dsh-podwave 0.11.27 → 0.11.28
This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
- package/CHANGELOG.md +32 -4
- package/README.md +14 -9
- package/dist/client.js +36 -3
- package/package.json +1 -1
- package/scripts/translate_local.py +59 -32
- package/src/asr-api.js +227 -0
- package/src/config.js +37 -4
- package/src/host.js +52 -8
- package/src/library.js +24 -14
- package/src/segment.js +205 -0
- package/src/setup.js +36 -16
- package/src/transcribe.js +403 -31
- package/src/translate.js +135 -37
package/CHANGELOG.md
CHANGED
|
@@ -1,11 +1,39 @@
|
|
|
1
|
+
## 0.11.28 — 2026-11-16
|
|
2
|
+
|
|
3
|
+
转写开始支持云端 API:装好插件填一个 key 就能用,不用先下载 2.4 GB 模型。本地模型保留,改成按需一键安装。
|
|
4
|
+
|
|
5
|
+
- **转写双通路**:设置页「转写」新增「转写方式」下拉。默认「云端 API」走 DeepSeek 语音识别接口(2026-11-13 开放的 `POST /v1/tools/asr`),按识别时长付费,约 ¥0.4/小时;切到「本地模型」则是原来的 MLX / sherpa-onnx 本地引擎,免费但要下载模型、用本机算力跑。
|
|
6
|
+
- **API key 只填一次**:接口地址、密钥、对话模型收进一份共享配置(`config.api`),转写和翻译都用它,设置页里只剩一张「DeepSeek API(转写与翻译共用)」卡片。老版本把 key 存在翻译那一段里的,第一次读到配置时自动迁移并落盘,用户不用重填。
|
|
7
|
+
- 新增 `src/asr-api.js`:调接口、失败重试(4xx 不重试、429/5xx 指数退避)、把整段识别文本按标点切句(句末标点断句、右引号不甩到下一行、逗号只在句子够长时才断)并按字数比例分配时间。接口单次上限 120 秒且不返回时间戳,所以云端切 **100 秒一块**(`API_CHUNK_SECONDS`,留 20 秒余量),切点还会吸附到静音处(`planCuts`),尽量避免把一句话切成两半;万一还是切开了,合并阶段按时间连续性把两半接回去(`stitchAcrossParts`)。
|
|
8
|
+
- **安装流程分两档**:`plan()` / `install()` 新增 `mode` 参数。`basic`(默认)只装 ffmpeg —— 云端转写只要它;`local` 才装 Python 运行时、llama.cpp 和本地模型。设置页在「本地模型」模式下给一个「一键安装本地模型」按钮。
|
|
9
|
+
- 云端转写和本地引擎共用同一套切块、合并、落盘、续跑、取消逻辑,只有「谁来识别」不同;分块结果仍然落盘,取消或崩溃后能续跑。说话人分离保持不变(需要本地声纹模型,装了才生效,失败不影响转写)。
|
|
10
|
+
- 新增 `test/asr-api.test.mjs`:默认 provider、切片时长、没 key 时报错、key 复用与覆盖、地址规范化、标点切句与时间分配、右引号、短句不切、超长句断开、无标点长串、极短块最小时长、切点吸附静音、跨块接句。
|
|
11
|
+
|
|
12
|
+
另有几处顺手做扎实的地方:
|
|
13
|
+
|
|
14
|
+
- **媒体库能点进子文件夹**:以前选中一个文件夹就把下面所有层级的音频平铺在一起,现在侧边栏点文件夹后只显示**这一层**的内容,子文件夹单独列成一行(带音频数量),点进去再看里面的;顶部有面包屑可以逐层跳回。单集现在会带上 `rel`(相对根文件夹的路径),前端据此建目录树,Windows 的路径分隔符也不用特殊处理。
|
|
15
|
+
- **字幕不会「关掉就没了」**:字幕本来就落在 `<数据目录>/transcripts/<单集 id>.json`(译文也在同一个文件里),这次补上三处让它更耐放:① 单集 id 是文件路径的哈希,文件移动后旧字幕成了孤儿,认领逻辑以前「有多个候选就直接放弃」,现在按「音频路径 > 文件大小 > 行数 > 更新时间」挑最可信的一份,并把原文件挪进 `transcripts/.claimed/` 留档,不再越攒越多;② 启动时把已经被别人认领走的孤儿自动归档;③ 设置页「历史记录」卡片显示字幕目录、占用体积和「打开字幕文件夹」按钮,方便自己备份。
