v0.1.34 音频增强与回放体验优化

本版整理自 v0.1.33 以来的音频增强、播放下载与处理选项改进。

• 音频增强统一为一个默认开启的总开关，高级设置可分别调整人声增益（0–200%，默认 100%）与 GTCRN 降噪混合（0–100%，默认 50%），并一键恢复服务端默认力度。力度仅影响新任务，0 跳过对应操作。
• 保留 GTCRN 50% 默认混合，撤下停顿门控并使用跨块连续增益，减少背景音随词句突然起落。降噪与增益分别记录状态、独立回退；不保证消除所有背景声，更高力度可能影响自然度或识别率。
• 音频／视频任务支持下载已保存的原音 WAV（16 kHz 单声道 PCM16；视频下载音轨），试听音轨与原音／增强音下载分组，切换保留播放位置与状态，手机分行显示。缺失的历史音轨不自动补生成；原上传文件仍通过 source 接口下载。
• “单任务加速”“音频增强”改为上下排列的可访问开关，直接展示已存力度、自定义／跳过及组件可用状态；TTS 文本／文档共用加速样式与偏好。更新中英文核心/API/升级文档、Swagger 示例及桌面／手机截图。

API 推荐 audio_enhancement=auto|off；兼容独立布尔字段，不能混用（422）。策略 6 保存两项力度、控制及后端，历史策略 ≤5 重放／重试不升级；向历史幂等键加入力度返回 409，需新 key。能力范围与默认值以 /api/v1/capabilities 为准。原音附件入口为 GET /api/v1/jobs/{job_id}/playback?download=true，支持 Range；默认回放行为不变。

从 v0.1.33 升级：数据迁移：无，无需额外升级备份，不改写历史请求、结果、媒体或声纹。ASR 浏览器偏好 v4 → v7 保留总开关并补默认力度；开发版 v5/v6 迁移见升级说明。存储期限、退出登录保留与草稿清理不变，TTS 偏好仍为 v2。更早版本须覆盖中间迁移；跨 v0.1.30 的 v13 → v14 仅需停服后的 SQLite 一致快照，无需复制媒体。完整验收后清理本次临时升级备份。

Qwen ASR/TTS 模型、隔离环境和依赖锁不变。setup asr/all 增加固定 revision/checksum 的实验性 UL-UNAS-DNS3；其公开 CER 验证未通过，GTCRN 仍是默认。按升级指南等待队列空闲、保留配置并停服更新，准备所需模型、重建前端，再刷新并验收 API、ASR/TTS supervisor 和 executor。运行时模型加载及音频处理均本地离线；本次发布未向外部服务上传敏感录音。本 Release 仅提供源码，不捆绑模型、运行环境或用户数据。

English: This release combines automatic denoising and quiet-speech gain behind one switch, with independent advanced strengths and reset-to-server-default support. It retains the validated GTCRN 50% default, removes pause gating, and uses continuous gain across processing blocks. Original playback WAV downloads join enhanced downloads, with separate listening/download groups and mobile rows. ASR and TTS processing switches now share an accessible layout. Higher strengths can affect naturalness and ASR accuracy; background conversations may remain.

From v0.1.33 there is no database/media migration or extra upgrade backup. Published ASR preferences v4 migrate to v7, preserving the master value and adding default strengths; storage/draft lifetimes and TTS v2 remain unchanged. Historical replay/retry semantics remain fixed. Earlier upgrades must cover intervening migrations; v13 → v14 requires a stopped SQLite snapshot without copying media. Qwen checkpoints and dependency locks remain pinned. Setup also offers the pinned experimental UL-UNAS checkpoint, which failed the public CER gate and is not the default. Rebuild the UI and refresh all previously running service processes after the final source/tag state. Runtime inference stays offline. Source archives contain no model weights, runtimes or user recordings.

