feat: ASS字幕移到顶部安全区并加透明度(零视差不变)

- srt-to-dual-eye-ass: an2底部→an8顶部对齐,MarginV改为可配margin_top(默认120),
  字幕避开画面中央人脸高发区(B-1顶部安全区)
- 文字填充&H80FFFFFF→&HB3FFFFFF(约70%透明),描边纯黑→&H80000000半透明黑
- A-1零视差保持不变:左右眼水平相对位置一致,字幕固定屏幕平面
- 新增3条测试(顶部对齐/自定义margin_top/invoke读参数),ass节点覆盖率100%
- 新增docs/调查报告:双目视觉景深原理、字幕深度配置公式与遮挡解决方案

AGENTS.md

@@ -61,7 +61,7 @@ vrsub/
 | `frame-extract` | `video_uri` | `frames_manifest`、`frame_count` | 按**帧间隔**抽帧（解析 fps → step=round(间隔秒×fps)，ffmpeg select 按帧号精确取帧，帧时间=帧号/fps 无累计偏差）并 crop 裁切字幕区域，参数：`interval_seconds`（默认 0.5）、`crop`（[x,y,w,h] 0~1，**默认画面底部 1/4** `[0,0.75,1,0.25]`——字幕很少出现在画面上半部分，2026-08 调整）。**帧文件必须按帧号数值排序读取**（`_sorted_frame_files`）：ffmpeg `%04d` 编号超过 9999 帧后扩为 5 位，字典序 `sorted()` 会把 5 位编号排在 4 位之前导致时间与图像错位（真实发生于 run_339ec7ee437f 的 14236 帧任务，回归测试见 `test_frame_files_read_order_matches_frame_number`） |
 | `subtitle-ocr` | `frames_manifest` | `srt_uri`、`count` | 自适应线程池并发逐帧调 vlm-ocr → 垃圾过滤（无文字帧）→ 相同字幕合并（记录最后可见帧）→ 组装 SRT，消失时间=最后可见帧+采样间隔（间隔从帧清单推导），参数：`min_chars`、`min_alnum_ratio`、`garbage_tokens`、`pool_min_workers`/`pool_max_workers`/`pool_window_seconds`/`pool_fast_threshold`/`pool_slow_threshold` |
 | `llm-filter` | `srt_uri` | `srt_uri`、`kept`、`removed` | 两级过滤：①**规则层**（不调 LLM）正则确定性删除——横线装饰、URL/邮箱/**裸网址域名**（含中文夹杂的注册地址）、**HTML/水印模式**（html code/标签/javascript 等）、overlay token（html/marketing 等）、单双 ASCII 字符；②**LLM 五类分类**（garbage/overlay/noise 删，repeat/dialogue 留，未识别回退保留）每条连同前后各 `context_size`（默认 10）条纯文本分批判断——**上下文净化**：喂给 LLM 的是**过滤后的字幕**，规则层确定性垃圾从上下文中剔除（原文不进 LLM），避免覆盖层垃圾污染场景判断误删真实对话（回归：run_011d01f19999 曾 190 条含 ≥4 汉字对话被误删）；**长文本保护**：≥`min_keep_len`（默认 12）时 noise 不构成删除依据——LLM 判定不稳定，长度是必要兜底（实测移除保护后新增误删 124 条真实长对话）。**限流自适应**：LLM 调用 429/5xx 指数退避重试（最多 3 次，1s/2s/4s），worker 捕获限流错误时调用线程池 `report_failure()` **内存中临时降低最大线程数并缩容**（连续无错误窗口后逐步回升），失败条目在收紧后的并发下**重试一轮**，二次仍失败才整体失败——20 并发一拥而上触发 429 时自动收敛到配额内而不打挂任务。**节点级断点存档**（2026-08）：每条判定成功立即追加 `filter_partial.jsonl`（`{"index","category"}`，多线程加锁串行化），失败/中断后重跑只重判未判定条目，已判定结果复用（与 OCR 存档同机制）。**按文本去重**（忽略空白/大小写，相同文本只调一次 LLM，上下文取首次出现）保证判定一致并省调用。参数：`context_size`、`min_keep_len`、`overlay_tokens`（JSON 数组）、`dedupe`（默认开）、`model`、`pool_min_workers`/`pool_max_workers`/`pool_window_seconds`/`pool_fast_threshold`/`pool_slow_threshold`。回归数据：testdata/ocr_srt_run_ac7f480a3ccb.srt（真实任务 1666 条 OCR 输出） |
-| `srt-to-dual-eye-ass` | `cn_srt_uri` | `ass_uri` | 参数：`resolution`，如 `3840x1920` |
+| `srt-to-dual-eye-ass` | `cn_srt_uri` | `ass_uri` | 参数：`resolution`（如 `3840x1920`）、`margin_top`（顶部安全边距，默认 120）。左右眼各占左右半幅且水平相对位置一致（**A-1 零视差**：字幕固定在屏幕平面，不做景深偏移）；对齐 `an8` 顶部居中 + `MarginV=margin_top`（**B-1 顶部安全区**，避开画面中央人脸区，2026-09）；文字填充 `&HB3FFFFFF`（约 70% 透明）描边 `&H80000000`（半透明黑），降低遮挡感 |
 
