v2.2.7 — 说话者工作台：自动人数修复 + 逐行编辑 + 循环播放校对

STTMiniTool v2.2.7

本版聚焦「说话者工作台」：修复「人数 自动」在真实音频上恒判 1 人的问题，并给识别结果补齐说话者编辑能力（逐行切换 / 改名 / 拆分 / 合并），外加校对友好的「选中区间 + 循环播放」交互。全套改动有 98 例单元测试兜底。

👥 「人数 自动」判定修复

此前自动模式在真实音频上经常只识别出 1 个说话者（手动指定 2 人却完全正确）。定位到两层原因：声纹相似度矩阵的第一个特征值被「全局公共成分」占据（同语言 + 共享伴奏让所有窗口两两都有基础相似度），特征值间隙据此恒判 1 人；而 silhouette 校验门槛按 TTS 干净人声校准，会把带伴奏的真实双人误杀。

新算法：在层次聚类树上自深而浅搜索，先把关窗残响/间奏产生的碎群吸收进最近大群，取「所有群中心两两距离 ≥ 0.38」的最深切割作为人数；没有任何切割达标 → 整档 1 人。群心距离是全部实测样本中唯一界限分明的量（同一人被拆 ≤0.37 / 真正不同人 ≥0.39）。实测：真实男女对唱歌曲自动=2（与指定 2 人逐秒一致）、TTS 单人=1、双人=2。

🔁 逐行切换说话者

点字幕行上的说话者标签弹出菜单：现有说话者（当前项打勾）即点即换——卡片色条、波形区块、标签栏、导出前缀、合并判定全部同步；「＋ 新说话者」可在自动分离并错一人时手工补救；「重命名说话者…」保留一步改名（Enter 存 / Esc 取消，四种导出同步新名）。

✂️🔗 单句拆分 + 同说话者合并

• 拆分：剪刀进入拆分模式，点文本放置光标，点亮的 √（或 Ctrl+Enter）在光标处一分为二，切点自动吸附最近字边界；拆分模式下文字锁定。
• 合并：「合并段落」选择模式点卡片多选，一键合并文本与时间轴；仅允许相邻且同一说话者的段落（跨说话者 / 不相邻会明确拒绝并提示）。合并按钮与操作栏并入波形面板，滚动时随面板钉顶。
• 编辑（笔）与拆分（剪刀）两种模式互斥，进入后按钮变 √。

🎯 选中区间 · 循环播放

校对时点字幕行不再突然出声：点行改为选中该句区间（波形亮出遮罩）；播放键从片段头起循环播放当前句（句尾自动回卷），停止键回到片段头，点波形仅移动播放头。

🆕 其他

• 状态点五态：左下角状态点对齐模型下载/热切换语义——「已选≠已加载」显示琥珀「待切换」（此前转录跑旧模型状态点仍绿灯）、「模型未下载」与「尚未加载」区分、加载失败琥珀提醒；tooltip 显示实际加载/已选模型，点击直达模型页
• 最近转录删除：历史条目 hover 显形垃圾桶按钮，确认后字幕文件移入回收站（可恢复）
• 随包 CrispASR 核心 0.8.44
• 测试增至 98 例：合成声纹改用真实相似度量级（旧测试「过干净」曾放过两版人数判定缺陷），新增同人子群不拆、碎群吸收等回归

---

升级：下载 STTMiniTool-v2.2.7-windows.zip 解压即用（单文件 exe + crispasr 核心），旧版直接覆盖解压目录即可；模型与设置互不影响。首次运行如遇 SmartScreen，点「更多信息 → 仍要运行」，或右键 exe → 属性 → 解除锁定。

v2.2.6 — 设置自动化 + 正确性修复 + ASS/LRC 导出

STTMiniTool v2.2.6

本版是一次集中修复与体验升级：两个「玄学」设置项移出设置页改为自动判断（VAD 灵敏度、每段最长秒数），三处正确性修复（CPU 转录取消、长音频说话者标签、GPU 识别提示），并新增 ASS 卡拉OK / LRC 导出、最近转录列表与真实更新检查。全套改动有 75 例单元测试兜底。