API · 增强与公开样本验证 / Enhancement and public validation · 升级与本机部署 / Upgrade and local deployment · 工作台 / Workspaces

验证 / Validation:

• Exact commit: f5b7fc6ad1181c952f6f63199b7a5473db85cb2d.
• Clean-source local checks: 606 backend passed / 17 skipped; 258 browser passed / 5 optional Office skips; typecheck, production build, dependency locks, 183 documentation links/anchors, and temporary-tag version contracts. Real local GPU ASR/TTS smoke tasks passed, including original/enhanced WAV downloads and Range. Existing paired public CPU/GPU enhancement evidence remains applicable because the pipeline is unchanged; defaults were byte-identical on all eleven public controls.
• main Linux · main Windows
• tag Linux · tag Windows

v0.1.33 本地 ASR 人声增强

新增本地 ASR 人声增强，覆盖嘈杂环境和较远、较轻的人声输入，并保留原音供回放对比。

• 新音频、视频及 OpenAI 兼容转写默认 audio_enhancement=auto，支持显式 off。GTCRN 降噪与平滑轻声增益在本地 CPU FP32 运行，独立于 ASR 的 CPU/GPU 选择；干净且音量充足的片段旁路。
• 保守混音保留 50% 原始信号及全部交谈者，合并原音／增强音 VAD 检测。增强音用于转写与对齐，原音继续用于说话人聚类、声纹及默认回放。原 Qwen 模型、精度和分块规则保持不变。
• 实际增强时提供独立、鉴权且支持 Range 的增强音轨和波形。切换原音／增强音保留播放位置与状态；波形加载失败可重试。模型缺失或处理失败时记录原因并回退原音，基础 ASR 仍可用。
• 补齐中英文核心文档、架构、工作台／视频说明、API 参数与四种状态示例、升级指南，以及 GTCRN 来源和 MIT 许可证声明。

从 v0.1.32 或已部署的增强开发源码升级：数据迁移：无，无需额外升级备份。数据库、历史请求／结果、媒体及声纹不自动改写。旧请求缺失增强字段时保持关闭，幂等重放和失败／取消重试保留原模式；更改模式需新提交。声纹导入和克隆参考分析不启用增强。

按维护流程停服，执行 ./service.sh setup asr（Windows：service.cmd setup asr）准备 manifest 固定 revision／SHA-256 的增强模型，重建前端，再刷新原运行的 API、ASR/TTS supervisor 和 executor。没有新增 Python 依赖或推理环境，依赖锁保持不变。应用增强的任务额外保存约每小时 115 MB 的 WAV，旁路不增加该文件，随任务清理。ASR 参数沿用既有 localStorage 生命周期，草稿和 sessionStorage 清理规则不变。

增强 checkpoint 的 setup 下载需要访问 raw.githubusercontent.com，代理需覆盖该域名。GTCRN 使用完整文件下载及 SHA-256 校验，中断后再次 setup 会重新下载；原有大模型续传行为保持不变。运行期不连接下载源、不上传录音。

跨 v0.1.30 升级仍须完成 v13 → v14 数据库迁移，停服后创建 SQLite 一致快照，无需复制媒体；更早版本覆盖中间升级要求。完整本机验收后及时清理本次临时升级备份，日常及资料库替换备份独立保留。

English: Local GTCRN denoising and adaptive quiet-speech gain are enabled automatically for new audio/video/compatible ASR requests and can be disabled. CPU enhancement preserves all conversation speakers, original playback and historical request semantics; applied jobs offer separate authenticated enhanced audio. This source-only release adds no Python dependency or data migration from v0.1.32. Install the pinned enhancer with setup asr, rebuild the UI and refresh all original service processes. Earlier upgrades must cover intervening database migrations. Recognition quality remains recording-dependent; transcript changes or loudness measurements alone do not establish accuracy.

