v2.0.0

新特性

长音频分段切点改用 Silero VAD (#56)

长音频分段转录的切点来源，从纯音量阈值（ffmpeg silencedetect）整体换成 Silero VAD 语音活动检测。VAD 能区分「人声 vs 音乐/噪音」，鹿乃长时间唱歌 / BGM 时也能找到真正的人声间隙，切点质量优于音量阈值，不易把语句拦腰截断。

• 新增 kits.vad：探出人声区间、反推非语音间隙作为分段切点
• 走 silero 默认 jit 后端，不装 onnxruntime extra，避开与 audio-separator[gpu] 的 onnxruntime-gpu 共目录冲突
• 音频解码复用 ffmpeg（16k 单声道裸流），不引入 torchaudio 读取路径
• VAD 设备跟随转录器：CUDA 复用提速，其余走 CPU
• 砍掉旧版「宽松阈值二次探测」那条退路——VAD 找间隙的能力本就覆盖了它

# VAD 灵敏度调节
uv run kits subtitle -i live.mp3 --vad-threshold 0.5 --min-silence 0.5

破坏性变更

VAD 替代 silencedetect 后，旧的音量阈值参数不再适用：

• 移除 --silence-db / --fallback-db
• 新增 --vad-threshold（语音概率阈值，0~1，默认 0.5；越大越严格）
• --min-silence 语义改为「短于此（秒）的停顿并入人声、不算切点间隙」

依赖被移除参数的脚本需迁移到 --vad-threshold。按 SemVer 不兼容变更升 MAJOR。

新增依赖 silero-vad + torchaudio，升级后请 uv sync。

完整改动见 v1.7.0...v2.0.0