|
|
16
|
+
- **清掉分块缓存垃圾**:转写过程会在 `transcripts/.work/<id>/` 存切好的音频和分块结果,正常结束会删,取消/失败/老版本留下的会一直堆着(本机曾累积到 202 MB)。现在启动时扫一遍:已经有完整字幕的目录直接清,一个结果都没产出的超过一天就清,有结果但超过七天的也清。
|
|
17
|
+
- 新增 `test/client-tree.test.mjs`(5 个用例,目录树纯函数)、`test/library-folders.test.mjs`(1 个用例,`getEpisodes()` 必须给出 `root` / `folder` / `rel`),并把 `test/transcript-claim.test.mjs` 的「多候选就放弃」改成「多候选挑一份并归档原件」。
|
|
18
|
+
|
|
19
|
+
再修三处「日语、韩语等非英语音频」才暴露出来的问题:
|
|
20
|
+
|
|
21
|
+
- **日语/韩语音频不再「不翻译」**:判断「这行要不要翻」以前看 CJK 字符占比,而假名和谚文都被算进 CJK,日语行占比接近 1 就被当成「已经是中文」整段跳过,字幕里一行中文都没有。现在按文字体系判断:只要有平假名/片假名或谚文就一定不是中文,纯汉字才按中文处理;顺带把带音标的拉丁字母(法、德、西、葡…)也算进「要翻」的范围。
|
|
22
|
+
- **译文不再整体错位**:本地小模型遇到很短的句子会把几行并成一行输出,编号却继续往后数,下游按编号取译文就整批后移(实测一条英语字幕的第 1 行拿到的是前 3 行的合并译文)。现在校验「读回来的行数 == 送进去的行数」,对不上就降批重试(对半拆 → 最后一行一行翻),一行对一行;API 和本地两条翻译路径都改了,`scripts/translate_local.py` 同步。
|
|
23
|
+
- **断句更整**:见上面的切块与切句改动;另外块边界遗留的碎片行会被合并掉,不再出现「明日」+「は東京に行く予定がありますので…」这种被劈成两半的字幕。
|
|
24
|
+
|
|
25
|
+
最后补上一道「识别完再整理一遍断句」:
|
|
26
|
+
|
|
27
|
+
- **新增 `src/segment.js`(再断句)**:语音识别的分段是按模型自己的声学块来的,本地引擎经常一行只有两三个词、句尾还没标点(本机一条 741 行的英语字幕里 534 行没有句末标点),翻译按行送模型,碎片行会让小模型自己合并、译文错位,播放器里也没法当字幕读。现在识别完成后统一整理:先把每行按句末标点拆成「句」(英文句号要区分小数点和 `Mr.` 这类缩写,右引号跟本句、连续省略号不拆),再把相邻碎片按「上一句没说完 + 行间几乎没停顿(<0.6 秒)」拼回整句,时间轴按字数比例在原起止时间内重新分摊;整段没有标点时就靠停顿当边界,长到超过 16 秒或 168 字的句子会在内部再切。同一条英语字幕:741 行 → 658 行,没有句末标点的行从 534 降到 102。
|
|
28
|
+
- **对已有字幕也能重排**:字幕面板新增「整理断句」按钮,调 `POST /api/episodes/:id/transcript/resegment`,把当前字幕重新整理一遍。断句一变逐行译文就对不上了,所以旧译文会整份备份到该字幕文件的 `legacyTranslations` 字段里(不直接丢),再提示重新翻译;这一步可撤销。
|
|
29
|
+
- 新增 `test/segment.test.mjs`(11 个用例):碎片拼接、整句不硬接、长停顿当边界、中日文不带空格拼接、一行含两句时按字数分时间、超长无标点流按上限切、不同说话人不合并、缩写与小数不误切、右引号归属、空行丢弃与重新编号。测试全量 159 个,156 通过、3 跳过。
|
|
30
|
+
|
|
1
31
|
## 0.11.27 — 2026-11-16
|
|
2
32
|
|
|
3
|
-
重新发布一版,让 `latest`
|
|
33
|
+
重新发布一版,让 `latest` 指向一个未标记弃用的版本;同时给 npm 包页面补上 Issues 入口。
|
|
4
34
|
|
|
5
|
-
- **为什么要发这一版**:0.11.26 在 npm 上被误标成弃用 —— 本意是只弃用带个人信息的旧版本,结果网页上的「Deprecate package」把全部 32 个版本一并打上 `Package no longer supported.`,连 `latest` 也在内,包页因此挂着一条红色横幅。
|
|
6
|
-