 ### 模型权重解析（本地优先）
 

docs/VR双目字幕景深与遮挡调查报告.md

@@ -0,0 +1,401 @@
+# VR 双目字幕景深与遮挡问题调查报告
+
+> 调查日期：2026-09
+> 范围：`vrsub` 单体版 `srt-to-dual-eye-ass` 节点（`nodes/ass.py`）生成的 VR 双眼
+> 字幕在头显中"景深/位置漂移、挡住人脸"问题的原理与配置/解决方案。
+> 文档性质：原理调查报告 + 可选配置方案；**不含代码改动**（改动需另行评审）。
+
+---
+
+## 1. 问题现象与现状定位
+
+### 1.1 用户观察到的现象
+
+用 VR 头显观看 SBS（左右眼各半幅并排）双目视频时：
+
+1. 字幕在虚拟环境中"自带"一个深度位置，时常与视频主体（人脸/近景物体）**不在同一景深**，
+   眼睛在字幕与画面主体之间来回对焦、会聚，有"飘浮感"或疲劳感；
+2. 字幕有时**正好压在人物面部**上，遮挡人脸，影响观看。
+
+### 1.2 当前生成逻辑（代码事实）
+
+`nodes/ass.py` 的做法是：
+
+- 输出一个 `PlayResX×PlayResY`（默认 `3840x1920`）的 ASS 画布；
+- 为**同一句字幕文案**生成两条 Dialogue，分别套用 `LeftEye` / `RightEye` 两个样式；
+- `LeftEye` 样式的文本区域落在**左半幅**（`MarginL=50, MarginR=1920`），
+  `RightEye` 落在**右半幅**（`MarginL=1920, MarginR=50`）；
+- 两眼的垂直位置完全一致（`MarginV = height/2 + 60`，`{\an2}` 底部中央对齐）；
+- 左右两半幅中的字幕**横向相对位置也完全一致**。
+
+播放器把 SBS 帧的左半幅给左眼、右半幅给右眼后，左右眼画面中字幕落在各自视野的
+**同一方向角**上——这正是"零视差 / 屏幕平面"的定义（详见 §2）。
+
+结论：**当前实现把字幕固定渲染在"屏幕平面"上**（即双眼融合位置 = 头显虚拟屏幕所在
+深度，通常约 1.3~2 m 光学距离）。而 VR 视频内容本身带有左右视差：人脸、近景道具等
+可能凸出屏幕（负视差/交叉视差，视觉上更近）或陷入屏幕后（正视差，更远）。于是：
+
+- 当画面主体在屏幕前或屏幕后较远时，主体与字幕不在同一深度 —— 这就是"景深不匹配"；
+- 当画面主体（人脸）位于屏幕中央附近、字幕恰好也画在中央（当前 `MarginV` 使字幕位于
+  画面中部偏下）时，二者在屏幕坐标上重叠 —— 这就是"挡脸"。
+
+> 也就是说：**"景深不匹配"与"挡脸"是两个不同层面的问题**。
+> 前者由"字幕双眼视差 ≠ 画面主体双眼视差"引起（深度维度）；
+> 后者由"字幕与主体占用同一块屏幕二维坐标"引起（平面维度）。
+> 解决方案必须分别处理，不能混为一谈（见 §4、§5）。
+
+---
+
+## 2. 双目视觉与立体显示的基本原理
+
+### 2.1 人眼如何感知深度
+
+人眼判断深度依赖多类线索，立体显示主要利用的是**双眼线索**：
+
+- **双眼视差（binocular disparity）**：左右眼从不同位置观察同一物体，成像在视网膜上
+  存在水平位置差。大脑通过视差量级与符号判断物体的相对距离。
+- **会聚（vergence）**：双眼注视近处物体时眼球向内转（会聚），看远处时近乎平行。
+  会聚角直接由注视距离决定，是一个**肌肉本体感受**线索。
+- **调节（accommodation）**：晶状体通过改变曲率把注视点清晰成像在视网膜，调节量对应
+  注视距离，也是一个**肌肉线索**。
+- 视差又分两类：
+  - **交叉视差（负视差 / crossed / 出屏）**：物体在屏幕前方，左右眼看到的像互相"交叉"，
+    双眼会聚于屏幕**前**；
+  - **非交叉视差（正视差 / uncrossed / 入屏）**：物体在屏幕后方，双眼会聚于屏幕**后**。
+  - 物体恰好在屏幕平面时视差为零，双眼会聚点正好落在屏幕上。
+
+在自然世界中，**调节与会聚指向同一距离**：看多近就聚焦多远、双眼就转多近。二者联动
+且有同一套肌肉反馈。立体显示器（含 VR 头显）打破了这个联动，见 §2.2。
+
+### 2.2 会聚-调节冲突（VAC）是立体观看疲劳的根源
+
+Hoffman 等人（2008，J Vis 8(3):33，PMID 18484839）在"会聚-调节冲突损害视觉表现并
+造成视觉疲劳"一文中指出：
+
+> 立体显示器把所有图像呈现在**同一个物理表面**上，因此**调节与模糊线索始终指向屏幕
+> （或头显透镜的固定光学距离）**，而会聚却被双眼视差拉向画面内容所在的深度。两者被
+> 强制解耦，导致：(a) 需要更长的时间才能识别立体刺激；(b) 限时任务的立体敏锐度下降；
+> (c) 感知深度失真；(d) 疲劳与不适增加。
+
+**VR 头显的特殊性**：HMD 的每只眼睛通过透镜观看一块近屏，光学上等效于把屏幕放在一个
+**固定距离**（多数消费级头显约 1.3~2 m，部分早期设备更近），并且**没有真实环境参照**，
+眼睛无法通过"看屏幕以外的东西"来放松调节。因此 HMD 中 VAC 是持续存在的（Kramida,
+IEEE TVCG 2016 对此有综述）。画面中任何"深度偏离屏幕平面较远"的内容，都会让使用者
+承受相应大小的调节-会聚冲突。
+
+Shibata、Kim、Hoffman、Banks（2011，J Vis 11(8):11，PMID 21778252）进一步量化了
+"舒适区（zone of comfort）"：
+
+> 对**给定观看距离**，存在一个能让绝大多数人不感到不适的**有限深度范围**；冲突的屈光度
+> 越大越不适，且"内容在屏幕前"与"内容在屏幕后"在不同观看距离下不适程度不对称。
