[实时字幕端点]：完成无新文字快速结束录音，包含1.5秒停滞配置、Capture端点和回归测试

.env.example

@@ -3,6 +3,7 @@ OWNER_LLM_API_KEY=
 OWNER_LLM_MODEL=mimo-v2.5
 OWNER_LLM_API_STYLE=chat_completions
 OWNER_REALTIME_TRANSCRIPT_ENABLED=1
+OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS=1500
 OWNER_AUDIO_INPUT_DEVICE=
 OWNER_AUDIO_OUTPUT_DEVICE=
 OWNER_ASSET_DIR=assets/pet

README.md

@@ -35,6 +35,7 @@ OWNER_LLM_API_KEY=
 OWNER_LLM_MODEL=mimo-v2.5
 OWNER_LLM_API_STYLE=chat_completions
 OWNER_REALTIME_TRANSCRIPT_ENABLED=1
+OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS=1500
 OWNER_WAKE_PROVIDER=local_kws
 OWNER_WAKE_KEYWORDS_FILE=
 OWNER_WAKE_KWS_THRESHOLD=0.15
@@ -68,7 +69,7 @@ OWNER_CONTEXT_MODE=session_memory
 
 `OWNER_NOISE_FILTER_ENABLED=1` 表示唤醒后的正式问题阶段默认启用本地 GTCRN 降噪。降噪后的同一份音频会进入 VAD、实时字幕和 final STT；wake 阶段默认保持原始音频，`OWNER_WAKE_DENOISE_ENABLED=0` 可以避免降噪影响“小杰小杰”的 KWS 特征。
 
-`OWNER_REALTIME_TRANSCRIPT_ENABLED=1` 表示录音期间会使用本地 streaming STT 实时显示中间转写，终端会输出 `实时转写：...`。为了过滤噪音，实时字幕默认不会显示 `家`、`家确` 这类很短的瞬时误识别；最终发送给 LLM 的内容仍只以 `转写结果：...` 为准。设置为 `0` 可以临时关闭实时显示。
+`OWNER_REALTIME_TRANSCRIPT_ENABLED=1` 表示录音期间会使用本地 streaming STT 实时显示中间转写，终端会输出 `实时转写：...`。为了过滤噪音，实时字幕默认不会显示 `家`、`家确` 这类很短的瞬时误识别；最终发送给 LLM 的内容仍只以 `转写结果：...` 为准。`OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS=1500` 表示已有实时字幕后，如果 1.5 秒内没有新的文字输出，就直接结束本轮录音进入 final STT；设置为 `0` 可以关闭这个停滞端点。`OWNER_REALTIME_TRANSCRIPT_ENABLED=0` 可以临时关闭实时显示。
 
 ## 本地模型
 

openspec/changes/separate-wake-and-realtime-transcript/design.md

@@ -147,6 +147,18 @@ The first implementation is a per-turn heuristic endpoint, not persistent voicep
 4. `VoiceAssistantPipeline` 在 `speech_started` 后把 capture 阶段已开始录音的帧 feed 给 realtime STT session；当 partial 文本变化时才 emit，避免刷屏。
 5. `OWNER_REALTIME_TRANSCRIPT_ENABLED=1` 默认启用；设置为 `0` 可临时回退到只显示 final transcript。
 
+## Realtime Transcript Idle Endpoint
+
+真人 `run-live` 日志显示，用户已看到实时字幕完整推进后，capture 仍可能继续等待 VAD 或主说话人端点。新增 `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS` 作为文本级端点，默认 `1500` ms：
+
+1. CaptureStage 只在已经输出过至少一次有效 `transcript_partial` 后启用该端点。
+2. 每次 `transcript_partial` 真实发出时，记录该帧的音频时间戳为 `last_partial_ms`。
+3. 后续已开始录音但没有新的 partial 文本输出时，如果当前帧时间戳与 `last_partial_ms` 的差值达到配置阈值，调用 `VadRecorder.finish("partial_transcript_idle")` 构建当前录音片段。
+4. 构建出的 segment 继续走 final STT、LLM、TTS，不把 partial 文本写入上下文。
+5. 配置为 `0` 时关闭该端点，保留只依赖主说话人/VAD 的旧行为。
+
+该端点使用音频帧时间戳而不是 wall-clock，避免批量读帧或 CPU 抖动导致误判。它不会在没有 partial 的场景提前结束，避免 STT 尚未给出第一段文本时切掉用户开头。
+
 ## Model Files
 
 ```text

openspec/changes/separate-wake-and-realtime-transcript/proposal.md

@@ -107,6 +107,7 @@
 42. `real-live-check --no-playback` SHALL 仍执行本地 TTS 合成和 pipeline 播放事件记录，但不实际向扬声器发声，便于自动化测试和无声环境排查。
 43. `real-live-check` SHALL 输出命令级开始/结束时间、总耗时、阶段耗时、pipeline 事件时间线和按 turn/stage 聚合的响应耗时。
 44. `real-live-check` SHALL 输出每次云端 LLM 请求真正发出的 `sent_at`、首个文本回复耗时和请求总耗时，且不得泄露 API key。
+45. `run-live` capture 阶段 SHALL 支持实时字幕停滞端点：当已经输出过 `transcript_partial` 后，如果 `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS` 时间内没有新的实时字幕文本输出，当前正式问题采集必须立即结束并进入 final STT。
 
 ### 非功能需求
 
@@ -163,6 +164,7 @@
 17. `OWNER_NOISE_FILTER_ENABLED=1`：正式问题阶段默认启用本地降噪。
 18. `OWNER_WAKE_DENOISE_ENABLED=0`：wake 阶段默认不启用降噪。
 19. `OWNER_NOISE_FILTER_PROVIDER=sherpa_onnx_gtcrn`：第一版本地降噪 provider。
