执行摘要

• 一句话：合并与整理语音转文本入口点，将代码独立到 speech_to_text 包
• 推荐动作：值得阅读以了解入口点分离的设计模式，特别是 factories.py 的集中注册思路。可以学习如何通过包组织来管理多个端点。

功能与动机

遵循之前 PR #41907 和 #42274 的路线，进一步分离 openai 特定入口点与通用 speech-to-text 入口点，减少耦合，提高可维护性。

实现拆解

1. 新建目录结构：在 vllm/entrypoints/ 下创建 speech_to_text/ 包，包含 base/、transcription/、translation/、realtime/ 子目录，将相关文件从 openai/ 子目录迁移至此。
2. 拆分路由注册：删除 vllm/entrypoints/openai/speech_to_text/api_router.py，将其路由注册功能拆分为 transcription/api_router.py 和 translation/api_router.py，每个模块聚焦于自己的任务。
3. 统一工厂模块：新增 factories.py，封装了 register_speech_to_text_api_routers、add_websocket_metrics_middleware、init_speech_to_text_state 三个函数，用于集中注册路由和初始化 FastAPI state 中的服务对象。
4. 移动并整理协议与业务逻辑：protocol.py 和 serving.py 从 openai/speech_to_text/ 移动到各自子目录，并删除翻译相关的模型定义（如 TranslationRequest、TranslationResponse 等）原先与转录混在一起，现独立到 translation/protocol.py 中。
5. 更新入口调用：修改 vllm/entrypoints/openai/api_server.py，将旧的初始化调用替换为使用 factories 模块的新函数。
6. 测试与 CI 配套：更新测试文件中的导入路径以匹配新位置，确保测试通过。

关键文件：

• vllm/entrypoints/openai/speech_to_text/api_router.py（模块 入口层；类别 source；类型 deletion；符号 transcription, translation, create_transcriptions, create_translations）: 被删除的原路由文件，负责 transcription 和 translation 两个端点的注册，是此次重构的主要删除对象。
• vllm/entrypoints/speech_to_text/translation/serving.py（模块 入口层；类别 source；类型 core-logic；符号 OpenAIServingTranslation, init, create_translation, translation_stream_generator）: 新增的 translation 服务类，包含 create_translation 和 translation_stream_generator，是基于公共基类的典型实现。
• vllm/entrypoints/speech_to_text/factories.py（模块 入口层；类别 source；类型 core-logic；符号 register_speech_to_text_api_routers, add_websocket_metrics_middleware, init_speech_to_text_state）: 新增的核心工厂模块，统一管理 speech-to-text 的路由注册和状态初始化，是重构的关键汇聚点。
• vllm/entrypoints/speech_to_text/transcription/protocol.py（模块 入口层；类别 source；类型 rename-or-move；符号 TranslationResponseStreamChoice, TranslationStreamResponse, TranslationRequest, build_stt_params）: 从原协议文件重命名并剥离翻译相关类，使转录协议独立。
• vllm/entrypoints/speech_to_text/translation/protocol.py（模块 入口层；类别 source；类型 dependency-wiring；符号 TranslationResponseStreamChoice, TranslationStreamResponse, TranslationRequest, build_stt_params）: 新增的翻译协议定义文件，包含 TranslationRequest、TranslationResponse 等模型，以及参数构建方法。
• vllm/entrypoints/openai/api_server.py（模块 入口层；类别 source；类型 entrypoint）: 需要更新为使用新的 factories 模块和服务初始化方式，是集成点。
• vllm/entrypoints/speech_to_text/transcription/serving.py（模块 入口层；类别 source；类型 rename-or-move；符号 OpenAIServingTranscription, init, create_transcription, transcription_stream_generator）: 原 serving.py 去除翻译相关类，只保留转录服务。

关键符号：create_transcriptions, create_translations, register_speech_to_text_api_routers, init_speech_to_text_state, create_translation, translation_stream_generator, create_transcription, transcription_stream_generator

评论区精华

gemini-code-assist[bot] 提出了两点建议：

• 在 factories.py 中使用相对导入以保持包内一致性。

• 在 init_speech_to_text_state 中显式将不支持的 task 对应的 state 属性初始化为 None，防止其他代码访问时引发 AttributeError。
  当前 PR 已合并，部分建议可能已被采纳（如相对导入已使用），但显式初始化 None 的建议未被明确采纳。

• factories.py 中使用相对导入 (style): PR 已被合并，但未明确回复该建议。最终代码中已使用相对导入，说明已被采纳。

• init_speech_to_text_state 中 state 属性显式初始化 None (correctness): 最终代码没有做显式初始化，可能认为风险可接受或已有保护。未在合并前进一步讨论。

风险与影响

• 风险：由于是纯代码重组，未改变核心逻辑，风险较低。主要风险在于其他未入 PR 的代码可能仍引用旧路径，导致编译时导入错误。但通过测试和 CI 可以快速发现。
• 影响：对用户透明，对外部 API 无影响。对团队而言，代码结构更清晰，便于未来扩展新的语音/翻译任务。影响范围仅限于入口层文件，内核保持不变。
• 风险标记：重构范围广, 导入路径依赖

关联脉络

• PR #41907 [Frontend] Speech to text entrypoints refactoring: 本 PR 是 #41907 的后续跟进，进一步合并和分离入口点。
• PR #42274 [CI] Consolidate Speech to Text tests: 将语音转文本测试归并到独立目录，与本 PR 的结构化重构对齐。