+> 临床上的融合/调节测量（隐斜、单眼清晰融像范围）可以预测个体的易感性。
+
+工程上常引用的经验结论是：在立体显示器上把内容深度限制在屏幕前后约 **±0.3~0.5 屈光度
+（D）**（约屏幕前后 0.2~0.6 m，取决于观看距离）以内，绝大多数观众可舒适观看；超出此
+范围疲劳与融像失败显著上升。注意**这是对常规直视型显示器**的结论，对 HMD 同样适用、
+甚至更严格（因为 HMD 完全没有真实环境放松调节的途径）。
+
+### 2.3 视觉疲劳研究的其他关键结论
+
+- **Yano 等（Displays 2004）**："立体 HDTV 图像视觉疲劳的两个因素"——疲劳与
+  ① 会聚-调节冲突的累积、② 画面内大视差/快速视差变化都有关系；视差越大、变化越快越疲劳。
+- **Speranza 等（Proc. SPIE 6055, 2006）**：立体图像中**大视差与画面运动叠加**会显著
+  降低舒适度——即使单帧视差不大，运动中反复跨越会聚点也使人疲劳。
+- **Lambooij 等（J. Imaging Sci. Technol. 2009，综述）**：系统地总结了立体显示
+  不适/疲劳的诱因：过大的视差、过快的视差变化、会聚-调节冲突、观看时间、个体差异等。
+
+对**字幕**的启示（结合上述原理与行业实践，如 SMPTE ST 428-10/429-12 的数字影院
+字幕惯例、各 3D 电影制作规范）：
+
+1. **文本是"强调节刺激"**：阅读要求眼睛持续、精确地聚焦在字符上。把字幕放在零视差
+   （屏幕平面）时，调节与会聚指向同一处，阅读负担最低、字符最清晰；
+2. **字幕若带视差**（放在场景深度），会让观众在"读字"与"看场景"之间来回切换会聚点，
+   且字幕常常持续整句数秒——属于"长时间、恒定的大视差"，正踩中疲劳研究的雷区；
+3. 因此，3D 电影/电视的字幕在**绝大多数情况下被放在零视差平面**，只有少数"叙事性
+   字幕/内嵌文字"会随物体入画。
+
+> **核心结论 A（对应"景深不匹配"）**：字幕在虚拟空间中的"位置/景深"完全由**左右眼
+> 字幕渲染的水平错位（视差）**决定，与字幕在屏幕上画在哪里（上下左右）是**两回事**。
+> 想要"把字幕放到某个深度"，唯一要改的就是**左右眼各自字幕的水平位置差**。
+
+---
+
+## 3. 把"深度配置"落到 ASS 几何上
+
+### 3.1 SBS 视频的字幕如何变成"双眼视差"
+
+设 SBS 帧总宽为 `W`，左半幅给左眼、右半幅给右眼；`w = W/2` 为每眼半幅宽。
+当前 ASS 以 `PlayRes = 3840x1920`（等于两条 1920 宽的半幅）建模：
+
+- 字幕在左半幅中的水平位置记为 `xL`（0..w），右半幅中记为 `xR`（0..w）；
+- 当前代码：`xL == xR`（两半幅内相对位置相同）⇒ 两眼中字幕位于**同一方向角** ⇒
+  **零视差，字幕在屏幕平面**；
+- 若想让字幕**比屏幕更近（出屏）**：左眼图像中的字幕应**向右**移，右眼图像中的字幕应
+  **向左**移，即 `xL > xR`（交叉视差，双眼会聚点移到屏幕前）；
+- 若想让字幕**比屏幕更远（入屏）**：反过来 `xL < xR`（非交叉视差，会聚点移到屏幕后）。
+
+> 方向上的一句话记忆：**"左眼看得偏左、右眼看得偏右" ⇒ 物体比屏幕近**；
+> **"左眼看得偏右、右眼看得偏左" ⇒ 物体比屏幕远**。
+> 与真实世界一致：近物在左右眼视网膜上位置相反（交叉），远物相同方向。
+
+### 3.2 从"目标深度"反推每眼要偏移多少像素
+
+设：
+
+- `S` = 虚拟屏幕距离（≈ 头显光学焦距对应的观看距离，通常 1.3~2 m，可查头显规格）；
+- `C` = 想让字幕出现的深度距离（`C < S` 出屏更近，`C > S` 入屏更远）；
+- `IPD` = 瞳距，成人均值约 0.063~0.065 m；
+- `p` = **单眼像素的角宽度**（度/像素）= 单眼水平视场角 ÷ 每眼水平分辨率。
+  例如某头显单眼水平 FOV ≈ 100°、每眼 2048 px ⇒ `p ≈ 0.049 °/px`（等距柱状画面中央
+  区域近似；边缘因投影会拉伸，但字幕通常位于画面中央，近似够用）。
+
+两步换算：
+
+1. **需要的双眼视差角**（小角度近似）：
+
+   `η (rad) ≈ IPD × (1/C − 1/S)`，转为度数 `× 180/π`。
+   例：`IPD=0.065 m, S=1.6 m, C=1.1 m`（比屏幕近 0.5 m）⇒
+   `η ≈ 0.065 × (0.909 − 0.625) = 0.0185 rad ≈ 1.06°`。
+   又例：`C=2.2 m`（比屏幕远 0.6 m）⇒ `η ≈ 0.065 × (0.455 − 0.625) = −0.0111 rad ≈ −0.63°`。
+
+2. **每眼水平平移量**：让左眼画面右移 `δ` 像素、右眼画面左移 `δ` 像素，会产生约
+   `2δ·p` 的双眼视差角，所以：
+
+   `δ (px) ≈ η(度) / (2p)`。
+
+   接上例（`p=0.049°/px`）：`η=1.06° ⇒ δ ≈ 10.8 px`；`η=−0.63° ⇒ δ ≈ −6.4 px`。
+
+> 必须提醒：**`p` 因头显与播放器而异**（不同 FOV、是否等距柱状重投影、画面是否被
+> "拉近"播放）。因此最稳妥的工程做法是**把"深度"暴露成可调参数而不是写死像素值**，
+> 让用户在自己设备上微调一次即可（见 §4.2）。本节公式只用于给出合理初值。
+
+### 3.3 舒适区边界对应的像素量级（实用参考）
+
+把 `|Δ = 1/S − 1/C|`（屈光度差）限制在约 0.3 D 内作为**舒适初值**，以