+20. `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS=1500`：已有实时字幕后，若 1.5 秒没有新的文字输出，则结束本轮录音；设置为 `0` 可关闭该端点。
 
 终端输出：
 
@@ -304,6 +306,7 @@ standby
 12. partial 稳定过滤：实时字幕会先去除空白和标点，计算有效字符数；有效字符数小于 2 的文本直接忽略；若新文本比上一次已显示文本短且不构成稳定前缀推进，也忽略，避免把瞬时噪声显示给用户。
 13. 零时长播放后清理：`_drain_input_after_playback()` 先执行一次 `transport.flush_input()`；若 `post_playback_drain_ms <= 0` 立即返回；若配置为正数，才按用户显式配置继续 read/drop drain window 并最终再次 flush。
 14. 模拟 flush 隔离：`MemoryAudioTransport` 默认保持 flush 清空语义；模拟 live pipeline 显式设置 `flush_clears_input=False`，只记录 flush 调用，不删除预排帧，避免将真实时间队列与离线 fixture 序列混淆。
+15. 实时字幕停滞端点：CaptureStage 记录最后一次成功输出 `transcript_partial` 的音频时间戳；后续已开始录音但没有新的 partial 文本推进时，若当前帧时间戳与最后 partial 输出时间差达到 `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS`，调用 recorder `finish("partial_transcript_idle")` 构建当前片段并发出 `speech_ended`。
 
 ### 数据库/状态管理变更
 
@@ -451,6 +454,13 @@ standby
 - [ ] 14.3 实现 LLM 请求发送时间和响应耗时；前置条件：14.2 完成；验收标准：每次 LLM 调用记录 `sent_at`、`first_delta_ms`、`duration_ms`、最后 user 预览，且不包含 key；测试要点：RecordingLlmProvider 单测；优先级：P0；预计：35 分钟。
 - [ ] 14.4 执行真实命令验收和全量门禁并提交；前置条件：14.1 至 14.3 完成；验收标准：`real-live-check --turns 2 --no-playback` 和默认播放版本均输出 timing 且成功，全量门禁通过后中文提交；优先级：P0；预计：60 分钟。
 
+### 15. 实时字幕停滞端点
+
+- [ ] 15.1 更新 OpenSpec 和 README 描述 1.5 秒无新实时字幕即结束录音；前置条件：真人 `run-live` 日志确认 final STT 前仍等待过久；验收标准：proposal/design/spec/tasks/README 明确 `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS=1500`、关闭方式和 end_reason；测试要点：OpenSpec strict；优先级：P0；预计：30 分钟。
+- [ ] 15.2 实现配置与 capture 端点；前置条件：15.1 完成；验收标准：`AppConfig`、`.env.example`、`--show-config` 支持新配置，`VoiceAssistantPipeline` 在已有 partial 后 1500 ms 无新文本时调用 recorder finish；测试要点：配置解析和 show-config 单测；优先级：P0；预计：45 分钟。
+- [ ] 15.3 补充 recorder finish 和回归测试；前置条件：15.2 完成；验收标准：持续有语音但 partial 不再推进时，segment end_reason 为 `partial_transcript_idle`，final STT 仍执行且 partial 不进上下文；测试要点：live runtime 单测；优先级：P0；预计：45 分钟。
+- [ ] 15.4 执行门禁并提交“实时字幕端点”模块；前置条件：15.1 至 15.3 完成；验收标准：compileall、unittest、simulate-live、security-check、OpenSpec strict、git diff check 通过后中文提交；优先级：P0；预计：45 分钟。
+
 ## Spec Deltas
 
 ### 新增能力
@@ -474,6 +484,7 @@ standby
 13. `Real provider live fixture acceptance`：新增真实 provider 脚本化闭环验收和 ACK/TTS 播放后 0ms flush 语义，确保真实本地模型、云端 LLM、本地 TTS/播放在同一 pipeline 中可连续运行。
 14. `Real live check CLI`：新增 `real-live-check` 可重复命令，把完整真实 Provider 链路验收从一次性脚本升级为仓库内正式工具。
 15. `Real live check timing`：新增真实流程命令计时输出，覆盖命令发起时间、LLM 请求发送时间、各阶段响应耗时和 pipeline 事件时间线。
+16. `Realtime transcript idle endpoint`：新增已有实时字幕后 1.5 秒无新文字即结束录音的端点要求，避免用户已停说但 capture 继续等待 VAD/音色端点。
 
 ### 删除项
 
@@ -498,6 +509,7 @@ standby
 11. M11：真实 provider 脚本化闭环和 ACK 缓冲修正完成后提交；仍保留用户真人 `run-live` 体验验收，不在用户确认前归档。
 12. M12：`real-live-check` 正式 CLI、文档、测试和真实命令验收完成后提交；仍保留物理麦克风 `run-live` 真人体验验收。
 13. M13：`real-live-check` 计时输出完成后提交，使后续排查可以直接看到每段耗时。
+14. M14：实时字幕停滞端点完成后提交，用户真实 `run-live` 若已有 partial 后 1.5 秒无新文字，应快速进入 final STT。
 
 估时：
 

openspec/changes/separate-wake-and-realtime-transcript/specs/voice-pet-pipeline/spec.md

@@ -56,6 +56,11 @@ The live runtime SHALL display recognized user utterance text in the terminal bo
 - **WHEN** a partial transcript is emitted
 - **THEN** it SHALL be treated as user-visible feedback only and SHALL NOT be appended to the conversation context or sent to the LLM
 
+#### Scenario: Realtime transcript stops advancing