✋ OpenVINO 转录可随时取消

此前用 CPU 核心转录长音频时点「取消」，程序会把剩余段落全部跑完才在收尾时报「已取消」——结果被丢弃，时间全浪费。现转录循环在段间检查取消事件（与 CrispASR 引擎同一契约），点击取消立即停止。

👥 长音频说话者标签不再跨片错乱

超过 2 小时的音频走切片转录 + 说话者分离时，每一片独立聚类会导致同一人在片 1 是「说话者1」、片 2 变成「说话者2」。现改由调度层统一分离：逐片提取声纹中心，按 cosine 相似度映射到全局编号，整份字幕同一人始终同一编号。

💬 GPU 引擎的「识别提示」生效了

「识别提示」输入框此前在 CrispASR 引擎下被静默忽略——贴了歌词/关键词毫无效果也不提示。现 whisper / qwen3 两个后端统一传入 --prompt 初始提示（截 500 字，两后端实测接受且不回显）。

🎛️ 设置页精简：两项改自动判断

• 语音检测灵敏度（VAD）→ 自动重试：默认门槛（0.50）没检出人声、但全段最高人声概率达到可信下限（0.18）时，自动逐级降低门槛（0.35 → 0.22）重试——覆盖「说话轻／远场录音被挡掉」这一手动调低设置的主因；真静音／纯音乐不浪费重试，直接给出明确诊断。
• 每段最长秒数 → 任务自适应：勾选「时间轴对齐」时段上限自动压到 10 秒（抑制长段歌词的「段尾字级跑掉」漂移）；不勾则用模型上限（0.6B 30 秒），段更少、吞吐更高。

老用户 settings.json 里的旧键会被忽略，无需手动清理。

🆕 新功能

• 导出格式菜单：保存字幕现支持 SRT / ASS 卡拉OK（字级时间轴 → \k 逐字拍点，播放器直接逐字高亮）/ LRC 歌词 / 纯文本
• 最近转录列表：首页列出 subtitles/ 最近产出（50 条），点击回填波形视图，可再校对、另存
• 真实更新检查：「检查更新」现通过 GitHub API 比对最新版本，有新版直接打开下载页
• 录制真实时间轴：录制转换导出的 SRT 改用录音内的真实秒数（此前每段固定 5 秒顺排，无法用于同步）
• 卡拉OK逐字弹跳：补完「放大跳动」曲线——字被唱到的瞬间弹起回落、开唱前微抬蓄力（Apple Music 动态歌词风）

⚡ 性能

• VAD 长音频批量推理：时间轴连续分块沿 batch 维并行，60 秒音频 0.37s → 0.11s；阈值判定与逐窗顺序推理完全一致
• 大文件上传流式落盘：转录请求增量解析、音频边收边写盘——拖入几 GB 的视频不再把整份文件读进内存（此前内存峰值 ≥ 2 倍文件大小）
• 前端播放优化：播放/卡拉OK循环去掉全量 DOM 扫描，数千段字幕的长音频不再卡顿

🧱 工程

• 75 例单元测试（tests/，unittest）：字幕分行、切片合并、SRT 解析、设置存储、流式解析、说话者映射、VAD 等价性等
• settings.json 收敛为单点读写：线程锁 + 临时文件原子替换，修复并发写丢更新、进程被杀留半截文件两类隐患
• 引擎转录改返回结构化结果（TranscribeResult），移除实例侧通道
• 界面补全 English 翻译覆盖

---

打包内容：STTMiniTool.exe（onefile，WebView2 界面）+ CrispASR 核心二进制。模型文件不随包附带，首次使用时按需下载。

全部改动经 75 例单元测试与真实语音端到端回归验证：正常音量／6% 音量／噪声混合音频的 VAD 自动重试路径、冻结 EXE 无头自检（status --json）、切片说话者映射、流式上传边界情况，全部通过。

v2.2.5 — 模型下载「CERTIFICATE_VERIFY_FAILED」修复

STTMiniTool v2.2.5

本版修复用户反馈的**「下载并加载模型」失败**。两张截图两个报错（CERTIFICATE_VERIFY_FAILED 与 'gbk' codec can't encode '\u26a0'），实为同一条链：