+`IPD=0.065 m, S=1.6 m, p=0.049°/px` 测算：
+
+| 字幕目标深度 C | 相对屏幕 | 视差方向 | 双眼视差角 | 每眼偏移 δ |
+| --- | --- | --- | --- | --- |
+| 1.6 m | 屏幕平面（0） | 零视差 | 0° | 0 px |
+| ≈1.22 m | 出屏约 0.38 m（+0.19 D） | 交叉（近） | ≈ +0.73° | ≈ +7 px |
+| ≈1.08 m | 出屏约 0.52 m（+0.30 D，舒适初值上限） | 交叉（近） | ≈ +1.12° | ≈ +11 px |
+| ≈2.3 m | 入屏约 0.7 m（−0.19 D） | 非交叉（远） | ≈ −0.71° | ≈ −7 px |
+| ≈3.05 m | 入屏约 1.45 m（−0.30 D，舒适初值上限） | 非交叉（远） | ≈ −1.11° | ≈ −11 px |
+
+**量级结论**：让字幕"明显换一个深度"，通常只需**每眼 5~15 个像素的水平错位**；
+±1° 双眼视差（每眼约 ±10 px @2048 半幅）就已是"明显出屏/入屏"的观感，同时也是
+多数观众能长时间舒适融合的边界附近。做配置时**不要一上来就给几十上百像素的错位**。
+
+### 3.4 在 ASS 里如何表达这个水平错位（可行性说明）
+
+当前实现让左/右眼字幕各自居中于半幅，水平位置由样式的 `MarginL/MarginR` 决定。
+要加入视差偏移，有两种**不改变协议、不动播放链路**的表达方式：
+
+- **按样式偏移**：给 `LeftEye` 样式的文本区整体右移 `δ`、`RightEye` 整体左移 `δ`
+  （即在各自半幅内把 `MarginL/MarginR` 同时平移），实现"整片字幕一个深度"；
+- **按句偏移**：在 Dialogue 的文本前缀使用 `{\an2\pos(xL+δ, y)}` / `{\an2\pos(xR−δ, y)}`
+  覆盖水平位置，实现**逐句不同的深度**（例如对白在屏幕平面、需要强调/场景绑定字幕
+  放到特定深度）。
+
+垂直方向（上下）只影响"放在画面哪里"，**不影响深度**。
+
+---
+
+## 4. 方案 A：让字幕处于"正确"的深度
+
+目标：消除"字幕景深与视频主体不匹配"的漂移感，同时把疲劳风险压到最低。
+
+### 4.1 A-1 默认零视差（屏幕平面）——推荐的保守默认
+
+- 做法：维持现状（`xL == xR`），把字幕放零视差平面。
+- 理由：
+  1. 文本是强调节刺激，字幕放在屏幕平面时**调节=会聚**，阅读最轻松（§2.2/§2.3）；
+  2. VR 视频观看距离固定，屏幕平面本来就处在头显最舒适的深度区（VAC 为 0）；
+  3. 字幕与所有"也在屏幕平面的内容"深度一致，漂移感最小；
+  4. 全行业 3D 字幕的主流做法。
+- 适用：绝大多数对白字幕。
+- **它与当前代码的差别**：当前实现其实**已经是零视差**，但有两个真正的缺陷需要修：
+  - 播放器若以"整帧平面"方式渲染 ASS（很多播放器把字幕贴在全景帧上）没问题；但如果
+    播放器把字幕当作 **2D 悬浮层**叠加在 SBS 帧之外，深度由播放器决定，与 ASS 无关——
+    此时需要确认播放链路（见 §6 局限）；
+  - 垂直位置默认在画面中部（`MarginV = height/2+60`），导致挡脸高发——见 §5。
+
+### 4.2 A-2 "贴合主体深度"模式（可调参数，谨慎使用）
+
+若希望字幕"跟随"视频主体所在的深度（例如大部分时间人物位于屏幕前约 0.5 m），可让字幕
+带一个**固定的、小的、与主体同方向的视差**，把字幕放到主体的平均深度附近：
+
+- 在 `srt-to-dual-eye-ass` 节点增加可选参数，例如：
+  - `depth_mode`：`screen`（零视差，默认）| `scene_fixed`（固定目标深度）|
+    `per_scene`（逐场景，需深度估计，远期）；
+  - `target_depth_m` / `depth_diopter`：目标深度或相对屏幕的屈光度差（推荐用屈光度，
+    因为它与屏幕距离无关、头显间可移植性好）；
+- 运行时按 §3.2 换算成每眼偏移像素，写入样式或逐句 `\pos`。
+
+约束（否则会重蹈"疲劳"覆辙）：
+- **把相对屏幕的屈光度差限制在约 0.3 D 以内**（对照 §3.3，即每眼偏移几像素到十几像素）；
+- **出屏（近）方向比入屏（远）方向更易疲劳**（Shibata 2011：近距离处正/负冲突不对称），
+  字幕尽量别比人脸更近；
+- **不要给单条长字幕恒定大视差**：一条字幕通常停留 2~6 秒，等于让眼睛长时间固定在一个
+  偏离屏幕的会聚点上（Yano 2004 的"累积疲劳"）。
+- **需要先估计主体的平均深度**。无深度图时可用近似规则：
+  - VR 成人/剧情类视频大量为"人物近景、脸出屏 0.2~0.5 m"构图，可设
+    `target_depth_m = S − 0.3` 起步并允许用户微调；
+  - 镜头/人物位置多变时，"固定一个深度"反而可能与某些镜头不匹配——此时建议退回零视差。
+
+### 4.3 A-3 动态/逐场景深度（远期路线）
+
+更高阶做法是给字幕逐句/逐场景分配深度：
+
+- 用深度估计（如 MiDaS/双目立体匹配）或预置的视差图，求每句字幕对应时间段内
+  "画面主体/安全区"的平均视差，把字幕深度绑定到主体深度（或主体稍后 0.1~0.2 D）；
+- 通过既有 OCR/抽帧流水线就能拿到关键帧，**人脸检测 + 主体视差估计**可以组合起来（见 §5）；
+- 每句之间视差**平滑过渡**，禁止突跳（Speranza 2006 的"运动+视差变化"是疲劳来源）。
+
+路线建议：**A-1 打底 → A-2 固定深度参数（近期可做）→ A-3 动态深度（远期）**。