+- **WHEN** the user utterance has started, at least one partial transcript has been displayed, and no new partial transcript text is emitted for `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS`
+- **THEN** capture SHALL end the current utterance with end reason `partial_transcript_idle`
+- **AND** the runtime SHALL proceed to final STT for the captured audio instead of waiting for VAD maximum recording duration
+
 #### Scenario: User utterance is transcribed
 - **WHEN** a live turn captures a user utterance and STT returns non-empty text
 - **THEN** the terminal output SHALL include a transcript message containing the recognized text before the thinking/LLM status is emitted

openspec/changes/separate-wake-and-realtime-transcript/tasks.md

@@ -111,3 +111,10 @@
 - [x] 14.2 实现命令级和事件级计时；前置条件：14.1 完成；验收标准：`real-live-check` JSON 包含命令总耗时、生成音频/build/pipeline phase 耗时、每轮 wake/ACK/capture/STT/LLM/TTS/turn_total 耗时；测试要点：stage timing 单测；优先级：P0；预计：45 分钟。
 - [x] 14.3 实现 LLM 请求发送时间和响应耗时；前置条件：14.2 完成；验收标准：每次 LLM 调用记录 `sent_at`、`first_delta_ms`、`duration_ms`、最后 user 预览，且不包含 key；测试要点：RecordingLlmProvider 单测；优先级：P0；预计：35 分钟。
 - [x] 14.4 执行真实命令验收和全量门禁并提交；前置条件：14.1 至 14.3 完成；验收标准：`real-live-check --turns 2 --no-playback` 和默认播放版本均输出 timing 且成功，全量门禁通过后中文提交；优先级：P0；预计：60 分钟。
+
+## 15. 实时字幕停滞端点
+
+- [x] 15.1 更新 OpenSpec 和 README 描述 1.5 秒无新实时字幕即结束录音；前置条件：真人 `run-live` 日志确认 final STT 前仍等待过久；验收标准：proposal/design/spec/tasks/README 明确 `OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS=1500`、关闭方式和 end_reason；测试要点：OpenSpec strict；优先级：P0；预计：30 分钟。
+- [x] 15.2 实现配置与 capture 端点；前置条件：15.1 完成；验收标准：`AppConfig`、`.env.example`、`--show-config` 支持新配置，`VoiceAssistantPipeline` 在已有 partial 后 1500 ms 无新文本时调用 recorder finish；测试要点：配置解析和 show-config 单测；优先级：P0；预计：45 分钟。
+- [x] 15.3 补充 recorder finish 和回归测试；前置条件：15.2 完成；验收标准：持续有语音但 partial 不再推进时，segment end_reason 为 `partial_transcript_idle`，final STT 仍执行且 partial 不进上下文；测试要点：live runtime 单测；优先级：P0；预计：45 分钟。
+- [x] 15.4 执行门禁并提交“实时字幕端点”模块；前置条件：15.1 至 15.3 完成；验收标准：compileall、unittest、simulate-live、security-check、OpenSpec strict、git diff check 通过后中文提交；优先级：P0；预计：45 分钟。

src/owner_voice_pet/assistant_pipeline.py

@@ -163,6 +163,7 @@ class TurnController:
         self.vad_recorder.provider.reset()
         self.audio_preprocessor.reset()
         realtime_session = self._start_realtime_transcript()
+        last_partial_ms: int | None = None
         self._event(CAPTURE_STARTED, PipelineState.RECORDING, state_message, turn_id=turn_id)
         while True:
             frames = self.transport.read_frames(timeout_ms=100)
@@ -180,7 +181,8 @@ class TurnController:
                 if isinstance(result, ProviderError):
                     return result
                 if self.vad_recorder.started and realtime_session is not None:
-                    self._emit_realtime_transcript(realtime_session, frame, turn_id)
+                    if self._emit_realtime_transcript(realtime_session, frame, turn_id):
+                        last_partial_ms = frame.timestamp_ms
                 if isinstance(result, AudioSegment):
                     if realtime_session is not None:
                         self._finish_realtime_transcript(realtime_session, turn_id)
@@ -192,6 +194,18 @@ class TurnController:
                         payload={"end_reason": result.metadata.get("end_reason", "")},
                     )
                     return result
+                if self._should_end_after_realtime_idle(last_partial_ms, frame.timestamp_ms):
+                    if realtime_session is not None:
+                        self._finish_realtime_transcript(realtime_session, turn_id)
+                    result = self.vad_recorder.finish("partial_transcript_idle")
+                    self._event(
+                        SPEECH_ENDED,
+                        PipelineState.RECORDING,
+                        "用户语音结束",
+                        turn_id=turn_id,
+                        payload={"end_reason": result.metadata.get("end_reason", "")},
+                    )
+                    return result
 
     def _start_realtime_transcript(self) -> RealtimeTranscriptSession | None:
         if not self.config.realtime_transcript_enabled or self.realtime_stt is None:
@@ -203,14 +217,19 @@ class TurnController:
         realtime_session: RealtimeTranscriptSession,
         frame: AudioFrame,
         turn_id: int,
-    ) -> None:
+    ) -> bool:
         transcript = realtime_session.accept_frame(frame)
         if transcript is None:
-            return
+            return False
         text = transcript.normalized_text
         if not is_valid_transcript_text(text):
-            return
+            return False
         self._event(TRANSCRIPT_PARTIAL, PipelineState.RECORDING, "", turn_id=turn_id, payload={"text": text})
+        return True
+
+    def _should_end_after_realtime_idle(self, last_partial_ms: int | None, current_ms: int) -> bool:
+        timeout_ms = self.config.realtime_transcript_idle_timeout_ms
+        return timeout_ms > 0 and last_partial_ms is not None and current_ms - last_partial_ms >= timeout_ms
 
     def _finish_realtime_transcript(
         self,

src/owner_voice_pet/cli.py

@@ -65,6 +65,7 @@ def main(argv: list[str] | None = None) -> int:
                     "llm_api_style": config.llm_api_style,
                     "llm_stream": config.llm_stream,
                     "realtime_transcript_enabled": config.realtime_transcript_enabled,
+                    "realtime_transcript_idle_timeout_ms": config.realtime_transcript_idle_timeout_ms,
                     "llm_api_key_present": bool(config.llm_api_key),
                     "asset_dir": str(config.asset_dir),
                     "wake_provider": config.wake_provider,
@@ -201,6 +202,7 @@ def main(argv: list[str] | None = None) -> int:
                 llm_api_style=config.llm_api_style,
                 llm_stream=False,
                 realtime_transcript_enabled=config.realtime_transcript_enabled,
+                realtime_transcript_idle_timeout_ms=config.realtime_transcript_idle_timeout_ms,
                 audio_input_device=config.audio_input_device,
                 audio_output_device=config.audio_output_device,
                 asset_dir=config.asset_dir,

src/owner_voice_pet/config.py

@@ -17,6 +17,7 @@ class AppConfig:
     llm_api_style: str = "chat_completions"
     llm_stream: bool = True
     realtime_transcript_enabled: bool = True
+    realtime_transcript_idle_timeout_ms: int = 1500