人声增强与验证说明 · API · 升级指南 · 第三方声明

验证：干净源码包文档／API／版本检查 32 项，本机后端 472 项通过、17 项跳过；浏览器 220 项通过、5 项跳过，包含桌面和 390 px。类型检查、生产构建、依赖锁校验及双平台依赖审计通过。临时标签下健康、系统和 OpenAPI 版本均为 0.1.33；公开样例的真实 CPU/GPU 转写、自动／关闭／旁路、字级对齐、双说话人、独立增强回放及 TTS 验收通过。既有真实模型配对与取消验证的推理实现保持不变。

发布提交：a6c45dfdcc0d081181acdc641b401f2e99d781ad。

• main · Linux：通过
• main · Windows：通过
• v0.1.33 · Linux：通过
• v0.1.33 · Windows：通过

v0.1.32 声纹库布局与工作台交互优化

声纹库为人员管理留出更多空间，并交付 v0.1.31 之后的工作台与移动端交互改进。

• 桌面声纹库采用等宽、独立滚动的人员和样本两栏。分组操作集中在“分组管理”菜单，搜索与新建人员单独成行，选中人员后才显示底部批量操作。样本表单按区域宽度排列，调整窗口保留输入和播放器。
• 窄屏保留独立人员详情，返回恢复分组、搜索和列表位置。未提交样本在页面内存中保留，切换人员或离开时提示丢弃；刷新不恢复文件。新建人员默认当前筛选分组，可在新建／编辑时指定归属。
• 音视频任务恢复阅读视图、位置、加载数量及逐句筛选，编辑后恢复附近位置；修复筛选分页和延迟焦点问题。ASR 新用户桌面布局默认 35/65，已有比例继续生效。
• 窄屏统一转写导出弹窗，保留脱敏开关与规则；时间输入支持秒数和 hh:mm:ss.sss。视频声纹入库预选当前段落可用语句，两步操作保留选择。
• 完善受控延迟响应、重命名后克隆导航、移动端导出就绪及跨平台回归；Linux/Windows 后端与浏览器 CI 独立运行并共同满足发布门槛。

从正式版 v0.1.31 升级：数据迁移：无，无需新增升级备份。数据库、历史任务、媒体和声纹样本不自动改写；模型、依赖锁和公共 API 契约不变。重建前端，并按部署流程刷新原运行的 API、ASR/TTS supervisor 和 executor。

从 v0.1.30 跨版本升级仍需先完成 v13 → v14 数据库迁移：停服后创建 SQLite 一致快照，无需复制媒体文件。更早版本须覆盖中间升级要求；完整部署验收后及时清理本次临时升级备份，日常及资料库替换备份独立保留。

新增当前页签 audio-intel:workspace-session:v1 sessionStorage 保存导航记录：刷新和切页保留，关闭页签、退出登录或鉴权失效清除；资料库替换只清除人员导航。原有 localStorage 布局、导出和 ASR 参数保存周期不变。

升级指南、工作台指南、资料库指南。

验证：干净源码包版本／文档检查 23 项、本地界面回归 45 项（无失败或跳过）、双语校验、TypeScript、生产构建和临时标签版本验证均通过。主分支和标签的完整后端、浏览器、依赖锁及审计检查在 Linux 与原生 Windows 均通过。本版未改变推理行为，无新增真实模型推理验证要求。

发布提交：abe1dcdb67d64e757feb07c09cb8122ba8f1f682。

• main · Linux：通过
• main · Windows：通过
• v0.1.32 · Linux：通过
• v0.1.32 · Windows：通过

v0.1.31 声纹分组与脱敏导出

声纹库新增分组管理、ASR 分组识别范围与默认开启的脱敏导出。

• 每位人员归属一个分组；既有和新增人员默认进入“未分组”。支持分组新增、重命名、删除，以及批量移动和永久删除人员。删除分组只将人员移回未分组，活动导入及音频读取继续受到保护。
• ASR 音频、视频及兼容提交可选择多个声纹分组。默认使用全部分组，浏览器长期记忆手动选择。首次接受请求时固定可参与识别的人员 ID，移动分组不会扩大已排队或重试任务的范围。
• PDF/JSON/TXT/SRT/VTT 均支持“脱敏导出”：姓名使用拼音或英文单词首字母，备注遮盖居中 50% 字符，支持最多 100 组字面关键词替换。规则区分大小写、最长匹配优先、不连锁；浏览器保存开关和规则。关闭开关停止全部转换。原始任务、音频和视频画面保持原样。
• 资料库 ZIP v2 保存分组和人员归属，继续接受 v1。合并保留目标库已有人员的分组，替换恢复包内分组。核心文档、双语 Swagger/OpenAPI、API 指南与视频客户端示例同步更新。