+
+---
+
+## 5. 方案 B：解决"字幕挡住人脸"
+
+挡脸是**二维平面重叠**问题，深度方案救不了它——把人脸放到不同深度也不能让字幕"穿
+过"人脸不遮挡视线（在立体显示中，若字幕深度比人脸更近，观感是字幕盖在人脸前；若更
+远，则是人脸挡住字幕，同样干扰阅读）。因此主力方案是**二维位置避让 + 视觉降噪**。
+
+### 5.1 B-1 默认位置下移：避开人脸高频区（零成本，先做）
+
+当前字幕画在画面**中部偏下**（`an2` + `MarginV = height/2 + 60`）。VR 人物近景构图里
+人脸常处于画面中央区域，这是挡脸高发的直接原因。
+
+- 把默认垂直位置改为**贴近底部安全区**（如 `MarginV ≈ 80~150`，可配参数）；
+- 若视频主体/对白字幕本来就常出现在底部（少见，但可配 `top` 模式放到顶部），给
+  `position: bottom|top|center` 与 `margin_v` 两个可选参数；
+- 注意：VR 全景视频的画面**底部可能是地面/近景道具**，顶部可能是天花板/光斑——
+  没有"永远安全"的固定位置，所以还需要 B-2/B-3 的动态手段。
+
+### 5.2 B-2 半透明底框 + 描边（视觉降噪，成本低）
+
+挡脸的另一半观感来自"字压内容"。采用：
+
+- ASS 样式：`BorderStyle=1`（描边）+ `Shadow`，必要时用 `BorderStyle=3`（不透明框）
+  或增大 `BackColour` 透明度做半透明底板；
+- 可同时**轻微缩小字号**、限制每行字数（中文字幕建议单行 ≤ 14~16 字），减小覆盖面积；
+- 底框颜色选择接近视频暗部、半透明，观感为"字幕浮在画面上方"而非"糊在人脸上"。
+
+这不能消除遮挡，但能显著降低"看不清人脸/看不清字幕"的双输观感，成本几乎为零。
+
+### 5.3 B-3 人脸/主体检测驱动的动态避让（推荐的中期方案）
+
+在**字幕生成阶段**做一次"占位冲突检测"，复用项目已有的抽帧与 OCR 基础设施：
+
+1. 对每条字幕的起止时间段，从视频抽取 1~3 个关键帧；
+2. 用人脸检测（或显著性/主体检测）得到每帧人脸包围盒，映射到 ASS 画布坐标；
+3. 若字幕默认摆放位置与该时间段内的人脸框重叠，则按优先级移动：
+   - ① 垂直移到对侧安全带（顶部/底部）；
+   - ② 同一侧上下微调避开具体人脸框；
+   - ③ 仍冲突则缩短/分行/加底框兜底；
+4. 对移动做**时间平滑**（相邻句子的位置不要跳来跳去），每句只需知道"前一句的位置"。
+
+- 与现有代码衔接点：`subtitle-ocr`/`frame-extract` 已产出 `frames_manifest` 与帧图，
+  人脸检测可插在抽帧后；也可以做成独立可选节点（`face-aware-place`），不污染对白链路。
+- 检测失败（无 GPU/无模型）时自动回退 B-1 的底部默认，保证可用性。
+- 进阶：把"人脸框的中心深度"作为 A-3 动态深度的输入（§4.3），让字幕即不挡脸又贴合景深。
+
+### 5.4 B-4 字幕与人物"绑视差"（针对对白语义的高级玩法，谨慎）
+
+对"对白字幕"可考虑让字幕深度**跟随当前说话人**（把字幕放到说话人所在深度、且稍微偏下
+避开嘴部）。但这要求精确的主体视差/深度追踪，工程量大、且若说话人贴近屏幕（0.5 m 内）
+字幕被迫也出屏很多，反而违背舒适区原则。**不推荐作为默认**，仅作为特殊场景的可选项。
+
+### 5.5 B-5 方案对比小结
+
+| 方案 | 成本 | 解决程度 | 说明 |
+| --- | --- | --- | --- |
+| B-1 默认下移到底部安全区 | 极低（改默认参数） | 中 | 先做，立刻降低挡脸频率 |
+| B-2 半透明底框+描边+字号/行数限制 | 低 | 中（观感） | 与 B-1 组合默认启用 |
+| B-3 人脸检测动态避让 | 中（人脸模型+调度逻辑） | 高 | 推荐中期实现 |
+| B-4 字幕绑说话人视差 | 高 | 中高但疲劳风险 | 仅特殊场景 |
+| A-2/A-3 深度贴靠 | 中-高 | 解决"景深不匹配" | 与 B 系列正交，组合使用 |
+
+---
+
+## 6. 局限与需要注意的链路问题
+
+1. **播放器如何渲染 ASS 决定一切**。当前假设"播放器把 ASS 渲染进 SBS 帧后分眼"。
+   若用户使用的 VR 播放器把字幕作为**头显 2D 悬浮 UI**（固定渲染在屏幕平面上、不随
+   视频视差移动），则 ASS 里任何深度配置都无效，只能靠播放器自身的字幕位置设置；
+   验证方法：在某句字幕上故意加 20 px 视差看是否产生出屏/入屏效果。
+2. **SBS / 上下 / 帧封装格式**：本报告按 SBS（左右各半幅）推导；若是上下格式（TB）则
+   视差仍为水平方向，但需要把"半幅"概念换成上下半幅，且左右眼各自的水平错位关系不变。
+3. **等距柱状投影的角分辨率不均**：画面中央角分辨率高、边缘被拉伸；字幕若放在画面边缘，
+   §3.2 的 `p` 不准确。字幕通常放中央/下部，影响有限，但精确配置建议按"字幕所在区域"
+   校准 `p`。
+4. **个体差异**：舒适视差范围因人而异（Shibata 2011 用隐斜测量预测个体易感性）。
+   参数化 + 允许用户微调，比"一刀切最佳值"更实际。
+5. **动态内容**：镜头运动、人物出入画会改变主体视差；任何"固定深度/固定避让"都可能在
+   部分镜头失效——这正是 A-3/B-3 动态方案存在的意义，也是建议先做保守默认的原因。
+6. **本报告不构成代码改动**：以上参数化（`depth_mode`、`position`、`margin_v`、
+   底框样式、人脸避让节点）都尚未实现，需要时另行按仓库 TDD 流程开发。
