {
   process.stdout.write(event.delta);
 }

 if (event.type === "conversation.item.input_audio_transcription.completed") {
   console.log("\nFinal transcript:", event.transcript);
 }
});

为了强行触发 final event，我尝试按照官方 VAD 文档去开启 server_vad，配置参数如下：

{
 "type": "session.update",
 "session": {
 "type": "transcription",
 "audio": {
 "input": {
 "format": { "type": "audio/pcm", "rate": 24000 },
 "transcription": { "model": "gpt-live-transcribe" },
 "turn_detection": {
 "type": "server_vad",
 "threshold": 0.8,
 "prefix_padding_ms": 500,
 "silence_duration_ms": 700
 }
 }
 }
}

结果直接被服务器怼回来一个报错，提示这个模型根本不支持端点检测：

{
 "message": "Turn detection is not supported for this transcription model.",
 "type": "invalid_request_error",
 "code": "invalid_value",
 "param": "session.audio.input.turn_detection"
}

最离谱的是，这个问题不仅出现在 gpt-live-transcribe 上，换成 gpt-realtime-whisper 居然也是同样的情况。

现在的局面很尴尬：关掉 turn_detection 没 final event，开启 turn_detection 直接报 invalid_request_error。这导致开发者陷入了一个死循环，因为没有 completed 事件，你根本没法知道一段话什么时候结束，也没法进行后续的业务逻辑处理。

我的判断是，目前这些转写模型在 Realtime API 里的 VAD 逻辑可能还没跑通，或者文档描述和实际 API 实现脱节了。如果你也在用这两个模型且需要最终转写结果，建议暂时不要依赖 server_vad，可能得自己在客户端做简单的静音检测，然后手动触发某种机制，但这显然增加了开发成本，不应该是 API 应该有的样子。