从 v0.1.30 升级：数据迁移：仅数据库，SQLite schema v13 → v14。停服后创建 SQLite 一致快照即可，无需复制音视频、任务目录或模型。模型和依赖锁保持不变，重建前端并刷新原运行的全部 API、supervisor 和 executor。

升级备份仅覆盖必要数据；完整验收通过后必须及时清理本次临时升级备份及失败副本，避免大量磁盘占用。验收失败或未完成时保留回滚材料；日常备份和资料库替换备份单独管理。服务入口不会自行创建或删除备份，可使用随源码提供的 scripts/upgrade_backup.py。跨越更早版本时须覆盖中间升级要求。

升级指南、API 指南、资料库指南。

验证：完整后端测试、完整浏览器测试、生产构建和干净源码包验证；原始数据库的 15 张既有数据表迁移后内容保持不变。真实 0.6B GPU 声纹入库、分组内匹配（0.9796）、分组外排除、声纹库克隆、ZIP v2 合并及五种脱敏下载均通过。原始 artifact 与 GET/HEAD PDF 接口保留原文兼容行为。

发布提交：8e69e7d58e29a01a585261424b66155366203caa。

• main · Linux quality gates：通过
• main · Native Windows smoke：通过
• v0.1.31 · Linux quality gates：通过
• v0.1.31 · Native Windows smoke：通过

v0.1.30 · 资料库迁移与 PC 工作台优化

声纹库和热词库现在可以通过完整 ZIP 资料包在服务器之间恢复，PC 工作台也更紧凑、可调整。

主要变化

• 资料库迁移：导出人员、样本音频及元数据、热词；导入时离线校验并预览，支持合并或替换。替换先创建可下载备份，导入记录可在刷新和重启后继续查看。
• 人员排序与索引：中文按完整拼音、其他姓名按字母排序，提供 A–Z／# 快速索引；ASR、视频入库及 TTS 克隆／文档中的人员选择共享排序。
• PC 交互与布局：ASR/TTS 新建页面默认均分，支持拖动、键盘和恢复布局；参数默认展开，ASR 已选文件使用紧凑卡片。资料库移除重复标题，视频截图与文字并排并支持放大，播放和导出工具栏更紧凑。
• 更新双语指南与界面预览，保留文件、输入草稿、视频框选和声纹参考选择。

升级

从 v0.1.29 升级为仅数据库迁移：schema v12 → v13 新增资料导入记录表。首次启动新版本前停止服务并对实际数据目录中的 audio_intel.sqlite3 创建一致 SQLite 快照。已完成开发版 v13 迁移的实例没有新增迁移，无需重复升级备份；跨更早版本升级需同时阅读中间版本要求。

同步 API 哈希依赖锁（新增离线 pypinyin 0.55.0）、重建前端，并刷新原运行的 API、ASR/TTS supervisor 和 executor。ASR/TTS/aligner 依赖与模型不变，历史任务、参考快照及音频文件不由升级重写。用户主动替换资料库时，另外生成 data/library_backups/ 备份。

新增 audio-intel:workbench-layout:v1 localStorage 长期分别保存 ASR/TTS 分栏比例，退出登录或替换资料库后仍保留；输入草稿的原有周期不变。

指南：升级与备份、A → B 资料库恢复、工作台布局。

验证

提交：c8cd61ac7151e7aaac430c709e85023db5105477。

范围	Workflow	结果
main	Linux quality gates	✅
main	Native Windows smoke	✅
tag	Native Windows smoke	✅
tag	Linux quality gates	✅