+
+---
+
+## 7. 建议的落地优先级（结论）
+
+1. **立刻可做（无新模型/无协议改动）**：
+   - 字幕默认垂直位置从"画面中部"改到**底部安全区**，并暴露
+     `position`/`margin_v` 参数（对应 B-1）；
+   - 增加**半透明底框 + 描边**样式并限制单行字数（B-2）；
+   - 明确记录"当前实现 = 零视差/屏幕平面"这一事实到 AGENTS.md 与 ass 节点注释。
+2. **近期可做（少量参数 + 换算函数）**：
+   - 给 `srt-to-dual-eye-ass` 增加 `depth_mode`（`screen` 默认 / `scene_fixed`）、
+     `depth_diopter` 参数，按 §3.2 公式换算每眼像素偏移（A-2）；
+   - 配换算与边界检查（限制 |Δ| ≤ ~0.3 D、输出像素偏移范围、防越界）；
+   - 100% 覆盖率的单测（纯函数，可测）。
+3. **中期可做**：
+   - 人脸检测驱动的动态避让节点（B-3）；
+   - 场景主体深度估计 + 动态深度（A-3），二者可共享同一套关键帧与检测基础设施。
+4. **设计原则**（沿用仓库北极星）：
+   - 深度/位置全部是**节点参数与 ASS 数据**，不写死业务代码；
+   - 节点保持无状态、只经产物 URI 交换；
+   - 任何新的"检测"能力做成独立可复用节点，不绑定单一工作流。
+
+---
+
+## 8. 参考文献
+
+以下文献的关键结论均经过原文/摘要核验（PubMed/Crossref/arXiv）：
+
+1. Hoffman DM, Girshick AR, Akeley K, Banks MS. **Vergence-accommodation conflicts
+   hinder visual performance and cause visual fatigue.** J Vis. 2008;8(3):33.
+   doi:10.1167/8.3.33. PMID 18484839.
+   —— 会聚-调节冲突损害视觉表现并导致疲劳；显示器的调节线索固定指向屏幕。
+2. Shibata T, Kim J, Hoffman DM, Banks MS. **The zone of comfort: Predicting visual
+   discomfort with stereo displays.** J Vis. 2011;11(8):11. doi:10.1167/11.8.11.
+   PMID 21778252.
+   —— 定义并量化"舒适区"；冲突大小与正/负方向、观看距离、个体差异对不适的影响。
+3. Lambooij M, IJsselsteijn W, Fortuin M, Heynderickx I. **Visual discomfort and
+   visual fatigue of stereoscopic displays: A review.** J Imaging Sci Technol.
+   2009;53(3):030201. doi:10.2352/J.ImagingSci.Technol.2009.53.3.030201.
+   —— 立体显示视觉不适/疲劳诱因综述（视差幅度、视差变化率、观看时间等）。
+4. Yano S, Emoto M, Mitsuhashi T. **Two factors in visual fatigue caused by
+   stereoscopic HDTV images.** Displays. 2004;25(4):141-150.
+   doi:10.1016/j.displa.2004.09.002.
+   —— 大/持续视差与视差变动是疲劳的两个主要因素。
+5. Speranza F, Tam WJ, Renaud R, Hur N. **Effect of disparity and motion on visual
+   comfort of stereoscopic images.** Proc SPIE 6055 (Stereoscopic Displays and
+   Virtual Reality Systems XIII). 2006. doi:10.1117/12.640865.
+   —— 视差与画面运动叠加显著降低立体观看舒适度。
+6. Kramida G. **Resolving the vergence-accommodation conflict in head-mounted
+   displays.** IEEE Trans Vis Comput Graph. 2016;22(7):1912-1931.
+   doi:10.1109/TVCG.2015.2476178.
+   —— HMD 中 VAC 的机制与解决路线综述（调节固定 ⇒ VAC 持续存在）。
+7. **Dynamic lens and monovision 3D displays to improve viewer comfort.** arXiv,
+   2015（Banks 组）。
+   —— 常规 S3D 显示调节线索错误、造成调节-会聚不匹配的机制说明。
+8. SMPTE ST 428-10 / ST 429-12（D-Cinema Distribution Master / Packaging —
+   Closed Caption and Closed Subtitle）。
+   —— 数字影院字幕/隐藏字幕以平面叠加呈现的行业惯例（非深度规定，仅作惯例佐证）。
+
+> 免责：第 3.2/3.3 节的换算公式与数值为**面向本项目场景的工程推导**（IPD、观看距离、
+> 角分辨率取典型值），用于给出可操作初值，并非某篇论文的直接结论；实际参数应以
+> 目标头显规格与主观验证为准。

