dsh-podwave 0.11.28 → 0.11.29

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 CHANGED
@@ -1,3 +1,16 @@
1
+ ## 0.11.29 — 2026-11-16
2
+
3
+ 听音频时边播边出字幕:播放某集就开始按 12 秒小块滚动识别,字幕、译文、说话人跟着播放进度出现,不用等整集跑完。
4
+
5
+ - **实时跟播**:播放单集时自动起一个实时转写任务(设置页「转写」里的「边播边出字幕」开关,默认开)。取块不再按顺序,而是优先取离当前播放位置最近的那一块,所以拖进度条也能跟上。
6
+ - **每块立刻出字幕**:以前是每完成 1/5 的块才写一次预览,现在实时模式下每结束一块就落盘一次,译文(走同一把 DeepSeek key)和说话人标签也跟着写进去。实测 70 秒日语素材:**3.5 秒出第一屏字幕、译文、说话人,9.6 秒整集完成**。
7
+ - **说话人边播边猜、播完校正**:新增常驻声纹服务 `scripts/speaker_server.py`,用已经装好的 3D-Speaker 声纹模型对每一句抽 192 维向量,`src/live-speaker.js` 在线做余弦聚类(阈值 0.72,最多 12 人),所以说话人标签是逐块长出来的;整集跑完后如果本地说话人分离可用,会用整段结果覆盖一遍,修正边界处的误判。没装本地模型时自动退化成「只做转写和翻译」,不影响使用。
8
+ - 实时任务用独立的 `transcripts/.work/<id>-rt/` 缓存目录(块号与整段转写不能混用),中断后再次播放会接着补,已经出来的部分字幕不会被清掉。
9
+ - 新增 `REALTIME_CHUNK_SECONDS = 12`(整段转写仍是 100 秒一块)。块越小越跟手,代价是块边界的重复计算,识别成本约上浮 15%~30%。
10
+ - **字幕字号可拖**:字幕面板工具栏加了「字号」拖动条(12–42px),字幕正文、译文行按比例一起缩放;字号和悬浮字幕共用同一个设置,改一次两处都生效,记在 `ui.subtitleSize` 里,下次打开还是这个大小。
11
+ - **悬浮字幕窗**:播放器右侧新增「悬浮字幕」按钮,打开后屏幕上浮着一个小窗,播到哪就显示当前这一句(带说话人标签和译文)。窗口可以按住标题栏拖到任意位置,位置记在 `ui.captionX/captionY`,下次打开还在原处;`Esc` 或点 × 关闭;点正文直接跳到这句;窗口里也有字号拖动条。没有字幕时会显示「正在识别…」的提示。
12
+ - 新增 `test/live-speaker.test.mjs`(8 个用例:同声音合并、不同声音分开、零向量不崩、人数上限、`labelLines` 打标且不覆盖已有、embed 失败不抛错、`partForTime` 边界、没装运行时返回 null),`test/asr-api.test.mjs` 增加实时块长的用例,`test/host-ui-settings.test.mjs` 覆盖字号夹取(12–42、四舍五入)、悬浮字幕开关与位置存取、传 null 回默认位置、以及改侧栏不影响字号。
13
+
1
14
  ## 0.11.28 — 2026-11-16
2
15
 
3
16
  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。
package/README.md CHANGED
@@ -13,12 +13,13 @@ DeepSeek Harness 的本地播客播放器插件:在 DSH 侧栏里播放硬盘
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
- - **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
- - **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。
16
+ - **长播客分块**:云端整段转写 100 秒一块(接口单次上限 120 秒),实时跟播 12 秒一块,本地按设置里的分钟数切块;切点会吸附到静音处,取消或失败后从已完成块续跑,热词可在设置里维护。
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。实时跟播时说话人是边播边猜的,整集跑完再用整段结果校正一遍。
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
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/`。
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
+ - **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。工具栏的「字号」拖动条(12–42px)随时改字幕大小。
22
+ - **悬浮字幕**:播放器右侧「悬浮字幕」按钮浮出一个小窗,播到哪显示哪一句(带说话人和译文),可以拖到任意位置、按 Esc 关掉;位置和字号都会记住。
22
23
  - **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。
23
24
  - **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。
24
25
  - **导出**:SRT 或 Markdown。
@@ -28,13 +29,19 @@ DeepSeek Harness 的本地播客播放器插件:在 DSH 侧栏里播放硬盘
28
29
 