• 本地后端：424 项通过、16 项平台／推理依赖条件跳过；完整浏览器回归：173 项通过、5 项可选私有 Office 素材跳过。
• 最终干净源码构建及 31 项文档／版本检查通过；全平台 full/cpu 依赖锁校验和 API／前端依赖审计通过。
• 标签环境下版本契约、生产构建及 health／system／OpenAPI 均报告 0.1.30，临时标签清理已验证。
• GPU 可用／不可用的五种桌面尺寸、中英文、390 px 移动端和受控播放器加载均有回归覆盖，保留原断言及超时。
• 资料库开发验证包含恢复后真实 GPU TTS 克隆和 ASR 声纹匹配，保留提交时参考快照。

English

Library ZIP export/import restores people, reference samples and custom hotwords across servers, with offline validation, merge previews and verified backups before replacement. Pinyin/Latin ordering and alphabet navigation are shared by ASR and TTS person pickers. Desktop creation panes are resizable, settings open by default, and library/video reading surfaces use less space.

Upgrading from v0.1.29 requires a database-only v12 → v13 migration and a consistent SQLite snapshot before first startup. Sync the API locks, rebuild the UI and refresh all original service processes. Models, inference environments and historical snapshots/files are unchanged. Existing v13 development installations need no additional migration backup; earlier upgrades must cover intervening requirements. The new durable layout preference preserves independent ASR/TTS ratios across sign-out and library replacement.

v0.1.29 · 视频声纹入库与 CI 回归修复

视频转写现在可以试听并选择指定说话人的原始语句，加入已有或新建人员的声纹档案；图文阅读滚动到底部会自动加载更多画面，并保留手动入口。

• 视频声纹样本使用任务已保存的转写时间线音频，修正视频起始偏移和延迟音轨对应问题；缺失历史音频返回 404，不改写历史任务或样本。
• 修复图文时间按钮定位。阅读画面按 20 个一批自动加载，逐句明细继续支持滚动加载。
• 修复浏览器夹具刷新时的 capabilities/system 断连、摘要轮询引起的阅读位置重置、取消测试计时和截图编辑后的就绪判断。新增桌面/390 px 加载、错误恢复及延迟画面回归，保留原有超时和零整套测试重试。

From v0.1.26, this release adds video speaker preview/selection and voiceprint enrollment, progressive scene loading, and timeline-aligned sample extraction. Browser fixtures and readiness regressions cover desktop/mobile recovery without weakening deadlines or adding whole-test retries.

从正式发布的 v0.1.26 或已部署的 v0.1.27/v0.1.28 源码升级：数据迁移：无；无需额外升级备份。历史数据库、媒体和声纹样本不改写，模型、依赖、推理参数和浏览器存储生命周期不变。重建前端，并刷新原运行的 API、ASR/TTS supervisor 和 executor。更早版本须覆盖中间版本迁移要求。

Upgrading from released v0.1.26 or deployed v0.1.27/v0.1.28 source requires no data migration or additional upgrade backup. Rebuild the frontend and refresh all previously running service components. Earlier upgrades must cover intervening migrations.

升级说明 / Upgrade guide · CI 修复经验

v0.1.27 和 v0.1.28 是 Windows 检查失败后保留的未发布审计标签，不移动或复用。This release delivers their features and fixes; both failed tags remain immutable and unpublished.

提交 / Commit: a851e5abd775ba71c94e797c3296ad36cb817764

验证 / Validation:

• main · Native Windows smoke: passed.
• main · Linux quality gates: passed.
• tag · Linux quality gates: passed.
• tag · Native Windows smoke: passed.

Both tag workflows passed 149 browser tests, with 5 optional external Office sample skips. Linux backend: 407 passed / 16 skipped; native Windows backend: 395 passed / 28 skipped. CI exercises mock inference and native service lifecycle. Local patch checks: 40 repeated desktop/mobile cases, clean-source build and 31 documentation/API/version checks, plus temporary-tag version contracts.