nodes/ass.py

@@ -11,8 +11,19 @@ from pathlib import Path
 
 from wov_sdk.models import InvokeRequest, InvokeResponse
 
-def _ass_header(resolution: str) -> str:
+def _ass_header(resolution: str, margin_top: int = 120) -> str:
-    """生成 ASS 文件头：脚本信息、左右眼样式和事件格式。"""
+    """生成 ASS 文件头：脚本信息、左右眼样式和事件格式。
+
+    样式说明（B-1 顶部安全区 + 透明度）：
+    - 对齐 8（顶部居中，\an8），MarginV=margin_top：字幕渲染在画面顶部安全区，
+      避开人脸/近景主体常出现的画面中央偏下区域，降低遮挡；
+    - PrimaryColour &HB3FFFFFF：约 70% 透明文字填充，比原先 &H80FFFFFF（约 50%）
+      更通透，减少对场景的遮挡感；
+    - OutlineColour &H80000000：半透明黑描边（不再是实心纯黑），
+      在保留可读性的同时不产生生硬黑框；
+    - 左右眼水平边距一致（LeftEye/RightEye 各占左右半幅）⇒ 水平相对位置相同，
+      即零视差（A-1）：字幕被渲染在屏幕平面，不产生额外景深冲突。
+    """
     width, height = resolution.lower().split("x", 1)
     # 左眼样式占左半边，右眼样式占右半边，各留 50px 内边距。
     left_margin = 50
@@ -28,8 +39,8 @@ ScaledBorderAndShadow: yes
 
 [V4+ Styles]
 Format: Name,Fontname,Fontsize,PrimaryColour,SecondaryColour,OutlineColour,BackColour,Bold,Italic,Underline,StrikeOut,ScaleX,ScaleY,Spacing,Angle,BorderStyle,Outline,Shadow,Alignment,MarginL,MarginR,MarginV,Encoding
-Style: LeftEye,Arial,50,&H80FFFFFF,&H000000FF,&H00000000,&H80000000,0,0,0,0,50,100,0,0,1,4,0,2,{left_margin},{int(width) // 2},{int(height) // 2 + 60},1
+Style: LeftEye,Arial,50,&HB3FFFFFF,&H000000FF,&H80000000,&H80000000,0,0,0,0,50,100,0,0,1,4,0,8,{left_margin},{int(width) // 2},{margin_top},1
-Style: RightEye,Arial,50,&H80FFFFFF,&H000000FF,&H00000000,&H80000000,0,0,0,0,50,100,0,0,1,4,0,2,{int(width) // 2},{right_margin},{int(height) // 2 + 60},1
+Style: RightEye,Arial,50,&HB3FFFFFF,&H000000FF,&H80000000,&H80000000,0,0,0,0,50,100,0,0,1,4,0,8,{int(width) // 2},{right_margin},{margin_top},1
 
 [Events]
 Format: Layer,Start,End,Style,Name,MarginL,MarginR,MarginV,Effect,Text
@@ -67,15 +78,19 @@ def parse_srt(text: str) -> list[tuple[str, str, str]]:
     return entries
 
