services: 通话录音按左右声道分轨转写，说话人直接按音轨给

客户端录的通话音频是双声道 WAV（左=本端麦克风、右=对端），而 DashScope 录音文件识别
不传 channel_id 时只转第 0 轨 —— 语音纪要里只有机主自己说的话，对方一句都没有。

- 提交前先探一次 WAV 头（probeWavChannels），确认是多声道才传 channel_id=[0,1]：
  每多一轨按一份音频计费，单声道文件不该白花钱；
- 多轨结果每轨一份 transcript，说话人直接按音轨定（0=本端 1=对端），
  比让服务商去分离 speaker_id 可靠得多，再按时间轴合并成一条转写。

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

apps/services/sys/aliyun/filetrans/filetrans.go

@@ -1,10 +1,12 @@
 package filetrans
 
 import (
+	"encoding/binary"
 	"encoding/json"
 	"fmt"
 	"io"
 	"net/http"
+	"sort"
 	"strings"
 	"time"
 )
@@ -98,6 +100,12 @@ type submitRequestParams struct {
 	SpeakerCount       *int     `json:"speaker_count,omitempty"`
 	DiarizationEnabled bool     `json:"diarization_enabled"`
 	NotifyURL          string   `json:"notify_url,omitempty"`
+	// ChannelID 要识别的音轨。不传时 DashScope 只转写第 0 轨。
+	//
+	// ⚠️ 通话录音是客户端录的**双声道 WAV**（左=本端麦克风、右=对端），
+	// 不传这个参数的后果就是「语音纪要只转写出我自己说的话，对方一句都没有」。
+	// 每多一轨按一份音频计费，所以只在文件确实是多声道时才传（见 probeWavChannels）。
+	ChannelID []int `json:"channel_id,omitempty"`
 }
 
 // submitResponse DashScope 提交任务的响应
@@ -172,6 +180,9 @@ func (this *FileTrans) CreateTask(audioURL, language string, enableSpeaker bool,
 		DiarizationEnabled: enableSpeaker,
 		NotifyURL:          callbackURL,
 	}
+	if ch := this.probeWavChannels(audioURL); ch >= 2 {
+		params.ChannelID = []int{0, 1}
+	}
 	if language != "" {
 		// 不支持的语种绝不放行：阿里对此不报错，只会返回空转写，错误会一路藏到用户看到空白纪要
 		if !modelLangs[model][language] {
@@ -299,16 +310,66 @@ func (this *FileTrans) fetchTranscriptionResults(results []taskResult) (contexts
 			return nil, fmt.Errorf("unmarshal transcription: %w", err)
 		}
 
+		// 多音轨（通话录音左右声道）时每轨一份 transcript：说话人直接按音轨给
+		// （0=本端 1=对端，比分离出来的 speaker_id 可靠得多），并按时间轴合并。
+		multi := len(tr.Transcripts) > 1
 		for _, t := range tr.Transcripts {
 			for _, s := range t.Sentences {
+				speaker := fmt.Sprintf("%v", s.SpeakerID)
+				if multi {
+					speaker = fmt.Sprintf("%d", t.ChannelID)
+				}
 				contexts = append(contexts, ContextStruct{
 					Content:   s.Text,
 					StartTime: s.BeginTime,
 					EndTime:   s.EndTime,
-					Speaker:   fmt.Sprintf("%v", s.SpeakerID),
+					Speaker:   speaker,
 				})
 			}
 		}
 	}
+	sort.SliceStable(contexts, func(i, j int) bool { return contexts[i].StartTime < contexts[j].StartTime })
 	return
 }
+
+// probeWavChannels 只取文件开头几十个字节，看是不是多声道 WAV。
+// 不是 WAV / 取不到 / 解析不出来一律返回 0（按单轨提交，行为与以前一致）。
+func (this *FileTrans) probeWavChannels(audioURL string) int {
+	req, err := http.NewRequest(http.MethodGet, audioURL, nil)
+	if err != nil {
+		return 0
+	}
+	req.Header.Set("Range", "bytes=0-63")
+	client := &http.Client{Timeout: 5 * time.Second}
+	resp, err := client.Do(req)
+	if err != nil {
+		return 0
+	}
+	defer resp.Body.Close()
+	head, err := io.ReadAll(io.LimitReader(resp.Body, 64))
+	if err != nil {
+		return 0
+	}
+	return wavChannelsFromHeader(head)
+}
+
+// wavChannelsFromHeader 从 RIFF/WAVE 头里读 fmt 块的声道数；不是 WAV 或不完整返回 0。
+func wavChannelsFromHeader(head []byte) int {
+	if len(head) < 12 || string(head[0:4]) != "RIFF" || string(head[8:12]) != "WAVE" {
+		return 0
+	}
+	// 从 12 起是若干 chunk：4 字节 id + 4 字节长度 + 数据。fmt 块里偏移 2 处是声道数。
+	pos := 12
+	for pos+8 <= len(head) {
+		id := string(head[pos : pos+4])
+		size := int(binary.LittleEndian.Uint32(head[pos+4 : pos+8]))
+		if id == "fmt " {
+			if pos+8+4 > len(head) {
+				return 0
+			}
+			return int(binary.LittleEndian.Uint16(head[pos+10 : pos+12]))
+		}
+		pos += 8 + size
+	}
+	return 0
+}

apps/services/sys/aliyun/filetrans/wavheader_test.go

@@ -0,0 +1,39 @@
+package filetrans
+
+import (
+	"encoding/binary"
+	"testing"
+)
+
+func wavHeader(channels uint16) []byte {
+	b := make([]byte, 44)
+	copy(b[0:4], "RIFF")
+	binary.LittleEndian.PutUint32(b[4:8], 36)
+	copy(b[8:12], "WAVE")
+	copy(b[12:16], "fmt ")
+	binary.LittleEndian.PutUint32(b[16:20], 16)
+	binary.LittleEndian.PutUint16(b[20:22], 1)
+	binary.LittleEndian.PutUint16(b[22:24], channels)
+	binary.LittleEndian.PutUint32(b[24:28], 16000)
+	copy(b[36:40], "data")
+	return b
+}
+
+func TestWavChannelsFromHeader(t *testing.T) {
+	if got := wavChannelsFromHeader(wavHeader(2)); got != 2 {
+		t.Fatalf("stereo: got %d", got)
+	}
+	if got := wavChannelsFromHeader(wavHeader(1)); got != 1 {
+		t.Fatalf("mono: got %d", got)
+	}
+	// 客户端 WavWriter 的头只有 44 字节，但取 64 字节的 Range 会带上 data 的前 20 字节
+	if got := wavChannelsFromHeader(append(wavHeader(2), make([]byte, 20)...)); got != 2 {
+		t.Fatalf("stereo+data: got %d", got)
+	}
+	if got := wavChannelsFromHeader([]byte("OggS\x00\x02")); got != 0 {
+		t.Fatalf("ogg: got %d", got)
+	}
+	if got := wavChannelsFromHeader(wavHeader(2)[:20]); got != 0 {
+		t.Fatalf("truncated: got %d", got)
+	}
+}