v0.1.26 — 转写恢复与文档一致性

本次更新修复转写编辑冲突与导出恢复流程，并同步 UI、API 和项目文档。

• 场景编辑固定打开时的修订号；后台更新或 409 保留输入，明确提示重新加载，避免覆盖他人修改。
• 视频 CLI 持久化已提交任务 ID，轮询或 PDF 下载中断后继续原任务；PDF 完整下载后原子替换，保留原有文件。
• 视频续传增加独立的本地校验进度；PDF 单次请求下载，支持取消，并明确处理 429、413、登录失效和断网。
• 分段修改操作集中到编辑模式，覆盖中英文、桌面和 390 px 移动端。
• 修正 PDF/JPEG/HEAD OpenAPI 类型、响应头和示例；同步双语 README、API、安装、升级与视频说明及截图。
• 整理跨平台媒体编码、异步控件就绪、移动端布局和 CI 失败证据留存经验。

验证：本地后端 405 passed / 16 skipped，浏览器 130 passed / 5 skipped；最终干净源码归档 49 项检查及生产构建通过。正式发布另通过同一提交的 main 和 tag Linux/原生 Windows CI。

从 v0.1.25 升级：数据迁移：无，无需额外升级备份；数据库 schema v12、历史任务及文件保持不变。重建前端并刷新 API、ASR/TTS supervisor 和 executor；模型和依赖无需重新安装。跨更早版本升级请覆盖中间版本的迁移要求，参阅 升级指南。

提交：a7260d5da87462064f18dcb48f8944b73a124203

main CI：Linux · Windows

tag CI：Linux · Windows

v0.1.25 — 视频转写、断点续传与图文 PDF

音视频转写与简洁 PDF

• 新增简洁 PDF：连续由同一人说出的片段合并为段落，统一说话人和起止时间；音频仍保留 JSON、TXT、SRT、VTT 明细导出。
• 独立「新建视频转写」入口，明确支持格式；视频默认单文件上限 25 GiB，音频保留 4 GiB。分片校验、暂停续传和失败重试避免重新上传整个视频。
• 视频自动识别稳定画面、合并相似 PPT 页面，并将讨论内容与画面时间段对应。支持选取 PPT 区域，以及手动合并、拆分、调整边界和代表帧。
• 视频提供图文简洁 PDF，按画面分节；内置本地中文字体，无需在线字体服务。

视频使用与 API 指南 · 桌面示例 · 390 px 示例

升级

从 v0.1.23 升级，数据迁移：仅数据库（schema v11 → v12），新增续传上传及校验记录，不批量改写历史任务或文件。停止服务后先创建 SQLite 一致快照；更早版本需合并阅读中间版本要求。按升级指南同步 API/ASR 依赖、构建前端并刷新全部服务进程。模型、精度和推理参数不变。

视频上限由 AUDIO_INTEL_MAX_VIDEO_UPLOAD_BYTES 独立配置。浏览器续传元数据刷新保留，关闭页签或退出登录清除；服务器未完成上传按 24 小时闲置 / 7 天总寿命清理。

验证与边界

本地后端 394 项通过、16 项跳过；浏览器 119 项通过、5 项跳过。版本及文档契约在工作区和干净源码归档各 29 项通过，归档生产构建通过。真实 GPU 验证包含视频 ASR、对齐、两页画面识别、PDF，以及取消后完整任务进程树退出和后续任务继续执行。

25 GiB 上限已验证准入和边界，未做完整 25 GiB 文件的物理写入压测。画面识别属于启发式检测，可用手动编辑校正；Windows CI 使用 mock 管线，不代表 Windows GPU 实测。

发布前还验证了视频预览解码降级与换文件恢复：WebM 开放编码用于浏览器预览测试，MP4 保留后端覆盖；桌面与 390 px 流程、区域选择、图文编辑、PDF、控制台与溢出断言均保留。

本次发布修复

CPU-only 浏览器检查现在等待鉴权后的能力响应完成，并展开设置后验证 CPU 默认值及 GPU 禁用状态；新增桌面/390 px 正常及受控延迟加载覆盖。修复系统页显示繁忙工作进程的长任务 ID 时出现的移动端横向溢出，固定繁忙进程数据可稳定复现并验证修复。CI 失败时保留截图、trace 和错误上下文，已通过本地诊断探针验证实际生成。

v0.1.24 标签因 Windows CPU-only 页面就绪断言超时未创建 Release；保留原标签，不移动或复用。本次使用修正后的新提交发布 v0.1.25。已经运行 v0.1.24 源码且完成 schema v12 迁移的实例，此次无新增迁移，不需重复升级备份。

