Skip to content

v0.1.33 本地 ASR 人声增强

Choose a tag to compare

@wlf186 wlf186 released this 15 Oct 08:59

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。