- **旧版本为什么删不掉**:`npm unpublish` 在两条政策之间被堵死 —— bypass-2FA 的 granular token 执行该操作会报 `Granular access tokens that bypass two-factor authentication may not perform this action`,而普通 web token 又要求 6 位 OTP,账号当前只注册了安全密钥、产生不了 OTP。已在 https://www.npmjs.com/support 提交工单,请求官方删除 30 个含个人信息的版本并清掉 0.11.26 的弃用标记。
|
|
7
|
-
- 这一版**没有功能改动**,代码与 0.11.26 一致,只有版本号变化和下面这一条字段补充。
|
|
8
35
|
- `package.json` 补 `bugs` 字段,npm 包页侧栏会显示 Issues 链接,指向本仓库的 issue 列表。
|
|
36
|
+
- 这一版没有功能改动,代码与 0.11.26 一致,只有版本号变化和上面这一条字段补充。
|
|
9
37
|
|
|
10
38
|
## 0.11.26 — 2026-11-16
|
|
11
39
|
|
package/README.md
CHANGED
|
@@ -2,21 +2,22 @@
|
|
|
2
2
|
|
|
3
3
|
DeepSeek Harness 的本地播客播放器插件:在 DSH 侧栏里播放硬盘上的播客,自动记住进度,并且能转写、显示双语字幕、导出 SRT / Markdown。
|
|
4
4
|
|
|
5
|
-
|
|
5
|
+
音频只从本地磁盘读取,不上传、不依赖订阅源。转写和翻译默认走 DeepSeek API——装好插件填一个 key 就能用,不用先下载模型;想省钱的可以在设置里切到本地模型(MLX / sherpa-onnx),模型一键安装、离线运行。
|
|
6
6
|
|
|
7
7
|

|
|
8
8
|
|
|
9
9
|
## 功能
|
|
10
10
|
|
|
11
11
|
- **单集详情**:点任意一集进入详情页——左侧封面与信息,右侧直接显示字幕,转写后可切中英对照。
|
|
12
|
-
- **本地播放**:扫描文件夹(递归 6 层,支持 `mp3 / m4a / m4b / aac / wav / flac / ogg / opus / weba / webm / wma
|
|
12
|
+
- **本地播放**:扫描文件夹(递归 6 层,支持 `mp3 / m4a / m4b / aac / wav / flac / ogg / opus / weba / webm / wma`),自动读标题、艺术家、封面。选中一个文件夹后只显示这一层的音频,子文件夹单独列出、点进去再看,顶部面包屑可以逐层跳回。
|
|
13
13
|
- **续播**:进度每 4 秒保存,切集 / 暂停 / 关闭时立即保存;重开从上次位置继续。
|
|
14
|
-
-
|
|
14
|
+
- **转写**:默认走 DeepSeek 语音识别 API,按识别时长付费(约 ¥0.4/小时),装好填个 key 就能用;也可以一键装本地 Qwen3-ASR-1.7B 模型离线转写,免费但吃本机算力。
|
|
15
15
|
- **任务面板与批量**:顶部「任务」查看队列、进度,可取消 / 重试;「选择」多选批量转写。
|
|
16
|
-
-
|
|
16
|
+
- **长播客分块**:云端固定 30 秒一块(接口单次上限 120 秒),本地按设置里的分钟数切块;取消或失败后从已完成块续跑,热词可在设置里维护。
|
|
17
17
|
- **说话人分离**:转写后自动分辨说话人(本地声纹,离线),字幕行带彩色「说话人 N」标签;字幕头部显示人数。
|
|
18
18
|
- **收藏与筛选**:每行 ★ 收藏;筛选条可按 未听 / 有字幕 / 收藏 过滤,和左侧分类叠加。
|
|
19
19
|
- **双语字幕**:点「字幕」打开面板,选「中文对照 / English」,只翻译另一种语言的行;点字幕行可以跳到对应时间。
|
|
20
|
+
- **字幕存在本地**:转写与译文都写在 `<数据目录>/transcripts/<单集 id>.json`(默认 `~/.podwave/transcripts/`),关掉插件、升级插件都还在;文件改名或移动后,插件会按标题和时长把旧字幕认领回来,原文件归档到同目录的 `.claimed/`。
|
|
20
21
|
- **字幕编辑**:行悬停出现 ✎,就地改文本;按光标「拆分」、行尾 ⇣ 合并;右上「撤销」最多回退 20 步;「校验」在导出前检查空行、无效时间戳与时间重叠。
|
|
21
22
|
- **移除索引**:详情页「从播放器移除」或批量「移除选中」只隐藏该集,不动源文件。
|
|
22
23
|
- **导入策略**:设置里可选拖拽/路径导入是复制到 `~/.podwave/imports/`(默认)还是原地引用;重复文件按路径与「文件名 + 大小」跳过。
|
|
@@ -33,7 +34,7 @@ DeepSeek Harness 的本地播客播放器插件:在 DSH 侧栏里播放硬盘