企业／校园网络里的 HTTPS 代理（深信服等）会用自己的根证书重签 TLS 连接。Python 的 ssl 模块不认代理的根证书 → 到 HuggingFace 的所有模型下载直接证书验证失败。

🔐 SSL 证书验证失败自动降级

下载遇证书验证错误时自动降级为不验证重试一次：

• 模型来源全为固定可信主机（huggingface.co / github.com），风险可控
• 降级时写入运行日志（logs/app-年月.log）留痕
• 只针对证书错误——超时、DNS 失败等其他网络错误仍走原有的镜像／备援逻辑，行为不变

🖥️ GBK 控制台安全输出

第二张截图的 'gbk' codec can't encode character '\u26a0' 是这样来的：下载备援逻辑的提示 print 里有 ⚠✅❌ 等字符，简体中文 Windows 的 GBK 控制台打不出来，抛出的编码错误反而取代了原始的 SSL 错误——界面「加载失败」显示的正是这个编码错误。现改用安全输出：编码不了的字符替换为 ?，保证提示能出去、真实错误能上抛。

---

打包内容：STTMiniTool.exe（onefile，WebView2 界面）+ CrispASR 核心二进制。模型文件不随包附带，首次使用时按需下载。

受企业代理影响的用户升级后可直接下载模型；若你的网络有额外的白名单限制，也可在「设置 → HuggingFace 镜像」填 https://hf-mirror.com 走镜像站。

全部修复经 mock 与真实网络双重验证：SSL 降级重试、非证书错误不降级、GBK 控制台输出、真实下载回归、404 错误路径，全部通过。

v2.2.4 — CrispASR（Qwen3-ASR）转录「进度卡 0%」修复

STTMiniTool v2.2.4

本版修复用户反馈的 CrispASR（Qwen3-ASR-1.7B）转录时进度条永远 0%、疑似卡死 的问题。经本机实测定位，该问题与显卡无关（Vulkan / CUDA / CPU 均一致），由三个叠加问题造成。

📊 进度条卡 0% 修复（本版核心）

根源：CrispASR 的 -pp 进度输出（progress = NN%）只有 whisper 后端实现了，qwen3 后端完全没有（0.8.38 与最新 0.8.42 实测一致）。而界面进度条唯一的数据来源就是这行输出——于是 qwen3 模型从转录第一秒到最后，进度永远是 0%，模型其实在正常工作。

• 现改以「行活跃度」回报：每收到一行子进程输出就推进模拟进度（状态文字注明「模型运行中，暂无精确进度」），进度条不再静止
• whisper 后端的真实进度解析不受影响

⏱️ qwen3 启动的 44 秒静默等待消除

qwen3 后端启动需要一个 ggml-tiny.bin 做语言识别（LID）；目录里没有时 crispasr 会自己联网下载，下载失败要干等约 44 秒（WinHTTP + curl + wget 逐个尝试）才继续转录，期间零输出。现在程序自动加 --lid-model 指向本地已有的 whisper ggml（base 随包附带），这段等待彻底消失。

🐕 停滞看门狗

流式读取新增保护：180 秒无任何输出才判定挂死，杀掉子进程并给出可读的错误提示（此前真挂死会无限期持有引擎锁）。真实的长时间转录不受影响。

🚫 GitHub 限流不再导致重复下载

CrispASR 版本查询被 GitHub 限流（HTTP 403）时，此前回退到硬编码的保底版本 0.8.33——已装 0.8.38 的机器每次加载模型都被判定「核心过期」，重新下载 35MB 的 zip。现在限流时回退到本机已安装版本，不再重复下载。

---

打包内容：STTMiniTool.exe（onefile，WebView2 界面）+ CrispASR 核心二进制。模型文件不随包附带，首次使用时按需下载。

全部修复均在本机实测验证：qwen3 全流程转录、whisper 后端回归、取消功能、看门狗、中文文件名路径、403 降级场景。

v2.2.3 — 断句质量修复（声学停顿切行）

STTMiniTool v2.2.3

本版聚焦断句质量：修复「一行字幕里混有上一句的下半段和下一句的上半段」的问题，让字幕断句更贴合语义边界。

✂️ 断句修复（本版核心）

问题根源：ASR 模型偶尔在两句之间漏打标点时，唯一的换行依据只剩「每行最多 20 字」的强制保护——切点与语句毫无关系，于是上一句的尾巴和下一句的开头被拼进同一行。