发布提交：699bfa0370e4ec6acd67e8d27fc41cd157dbbbae。

跨平台 CI：

• main：Linux · Windows
• v0.1.25：Linux · Windows

标签版本验收：24 项契约检查、生产构建通过；health、system 和 OpenAPI 均报告准确版本 0.1.25。

v0.1.23 — 转写人员备注、合并与声纹库选择

转写人员编辑

• 重命名说话人支持可选备注，也可从声纹库选择已有人员，自动填入姓名、备注后继续编辑。姓名完整保留，备注最多 20 个规范化字符；无备注人员会清空原备注。
• 自动声纹匹配允许多个识别簇匹配同一人员。自动结果与手动保存合并任务内规范化姓名、备注相同的说话人，同名不同备注保持独立。
• 合并保留结果列表中第一个说话人 ID，更新段落和字词引用，保留段落 ID、顺序、文字、时间戳与播放音频。保存同步更新 JSON/TXT/SRT/VTT 导出；失败可重试并回滚。
• 人员选择具有加载、错误、重试及空状态；手动输入始终可用。保留姓名初始焦点及弹窗关闭后的焦点返回，覆盖桌面和 390 px 移动端。
• 更新中英文 README、架构、API、升级与排障说明，双语 /docs、OpenAPI 和可执行示例保持一致。API 契约

升级与兼容性

• 从 v0.1.21 升级：无自动数据迁移，无需额外升级备份。 更早版本须合并阅读升级说明中间版本的要求。
• 历史任务只在显式保存时合并，修改该任务的结果与 jobs/<job_id>/output/transcript.{json,txt,srt,vtt} 已选格式的导出。库内人员、既有样本和其他任务保留快照。
• API 客户端须使用保存响应中的说话人 ID；合并移除的 ID 返回 404。备注省略保留，null 或空白清除。结果新增可选 speakers[].name 和 note，旧结果继续兼容。
• PDF 解析依赖固定为 pypdf 6.19.0，前端间接依赖 source-map-js 更新至 1.2.2，修复依赖审计报告的公告。模型、推理运行时、默认精度及 SQLite schema v11 不变。
• 运行 ./service.sh setup api 或 Windows service.cmd setup api 更新 API 依赖和前端，之后刷新 API、ASR/TTS supervisor 与 executor。
• v0.1.22 的标签与内置版本不一致，Linux、Windows 标签检查失败，未创建 Release；原标签保留作为审计记录。v0.1.23 使用新的功能提交与一致的前后端版本。

验证

• 本机后端：383 passed、16 环境相关 skipped；干净候选的文档/API/说话人/版本契约：45 passed。
• 本机完整浏览器：113 passed、5 环境相关 skipped；包含人员选择、合并、长姓名、清空备注、失败重试、库刷新、键盘焦点及桌面/390 px 检查。
• 类型、i18n、生产构建、跨平台依赖锁、API 与前端依赖审计通过。API 指南两个说话人示例已在隔离 mock 服务执行。
• 已完成真实 GPU ASR 验证：同一人员的两个匹配簇合并为一人；同名不同备注的两个人员保持独立。该验证覆盖已改动的匹配与合并行为，不代表所有录音的识别准确率保证。

English

Completed ASR results support optional speaker notes and editable voiceprint-library selection. Automatic matches and manual saves merge task-local speakers with the same normalized name and note, preserving distinct notes, segment IDs, order, text, timing and playback audio. Names are retained in full; notes allow up to 20 normalized characters. Exports update with the result, and save failures retain the draft for retry.

Upgrading from v0.1.21 requires no automatic data migration or additional upgrade backup. Historical tasks change only through explicit speaker edits. Library selections copy snapshots and do not bind tasks to later library changes. API clients must use surviving IDs returned by the save; omitted notes are preserved, while null or blank clears them. Legacy results remain readable without the new optional name/note fields.