     audio_input_device: str | None = None
     audio_output_device: str | None = None
     asset_dir: Path = Path("assets/pet")
@@ -71,6 +72,9 @@ class AppConfig:
             llm_stream=(get("LLM_STREAM", "1") or "1").lower() not in {"0", "false", "no"},
             realtime_transcript_enabled=(get("REALTIME_TRANSCRIPT_ENABLED", "1") or "1").lower()
             not in {"0", "false", "no"},
+            realtime_transcript_idle_timeout_ms=int(
+                get("REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS", "1500") or "1500"
+            ),
             audio_input_device=get("AUDIO_INPUT_DEVICE"),
             audio_output_device=get("AUDIO_OUTPUT_DEVICE"),
             asset_dir=Path(get("ASSET_DIR", "assets/pet") or "assets/pet"),
@@ -165,6 +169,16 @@ class AppConfig:
                     "startup",
                 )
             )
+        if self.realtime_transcript_idle_timeout_ms < 0:
+            errors.append(
+                ProviderError(
+                    ErrorCode.CONFIG_MISSING_VALUE,
+                    "OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS must be non-negative",
+                    False,
+                    "config",
+                    "startup",
+                )
+            )
         if self.wake_provider not in {"local_kws"}:
             errors.append(
                 ProviderError(

src/owner_voice_pet/vad.py

@@ -283,6 +283,9 @@ class VadRecorder:
         self.provider.reset()
         return segment
 
+    def finish(self, end_reason: str) -> AudioSegment:
+        return self._build_segment(end_reason)
+
 
 @dataclass(slots=True)
 class PrimarySpeakerVadRecorder(VadRecorder):

tests/test_cli_acceptance.py

@@ -44,6 +44,7 @@ class CliAcceptanceTests(unittest.TestCase):
         self.assertEqual(data["llm_model"], "file-model")
         self.assertEqual(data["pipeline_mode"], "live_turn_based")
         self.assertEqual(data["endpoint_mode"], "primary_speaker")
+        self.assertEqual(data["realtime_transcript_idle_timeout_ms"], 1500)
         self.assertEqual(data["context_mode"], "session_memory")
         self.assertNotIn("secret-value", str(data))
 

tests/test_live_runtime.py

@@ -47,6 +47,28 @@ def segment_frames(start_id: int, start_ms: int, partials: list[str] | None = No
     ]
 
 
+def long_speech_frames_with_stale_partial(start_id: int, start_ms: int, duration_ms: int) -> list[AudioFrame]:
+    frames: list[AudioFrame] = []
+    for index in range(duration_ms // 20):
+        metadata: dict[str, object] = {
+            "duration_ms": 20,
+            "speech": True,
+            "partial_transcript": "你知道",
+            "transcript": "你知道我在说什么吗",
+        }
+        frames.append(
+            AudioFrame(
+                b"\xff\x7f",
+                16000,
+                1,
+                start_ms + index * 20,
+                start_id + index,
+                metadata,
+            )
+        )
+    return frames
+
+
 def wake_frame(frame_id: int, timestamp_ms: int) -> AudioFrame:
     return AudioFrame(
         b"\xff\x7f",
@@ -266,6 +288,47 @@ class LiveRuntimeTests(unittest.TestCase):
         self.assertLess(event_types.index(TRANSCRIPT_PARTIAL), event_types.index(SPEECH_ENDED))