• 新增「声学停顿切行」：字级时间轴上本就记录着字与字之间的空隙。句间停顿普遍 ≥0.35 秒、短语内部几乎不留空隙，现在把足够长的停顿当作「看不见的逗号」主动切行——模型漏打标点也能正确断开
• 兜底换行不再机械：行超长必须切时，回退到行内最长的可信停顿处切开，断点尽量贴近语义边界，而不是硬数到第 20 个字

🎵 长语音段切分修复

• 切点吸附停顿：连续说话超过模型上限时，音频不再按固定秒数硬切（此前会把字词劈成两半，片段首尾各带半句），改为等分片数后在 ±1.5 秒范围内吸附到能量最低的停顿处
• 不再产生超长片：新增可行窗约束，保证每片都不超过模型输入上限、不产生被丢弃的碎片——修掉了「末段可能超长被静默截断掉字」的隐患

🔗 长音频切片合并修复

• 保留更完整的版本：超 2 小时音频的切片重叠区里，同一句话在前一片和后一片各有一个版本——跨片首的句子完整版在前片、跨片尾的完整版在后片。去重时按完整度择优保留，不再无条件取某一侧导致丢字或残句

---

打包内容：STTMiniTool.exe（onefile，WebView2 界面）+ CrispASR 核心二进制。模型文件不随包附带，首次使用时按需下载。

本版修复经 OCR 代码审查复核，2 项审查意见均已采纳（切片合并的丢字风险、末段超限风险）。

v2.2.2 — 长音频切片修复与取消支持

STTMiniTool v2.2.2

本版聚焦长音频切片转录的可靠性：修复了两个导致超长音频转录必然失败的 bug，并让「取消」真正即时生效。建议所有用户升级。

🎵 长音频切片修复（本版核心）

• 修复切片转录崩溃：超 2 小时音频切片转录完成前最后一步，写出 SRT 时对字典按四元组解包导致 too many values to unpack (expected 4) 崩溃——此前任何长音频转录都会在最后一步失败
• 修复 ffmpeg 切片参数语义错误：-ss 放在 -i 前时输入时间戳被重置，-to <全局终点> 被误读成重置后时间轴的终点——第 2 片起每片严重超长、重叠区去重失效。改用 -t <片长> 显式指定时长

✋ 取消真正即时

• 转录取消不再需要等待：CrispASR 子进程可被随时终止（独立 watch 线程杀进程），此前只能在切片边界退出，单片转录中无法中断
• 取消事件每次运行后自动复位——修复了残留置位状态会让切片转录第 2 片被误杀的回归（代码审查抓出）

📤 上传修复

• 修复 multipart 解析把文件内容尾部 \r\n 一并剥掉的问题——音频数据不再静默截断

🧨 错误处理改进

• 转录失败时回结构化的 500 JSON 错误（此前连接直接中断，前端只能显示网络错误）
• 运行日志的 ERROR 记录现在附完整调用栈（缩进格式，按行检索不混入独立事件）
• 切片转录全静音时给出明确诊断（多少片无内容、可能原因），不再笼统报「未检测到人声」

🧹 清理

• 删除已被共享断句模块取代的旧实现（约 150 行）及其残留导入

---

打包内容：STTMiniTool.exe（onefile，WebView2 界面）+ CrispASR 核心二进制。模型文件不随包附带，首次使用时按需下载。

v2.2.1 — 代码审查健壮性修复

STTMiniTool v2.2.1

本版为 v2.2.0 的健壮性修复：三批代码审查（30 条意见，采纳修复 19 项）。功能与 2.2.0 一致（模型热切换 / 运行日志 / 下载完整性校验），建议所有用户升级。