Dependency audits pass with pypdf 6.19.0 and transitive source-map-js 1.2.2. Run setup api to synchronize dependencies and rebuild the UI, then refresh all service processes. Model/runtime pins, precision and schema v11 remain unchanged. The failed v0.1.22 tag remains without a Release; this release includes the new feature commit and consistent version metadata.

CI 与提交 / CI and commit

Commit: c74d1cb8e0341d6bdd6cda38c0c37cc4933c7863

• Main: Linux quality gates · Native Windows smoke
• Tag: Linux quality gates · Native Windows smoke

v0.1.21 — ASR 片段播放定位修复

修复

• 修复 VBR MP3 转写后点击片段时混入上一句的问题。新 ASR 任务保存识别用的 16 kHz 单声道 PCM16 WAV，片段、字词和波形定位使用同一识别时间轴。
• 新增可选结果字段 playback_url 和受保护、支持 HTTP Range 的 GET /api/v1/jobs/{job_id}/playback。原始文件仍通过 /source 下载。
• 播放音频提供加载状态和重试入口。
• 修复 Windows 上传进度测试的时序竞争：显式推进进度、上传结束和任务创建事件，使用受控时钟保留真实客户端节流语义，以及取消、幂等键重试和移动端断言。生产上传行为不变。

升级与兼容性

• 从 v0.1.19 或已部署的 v0.1.20 源码升级：数据迁移无，无需额外升级备份。 更早版本须合并阅读 升级说明 中间版本的要求。
• v0.1.20 的 Windows 标签浏览器检查失败，未创建 GitHub Release；原标签及 CI 记录保留。v0.1.21 正式交付这些播放改进。
• 历史任务、时间戳和音频不改写，也不补生成历史播放文件。受影响的旧录音需要重新提交。
• 新文件位于实际数据目录下的 jobs/<job_id>/output/playback.wav，每小时音频约增加 115 MB，随任务删除。
• 模型、推理参数、依赖版本和 SQLite schema v11 不变。重建前端并按升级文档刷新 API、ASR/TTS supervisor 和 executor。

验证

• 本机后端：367 passed，16 环境相关 skipped；干净检出契约/文档/进程测试：40 passed。
• 本机完整浏览器检查：105 passed，5 skipped，覆盖桌面及 390 px。
• 修复后的上传交互测试以两个 worker 连续执行 10 次，全部通过；生产构建、类型和依赖锁检查通过。
• 既有播放修复验证：同源五分钟视频/MP3 经 Qwen3-ASR 1.7B GPU 转写，已报告两处片段的 MP3 额外定位偏差由约 0.93 / 1.23 秒降至约 0 / 0.006 秒。该结果来自本机 Chromium 验证，不代表所有设备的精度保证。
• 最终提交的 main 与 tag 均须通过 Linux 和原生 Windows 全量工作流，链接见下方。

English

Fixes inaccurate VBR MP3 segment seeks by retaining the exact normalized PCM WAV used for ASR. Segment, word and waveform playback use this file through the authenticated, Range-capable playback endpoint and optional playback_url result field. Loading and retry states are available in the player.

Also makes the upload regression test deterministic: the test controls each upload event and advances a paused clock before progress updates, preserving cancellation, idempotent retry and mobile assertions without changing production uploads. The failed v0.1.20 tag remains as audit history; it has no GitHub Release.

Upgrading from v0.1.19 or deployed v0.1.20 source requires no data migration or additional upgrade backup. Historical jobs are not rewritten or backfilled; resubmit affected recordings. New playback files add approximately 115 MB per audio hour and are removed with the job. Rebuild the frontend and refresh all service processes. Models, dependency pins, inference settings and schema v11 are unchanged.

CI 与提交 / CI and commit

Commit: 0d9a007a1599ff266d18c74bb623307509c23c8c

• Main: Native Windows smoke · Linux quality gates
• Tag v0.1.21: Linux quality gates · Native Windows smoke

The failed v0.1.20 Windows tag run remains available as audit history.