cat-shark
2c8bbb6469
无 VAD 的 decode_full 会在无语音段"编"出字幕（`こんにちは`/`おはようございます`/ `東京都交通局8800形電車`）。实测这类幻觉与"呻吟间隙里的真实短台词"在 `no_speech_prob`、`avg_logprob`、silero VAD 与音频能量四个维度上都不可分， 只能用 faster-whisper 自带的 `hallucination_silence_threshold`（HST）抑制： 怀疑幻觉时跳过超过阈值的静音部分（需 `word_timestamps=True`）。 - `nodes/whisper.py` 透传 `word_timestamps` / `hallucination_silence_threshold` / `no_speech_threshold` / `log_prob_threshold` / `compression_ratio_threshold`， 未配置的键不传，保持 faster-whisper 默认值与改造前行为。 - `learn-translate` 默认 HST=2.0 + word_timestamps：同一片头 120 秒无对话段由 15 条 字幕降到 4 条且无套话幻觉残留，呻吟段基本保留；代价转写约慢 1.8×。 - 实测数据与取舍记录见 docs/workflows.md#decode_full-与幻觉呻吟清洗。
VRSub
为视频生成 VR 双眼字幕的单体应用：API、调度器与全部节点在同一进程内运行， 单仓库、单环境、单命令启动。由原分布式 WOV 多仓库合并而来。
用户上传视频，选择工作流，即可得到中文 .srt 与 VR 双目 .ass 字幕；
也可以按文件夹批量处理整个媒体库，产物直接落在视频旁。
快速开始
uv sync
uv run uvicorn wov_app.main:app --reload
访问：
http://127.0.0.1:8000/ 应用中心（上传视频 → 字幕生成）
http://127.0.0.1:8000/tasks.html 任务管理
http://127.0.0.1:8000/batch.html 批量处理（按文件夹）
http://127.0.0.1:8000/admin.html 管理后台（工作流）
http://127.0.0.1:8000/workflow.html 工作流编排（DAG JSON）
http://127.0.0.1:8000/docs API 文档
- 模型权重本地优先：把 whisper 模型放在
model/faster-whisper-large-v2（含model.bin）即可完全离线运行。 - LLM 翻译默认使用 SiliconFlow，API Key 放在 gitignored 的
.env（LLM_API_KEY=sk-...），启动时自动加载。 - 环境变量全表与依赖管理见 docs/configuration.md。
文档导航
| 文档 | 内容 |
|---|---|
| docs/architecture.md | 目录结构、核心机制（registry/scheduler/前端）、北极星不变式、单体化说明 |
| docs/node-protocol.md | 节点输入输出协议表、字幕样式统一、模型权重解析、长音频分块、VLM OCR 并发、暂停断点、前端框选 |
| docs/workflows.md | 内置工作流一览、_note_ 参数标注约定、decode_full 与幻觉清洗、切换模型、产物命名 |
| docs/configuration.md | 环境变量全表、启动方式、Python/uv 管理 |
| docs/operations.md | 孤儿数据清理、任务暂停/继续、进度日志、文件夹批量处理 |
| docs/testing.md | 测试结构（按模块目录组织）、测试资产归属、真实模型集成测试 |
| docs/decisions.md | 设计决策与踩坑记录（模型选型、glm-ocr 循环、帧号排序等） |
| docs/代码审查问题跟踪.md | 缺陷清单 R01–R08、修复记录与验收标准 |
| docs/VR双目字幕景深与遮挡调查报告.md | VR 字幕景深/遮挡方案的调研全文 |
| docs/调研-whisper漏句与decode_full验证.md | whisper 漏句与 decode_full 的实验记录 |
| docs/adaptive_vad.md | 每视频自适应 VAD 调参方案 |
| docs/proper_nouns.md | 专有名词处理表 |
代理协作规则（TDD、提交许可、测试与注释规范、执行环境）见 AGENTS.md，该文件只写规则、不含项目信息。
目录
| 路径 | 说明 |
|---|---|
src/wov_sdk/ |
协议数据模型（与分布式版兼容） |
src/wov_app/ |
应用层：API、注册表、调度器、批量引擎、数据库 |
nodes/ |
进程内节点实现（echo/ffmpeg/whisper/llm/vlm/ass/ocr/filter） |
manifests/ |
节点清单 JSON |
workflows/ |
默认工作流定义 JSON（模型与链路均为数据） |
web/ |
静态前端 |
model/ |
本地模型权重（gitignored） |
data/ |
SQLite 与存储（gitignored） |
docs/ |
设计与运维文档 |
tests/ |
按模块组织的测试（见 docs/testing.md） |
内置工作流
| ID | 名称 | 链路 |
|---|---|---|
zh-direct |
中文直出字幕 | 提音 → 中文转写 → ASS |
ocr-subtitle |
字幕OCR提取 | 抽帧 → 逐帧 OCR → 汇总 SRT → LLM 过滤 |
learn-translate |
学习资料转译+翻译字幕 | 提音 → 转写(decode_full) → LLM 翻译 → ASS |
链路细节与参数约定见 docs/workflows.md。
模型与实验结论摘要
- 默认 LLM 为
Qwen/Qwen3.5-35B-A3B（2026-09 切换）：对同片 2 小时日语 ASR 做 8 个模型全量对比，质量与旧默认Qwen/Qwen3.6-35B-A3B持平，速度 0.232 s/行 （全评测最快），评测报告见data/experiments/translate_models/REPORT.md。 subtitle-correction节点不跟随该默认值，有意保留Qwen/Qwen3.6-35B-A3B：错听泛化实测新模型 0/4、旧模型 4/4。- 通用转写模型为
faster-whisper-large-v2（2026-09 由 large-v3 切换）， 依据见 docs/decisions.md。 llm-filter节点的 LLM 五类分类层默认关闭（use_llm=0）： 实测该层额外删除的 131 条中 56% 是真实对话，净收益为负； 现只跑确定性规则层，误删真对话从 73 条降为 0 条且无 LLM 调用。 详细依据见 docs/decisions.md。
测试
uv run pytest
测试资产与集成测试说明见 docs/testing.md， 测试规则（TDD、真实数据要求）见 AGENTS.md。
与分布式版的关系
- 协议数据模型、工作流 DAG 数据化、调度拓扑执行保持不变。
- 已移除：子进程节点、节点 HTTP 协议、节点注册/实例管理、TTL 回收。
- 未来回退分布式时，只需为
registry.invoke重新加上进程边界。 - 详见 docs/architecture.md。