🔁 热切换修复

• 加载失败回退真正可用：修复旧引擎被提前释放、回退分支不可达的问题——现在新引擎就绪才释放旧的，加载失败自动换回原引擎继续转录
• 模型加载与转录的忙碌判定改原子 check-and-set：并发请求不再双通过守卫（此前会导致双加载线程、转录忙碌状态被错误清除、关窗确认失效）
• 模型成功加载后清空上次失败的错误残留

🏷️ 字幕修正

• 文件名标签改用「实际加载」的引擎与模型（忙碌期间改选择不再误标）
• 标签内 . 换 ·，无扩展名文件不再产生残缺文件名

⬇️ 下载修复

• 断点续传遇忽略 Range 的服务器时，不再误删刚下载完的完整文件
• Qwen GGUF（q4/q8/日语动漫）与 ForcedAligner .bin 的下载跳过 guard 补大小下限——残档不再被当「已存在」跳过下载
• CrispASR 版本查询失败回退保底版本时记录日志

🎵 非 ASCII 路径三连修

• 临时副本在异常路径不再泄漏
• 路径检查从「文件名」扩展到「完整路径」（目录含中文同样处理）
• 临时目录改用保证 ASCII 的位置 + 唯一文件名
• 说话者分离改用原路径（此前对非 ASCII 文件名会静默失效）

🖥️ 其他

• 多显示器（外接主屏 / 任务栏停靠左上）下窗口不再开到错误屏幕
• CLI：显卡探测失败不再误报为「没有显卡」；profiles 命令 WMI 探测 4 次 → 1 次

📦 安装

1. 下载 STTMiniTool-v2.2.1-windows.zip 并解压
2. 右键 STTMiniTool.exe → 属性 → 如有「解除锁定」勾选后确定
3. 双击运行；首次使用在「模型」页选引擎与模型，点「下载并加载模型」

从 v2.2.0 升级：直接覆盖 exe 即可，模型与设置自动沿用。

v2.2.0 — 模型热切换 / 运行日志 / 下载完整性校验

STTMiniTool v2.2.0

本地语音识别字幕生成工具 —— 数据不离开你的电脑。

✨ 新特性

• 🔁 模型热切换：引擎（OpenVINO / CrispASR）、模型、加速版本切换不再需要重启——模型页选好后点「下载并加载模型」就地生效；转录进行中自动禁用切换；加载失败自动回退原引擎
• 🏷️ 字幕文件名带引擎标识：输出字幕自动拼接所用引擎与模型，如 唯一 [CrispASR · Whisper Base].srt，多模型对比不混淆
• 📜 运行日志：转录（耗时/段数）、模型加载、下载事件自动记录到 logs/app-年月.log，问题可回溯
• 🎛️ 模型页改版：检测到的设备 → 推理引擎（两列并排直选）→ 选择模型，去掉「基础/高级」双模式

🐛 修复

• CrispASR 打不开含中文/非 ASCII 字符的音频路径（自动转 ASCII 临时副本转录）
• OpenVINO 路径 VAD 崩溃（Unable to handle object of type int）
• crispasr.exe 异常退出时，错误消息带上子进程真实报错（不再只有笼统提示）
• 长视频（>2 小时，如 .mov）转录报 TypeError: missing 1 required positional argument
• 打包补齐缺失的 scipy 依赖（说话者分离必需）

✅ 可靠性

• 下载完成即对账 Content-Length：中断残档立即删除、提示重下（此前会静默留下半截模型导致加载失败）
• GGUF 模型加 100MB 大小下限，残档不再被当成完整模型
• 长音频切片时长依可用物理内存自适应（5–30 分钟），小内存机器不再 OOM

📦 安装

1. 下载 STTMiniTool-v2.2.0-windows.zip 并解压
2. 右键 STTMiniTool.exe → 属性 → 如有「解除锁定」勾选后确定（单文件 exe 仅此一处）
3. 双击运行；首次使用在「模型」页选引擎与模型，点「下载并加载模型」

需要 Windows 10+ 与 WebView2 Runtime（Win10/11 一般自带）。
所有模型按需自动下载（HF/GitHub），音频数据全程本地处理。