Release v2.2.0 · kanbereina/KITS

2.2.0

默认分段策略改为逐 VAD 人声窗口转录，根治 Whisper 前导静音漂移。

用 Silero VAD 探出一个个「话语级人声窗口」，只转人声窗口、丢弃窗口间静音，每个窗口以其真实起点做偏移锚点。时间戳锚定真实人声边界——实测人声 23.5s 才开始时，首条字幕正确落在 23.4s，而非旧版错标的 00:00:00。

⚠️ 唱歌延音会丢字幕：Silero VAD 按「说话」训练，对唱歌的持续长元音系统性漏判（不判为语音）→ 那段不建窗口、字幕整段丢失。实测调低 --vad-threshold 也救不回。歌枠 / 含大量唱歌请用 --full-transcribe。

按非语音间隙把长音频切成大段、整段连续喂给 kotoba（段内含静音也一起转）。不靠 VAD 决定「转不转」，故唱歌延音也能识别出歌词、不丢字幕。代价：段首前导静音可能让首句时间戳偏早。

# 默认（纯说话场次 / 直播总结，对齐最准）
uv run kits subtitle -i live.mp3

# 歌枠 / 含唱歌（不丢唱歌字幕）
uv run kits subtitle -i live.mp3 --full-transcribe

无移除已发布 CLI 参数，旧行为经 --full-transcribe 完全可达、旧路径代码保留。按 SemVer 为 minor（2.1.0 → 2.2.0）。

全量测试 185 passed，ruff 干净，uv lock --check 通过。真实音频 A/B 对比、threshold 扫描、延音丢字幕诊断均本地实测确认。