         self.assertLess(event_types.index(TRANSCRIPT_PARTIAL), event_types.index(TRANSCRIPT_FINAL))
 
+    def test_realtime_transcript_idle_ends_current_utterance(self) -> None:
+        frames = [wake_frame(0, 0)]
+        frames.extend(long_speech_frames_with_stale_partial(1, 20, 2200))
+        transport = MemoryAudioTransport(frames, flush_clears_input=False)
+        stt = QueueSttProvider(["你知道我在说什么吗"])
+        llm = MockLlmProvider(["这是答复。"])
+        reporter = RecordingReporter()
+        runtime = VoiceAssistantPipeline(
+            config=AppConfig(
+                llm_api_key="secret",
+                speech_provider="cloud",
+                wake_ack_text="",
+                realtime_transcript_idle_timeout_ms=1500,
+            ),
+            transport=transport,
+            wakeword=KeywordWakeWordProvider(),
+            vad_recorder=VadRecorder(
+                EnergyVadProvider(),
+                min_duration_ms=40,
+                end_silence_ms=5000,
+                max_recording_ms=10000,
+            ),
+            stt=stt,
+            audio_preprocessor=MarkerAudioPreprocessor(partial_text="你知道"),
+            realtime_stt=MetadataSttProvider(),
+            llm=llm,
+            tts=SineTtsProvider(),
+            context=ConversationContext(),
+            reporter=reporter,
+            event_bus=PipelineEventBus(),
+        )
+
+        summary = runtime.run(max_turns=1)
+
+        self.assertEqual(summary.completed_turns, 1)
+        self.assertEqual(reporter.partials, ["你知道"])
+        self.assertEqual(reporter.transcripts, ["你知道我在说什么吗"])
+        self.assertEqual(len(stt.calls), 1)
+        self.assertEqual(stt.calls[0].metadata["end_reason"], "partial_transcript_idle")
+        self.assertLess(stt.calls[0].duration_ms, 1700)
+
     def test_capture_uses_denoised_frames_for_partial_and_final_stt(self) -> None:
         preprocessor = MarkerAudioPreprocessor(partial_text="降噪后问题")
         runtime, stt, _, _, reporter = make_runtime(

tests/test_models_config.py

@@ -78,6 +78,7 @@ class ModelsConfigTests(unittest.TestCase):
             self.assertEqual(config.llm_api_key, "secret-value")
             self.assertEqual(config.llm_model, "test-model")
             self.assertTrue(config.realtime_transcript_enabled)
+            self.assertEqual(config.realtime_transcript_idle_timeout_ms, 1500)
             self.assertEqual(config.wake_provider, "local_kws")
             self.assertEqual(config.wake_kws_threshold, 0.15)
             self.assertEqual(config.wake_kws_score, 1.0)
@@ -113,6 +114,11 @@ class ModelsConfigTests(unittest.TestCase):
         errors = config.validate_basic()
         self.assertTrue(any("OWNER_SPEECH_PROVIDER" in error.message for error in errors))
 
+    def test_realtime_transcript_idle_timeout_must_be_non_negative(self) -> None:
+        config = AppConfig(realtime_transcript_idle_timeout_ms=-1)
+        errors = config.validate_basic()
+        self.assertTrue(any("OWNER_REALTIME_TRANSCRIPT_IDLE_TIMEOUT_MS" in error.message for error in errors))
+
     def test_wake_provider_must_be_local_kws(self) -> None:
         config = AppConfig(wake_provider="cloud_asr")
         errors = config.validate_basic()