 
-def write_ass(entries: list[tuple[str, str, str]], output_path: Path, resolution: str) -> None:
+def write_ass(
-    """把解析后的条目写入 ASS 文件，每个条目输出左右眼两行 Dialogue。"""
+    entries: list[tuple[str, str, str]], output_path: Path, resolution: str, margin_top: int = 120
-    lines = [_ass_header(resolution)]
+) -> None:
-    for start, end, text in entries:
+    """把解析后的条目写入 ASS 文件，每个条目输出左右眼两行 Dialogue。
-        # an2 对齐到屏幕中央偏下，保证双眼字幕视线自然。
-        lines.append(f"Dialogue: 0,{start},{end},LeftEye,,0,0,0,,{{\\an2}}{text}")
-        lines.append(f"Dialogue: 0,{start},{end},RightEye,,0,0,0,,{{\\an2}}{text}")
-    output_path.write_text("\n".join(lines) + "\n", encoding="utf-8")
 
+    margin_top 控制字幕距画面顶部的安全边距（默认 120），顶部对齐（\an8）
+    使字幕整体落在顶部安全区。左右眼使用相同文本与水平相对位置（零视差，A-1）。"""
+    lines = [_ass_header(resolution, margin_top=margin_top)]
+    for start, end, text in entries:
+        # an8 对齐到屏幕顶部，配合 MarginV 形成顶部安全区，避开中央人脸区域。
+        lines.append(f"Dialogue: 0,{start},{end},LeftEye,,0,0,0,,{{\\an8}}{text}")
+        lines.append(f"Dialogue: 0,{start},{end},RightEye,,0,0,0,,{{\\an8}}{text}")
+    output_path.write_text("\n".join(lines) + "\n", encoding="utf-8")
 
 def invoke(request: InvokeRequest) -> InvokeResponse:
     """把 cn_srt_uri 指向的 SRT 转为 dual_eye.ass 产物。"""
@@ -93,6 +108,8 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
     output_path = output_dir / "dual_eye.ass"
     # 分辨率默认 3840x1920，覆盖常见 VR 视频尺寸。
     resolution = str(request.params.get("resolution", "3840x1920"))
-    write_ass(entries, output_path, resolution)
+    # margin_top 可选：顶部安全边距，不同分辨率/内容可用工作流参数微调。
+    margin_top = int(request.params.get("margin_top", 120))
+    write_ass(entries, output_path, resolution, margin_top=margin_top)
     return InvokeResponse(status="completed", outputs={"ass_uri": str(output_path)})
 

tests/test_nodes.py

@@ -666,6 +666,56 @@ def test_ass_parse_and_write(tmp_path) -> None:
     assert r"第一行\N第二行" in content
 
 
+def test_ass_top_aligned_and_translucent(tmp_path) -> None:
+    """验证字幕默认渲染到顶部安全区且文字/描边带透明度。
+
+    B-1：对齐 an8（顶部居中），MarginV 取顶部安全边距默认 120；
+    透明度：文字填充 &HB3FFFFFF（约 70% 透明），描边 &H80000000（半透明黑），
+    而左右眼水平相对位置一致保持零视差（A-1，字幕在屏幕平面）。"""
+    entries = parse_srt(SAMPLE_SRT)
+    output = tmp_path / "out.ass"
+    write_ass(entries, output, "3840x1920")
+    content = output.read_text(encoding="utf-8")
+    # 顶部对齐 an8、顶部安全边距默认 120。
+    assert r"{\an8}" in content
+    assert r"{\an2}" not in content
+    # 样式行：MarginV=120（顶部安全区），填充 &HB3FFFFFF，描边 &H80000000。
+    assert "&HB3FFFFFF" in content
+    assert "&H80000000" in content
+    assert ",0,0,0,0,50,100,0,0,1,4,0,8,50,1920,120,1" in content
+    # 左右眼两行文本一致（水平相对位置相同 → 零视差/A-1）。
+    assert content.count(r"第一行\N第二行") == 2
+
+
+def test_ass_write_custom_margin_top(tmp_path) -> None:
+    """验证可通过 margin_top 覆盖顶部安全边距（不同分辨率下微调）。"""
+    entries = parse_srt(SAMPLE_SRT)
+    output = tmp_path / "out.ass"
+    write_ass(entries, output, "1920x1080", margin_top=200)
+    content = output.read_text(encoding="utf-8")
+    # 1920 宽：每半幅 960；MarginV 用自定义 200。
+    assert ",0,0,0,0,50,100,0,0,1,4,0,8,50,960,200,1" in content
+
+
+def test_ass_invoke_reads_margin_top(tmp_path) -> None:
+    """验证 invoke 从请求参数读取 margin_top 并反映到产物样式。"""
+    source = tmp_path / "in.srt"
+    source.write_text(SAMPLE_SRT, encoding="utf-8")
+    response = ass_invoke(
+        InvokeRequest(
+            run_id="run_mt",
+            node_instance_id="ni_mt",
+            inputs={"cn_srt_uri": str(source)},
+            params={"resolution": "1920x1080", "margin_top": 90},
+            output_dir=str(tmp_path / "out"),
+        )
+    )
+    assert response.status == "completed"
+    content = Path(response.outputs["ass_uri"]).read_text(encoding="utf-8")
+    assert "an8" in content
+    assert ",0,0,0,0,50,100,0,0,1,4,0,8,50,960,90,1" in content
+
+
 def test_ass_parse_malformed(tmp_path) -> None:
     """验证畸形 SRT 不会抛出异常且返回空条目或忽略坏行。"""
     source = tmp_path / "bad.srt"