29
30
  ## 实时字幕
30
31
 
31
- 转写不用等整集结束。音频按块处理(默认 1 分钟一块),每完成一块就把新字幕推进面板:
32
+ 有两种「边跑边看」的用法。
33
+
34
+ **边播边出字幕(云端 API)**:这是默认行为,设置 → 播客 → 转写里的「边播边出字幕」开关控制。点播放时自动开始,按 12 秒一块滚动识别,并且优先取离当前播放位置最近的那一块——拖进度条也能跟上。每识别完一块就落盘一次,字幕、译文、说话人标签一起长出来;实测 70 秒素材 3.5 秒出第一屏,整集十秒左右完成。说话人是边播边猜的(在线声纹聚类),整集跑完后会用本地整段结果校正一遍。没装本地声纹模型时自动退化成「只出字幕和译文」。
35
+
36
+ **手动转写时的进度**:音频按块处理,每完成一块(或每 1/5)就把新字幕推进面板:
32
37
 
33
38
  - 字幕面板顶部显示进度:百分比、第几块、已出多少行,可随时取消;
34
39
  - 转写中就能在详情页滚动、点行跳转、导出当前已出的 SRT/Markdown;
35
40
  - 重转时旧字幕会备份,取消或失败自动还原。
36
41
 
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。
42
+ 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。云端整段转写 100 秒一块,实时跟播 12 秒一块(同一接口单次上限 120 秒)。
43
+
44
+ **悬浮字幕窗**:不想开着整个字幕面板的话,点播放器右侧的「悬浮字幕」,屏幕上浮一个小窗跟着播放显示当前这句。可以拖动位置、用窗里或字幕面板里的「字号」条改大小,两处字号是同一个设置;`Esc` 或 × 关掉,下次打开位置和字号都还在。
38
45
 
39
46
  ## 安装
40
47
 
@@ -91,7 +98,7 @@ curl -LO https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongi
91
98
  DSH 设置 →「播客」:
92
99
 
93
100
  - **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)。
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」。
101
+ - **转写**:转写方式(云端 API / 本地模型)、边播边出字幕开关、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
102
  - **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。
96
103
  - **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。
97
104
  - **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)。
@@ -144,8 +151,8 @@ dsh plugin --profile podwave-test add file:$PWD
144
151
  ## 限制
145
152
 
146
153
  - 还没有 RSS / 在线流订阅,只播放本地文件。
147
- - 说话人分离是转写后整段批处理,不是实时;暂不支持手动改名或合并说话人。
148
- - 转写是「事后整段」模式,不是真流式;播放中可以先听,转写完成后字幕会出现在面板里。
154
+ - 实时的说话人标签是在线聚类猜出来的,边界处可能串;播完会用整段结果校正。暂不支持手动改名或合并说话人。
155
+ - 实时跟播是「12 秒一小块滚动识别」,不是真流式(接口不支持流式),所以字幕会比声音慢几秒;长停顿、音乐段落的切点偶尔仍会切在句中。
149
156
  - 本地翻译是 Hy-MT2-1.8B 4bit(约 1 GB),轻量、快;长句质量仍不如 API,重要内容建议用 DeepSeek API 翻。
150
157
 
151
158
  ## 路线图
@@ -154,8 +161,8 @@ dsh plugin --profile podwave-test add file:$PWD
154
161
  - [x] 双语字幕:本地 Hy-MT2-1.8B / DeepSeek API
155
162
  - [x] 导出 SRT / Markdown
156
163
  - [x] 系统文件夹选择器与音频拖拽导入
157
- - [ ] 说话人分离与说话人标签
158
- - [ ] 跟播预转写(边播边出字幕)
164
+ - [x] 说话人分离与说话人标签
165
+ - [x] 跟播预转写(边播边出字幕)
159
166
  - [ ] RSS / 在线播客订阅
160
167
 
161
168
  ## License