|
|
|
33
34
|
- 转写中就能在详情页滚动、点行跳转、导出当前已出的 SRT/Markdown;
|
|
34
35
|
- 重转时旧字幕会备份,取消或失败自动还原。
|
|
35
36
|
|
|
36
|
-
|
|
37
|
+
本地模型的块大小可在设置 → 播客 → 转写里调整;块越小出字越快,块越大上下文越完整。云端转写固定 30 秒一块。
|
|
37
38
|
|
|
38
39
|
## 安装
|
|
39
40
|
|
|
@@ -57,7 +58,11 @@ dsh plugin --profile desktop add file:/path/to/dsh-podwave
|
|
|
57
58
|
|
|
58
59
|
## 转写与翻译(可选)
|
|
59
60
|
|
|
60
|
-
|
|
61
|
+
播放器本身不需要额外依赖。
|
|
62
|
+
|
|
63
|
+
**走云端 API(默认)**:只要 ffmpeg + 一把 DeepSeek key。装好后在 DSH 设置 →「播客」→「一键安装」装上 ffmpeg,再去「DeepSeek API(转写与翻译共用)」填一次 key 即可——转写和翻译用的是同一份配置,不用填两遍。按识别时长计费,1 小时播客几毛钱。
|
|
64
|
+
|
|
65
|
+
**走本地模型(免费、离线、吃算力)**:在设置 →「播客」→「转写」里把「转写方式」切到「本地模型」,点「一键安装本地模型」,会按平台自动选模型(Apple Silicon 用 MLX,Windows / Linux / Intel Mac 用 ONNX + llama.cpp)。下面的手动步骤只在自动安装失败时才需要。
|
|
61
66
|
|
|
62
67
|
下面是手动安装(以 Apple Silicon 为例):
|
|
63
68
|
|
|
@@ -76,7 +81,7 @@ tar xjf sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
|
|
|
76
81
|
curl -LO https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/3dspeaker_speech_campplus_sv_zh_en_16k-common_advanced.onnx
|
|
77
82
|
```
|
|
78
83
|
|
|
79
|
-
- 转写模型约 2.3 GB,翻译模型约 1 GB(Hy-MT2-1.8B,974 MB),说话人模型约 34 MB
|
|
84
|
+
- 转写模型约 2.3 GB,翻译模型约 1 GB(Hy-MT2-1.8B,974 MB),说话人模型约 34 MB;只做播放、或者只用云端 API,都可以都不装。
|
|
80
85
|
- **平台差异**:Apple Silicon 用 MLX(上面的命令);Windows / Linux / Intel Mac 用 SenseVoice Small(约 240 MB)+ Hy-MT2 GGUF,虚拟环境是 `.venv\Scripts\` 而不是 `bin/`,建议直接用「一键安装」。
|
|
81
86
|
- 翻译可以不用本地模型:字幕面板 →「设置」→ 选 DeepSeek API,填 API key(默认 `api.deepseek.com` / `deepseek-chat`)。
|
|
82
87
|
- 字幕面板 →「设置」里切换引擎;目标语言在字幕面板的「对照」下拉里选。
|
|
@@ -86,8 +91,8 @@ curl -LO https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongi
|
|
|
86
91
|
DSH 设置 →「播客」:
|
|
87
92
|
|
|
88
93
|
- **历史记录**:所有已完成转写的单集(时长、语言、行数、位说话人、已翻语言、完成时间)。
|
|
89
|
-
-
|
|
90
|
-
- **
|
|
94
|
+
- **转写**:转写方式(云端 API / 本地模型)、热词、分块时长(1–60 分钟,只对本地生效)、是否自动识别说话人,「一键安装本地模型」。
|
|
95
|
+
- **DeepSeek API(转写与翻译共用)**:API 地址 / 模型 / API Key,填一次转写和翻译都能用;翻译也可以切到本地模型。
|
|
91
96
|
- **模型**:在模型目录(默认是项目里的 `models/`)下已就绪的模型里选转写模型(ASR)与翻译模型。
|
|
92
97
|
- **界面**:开关「在主界面侧边栏显示播客入口」,保存后立即生效(不需要刷新)。
|
|
93
98
|
- **导入与清理**:选择复制/原地引用;清理没有被文件夹引用的 `imports/` 批次。
|