diff --git a/.memory/worklog.json b/.memory/worklog.json
index cf164ed..e5546ae 100644
--- a/.memory/worklog.json
+++ b/.memory/worklog.json
@@ -1,19 +1,5 @@
{
"entries": [
- {
- "files_changed": 1,
- "hash": "989728d",
- "message": "auto-save 2026-05-13 03:01 (~1)",
- "ts": "2026-05-13T03:01:19+08:00",
- "type": "commit"
- },
- {
- "files_changed": 1,
- "hash": "4ae9105",
- "message": "auto-save 2026-05-13 03:07 (~1)",
- "ts": "2026-05-13T03:07:14+08:00",
- "type": "commit"
- },
{
"files_changed": 1,
"hash": "06186cb",
@@ -3304,6 +3290,19 @@
"type": "session-heartbeat",
"message": "Codex 会话活跃 · 最近命令:codex · 5 项未提交变更 · 最近提交:auto-save 2026-05-14 11:10 (~1)",
"files_changed": 5
+ },
+ {
+ "ts": "2026-05-14T11:16:12+08:00",
+ "type": "commit",
+ "message": "auto-save 2026-05-14 11:15 (~5)",
+ "hash": "4127adc",
+ "files_changed": 5
+ },
+ {
+ "ts": "2026-05-14T03:18:38Z",
+ "type": "session-heartbeat",
+ "message": "Codex 会话活跃 · 最近命令:codex · 4 项未提交变更 · 最近提交:auto-save 2026-05-14 11:15 (~5)",
+ "files_changed": 4
}
]
}
diff --git a/RULES.md b/RULES.md
index 04244cf..4369c39 100644
--- a/RULES.md
+++ b/RULES.md
@@ -33,7 +33,8 @@
## 环境变量
- `LLM_BASE_URL` / `LLM_API_KEY`:OpenAI 兼容网关,用于 ASR、翻译、文案改写、图像等模型调用
-- `ASR_MODEL`:音频转写模型,默认 `whisper-1`
+- `ASR_MODEL`:OpenAI Audio Transcriptions 音频转写模型,默认 `whisper-1`
+- `ASR_FALLBACK_MODEL`:当当前网关没有 `/audio/transcriptions` 时,用 Gemini 多模态 chat 直接识别 wav,默认 `gemini-2.5-flash`
- `TRANSLATE_MODEL`:字幕翻译模型,默认 `gemini-2.5-flash`
- `REWRITE_MODEL`:通用改写/分镜描述模型,默认 `gemini-2.5-pro`
- `AUDIO_REWRITE_MODEL`:音频口播改写模型,默认跟随 `REWRITE_MODEL`
diff --git a/api/.env.example b/api/.env.example
index 648db3a..5b6a159 100644
--- a/api/.env.example
+++ b/api/.env.example
@@ -4,6 +4,7 @@ LLM_API_KEY=
# 模型分工
ASR_MODEL=whisper-1
+ASR_FALLBACK_MODEL=gemini-2.5-flash
TRANSLATE_MODEL=gemini-2.5-flash
REWRITE_MODEL=gemini-2.5-pro
IMAGE_MODEL=gemini-3-pro-image-preview
diff --git a/api/README.md b/api/README.md
index 763b0da..b5ac919 100644
--- a/api/README.md
+++ b/api/README.md
@@ -34,5 +34,5 @@ uvicorn main:app --host 127.0.0.1 --port 4291
- `ffmpeg` 系统二进制(拆轨 / 抽帧)
- `yt-dlp` 系统二进制(也可走 Python 包)
-- OpenAI 兼容 LLM 网关(ASR / 翻译 / 文案改写)
+- OpenAI 兼容 LLM 网关(ASR / 翻译 / 文案改写);如果 `/audio/transcriptions` 不可用,会用 `ASR_FALLBACK_MODEL` 走 Gemini 多模态音频识别
- MiniMax T2A HTTP(改写文案配音,使用 `MINIMAX_API_KEY`)
diff --git a/api/main.py b/api/main.py
index d07c48b..c9b859b 100644
--- a/api/main.py
+++ b/api/main.py
@@ -33,6 +33,7 @@ PRODUCT_LIBRARY_MANIFEST = PRODUCT_LIBRARY_DIR / "manifest.json"
LLM_BASE_URL = os.getenv("LLM_BASE_URL", "").strip()
LLM_API_KEY = os.getenv("LLM_API_KEY", "").strip()
ASR_MODEL = os.getenv("ASR_MODEL", "whisper-1")
+ASR_FALLBACK_MODEL = os.getenv("ASR_FALLBACK_MODEL", "gemini-2.5-flash").strip() or "gemini-2.5-flash"
TRANSLATE_MODEL = os.getenv("TRANSLATE_MODEL", "gemini-2.5-flash")
REWRITE_MODEL = os.getenv("REWRITE_MODEL", "gemini-2.5-pro")
VISION_MODEL = os.getenv("VISION_MODEL", "gemini-2.5-flash")
@@ -687,8 +688,8 @@ def _resolve_frame_quality(duration: float, quality: FrameExtractQuality) -> Fra
cores = os.cpu_count() or 4
memory_gb = _physical_memory_gb()
strong_machine = cores >= 10 and (memory_gb == 0.0 or memory_gb >= 32)
- if strong_machine and duration <= 180:
- return "ultra"
+ # 展示/演示时不能把本机资源打满:auto 最高只到 accurate。
+ # ultra 保留为手动选择项,不再由 auto 自动命中。
if strong_machine and duration <= 600:
return "accurate"
if cores >= 8 and duration <= 240:
@@ -1157,6 +1158,16 @@ def ffprobe_meta(mp4: Path) -> dict:
return json.loads(out)
+def media_duration(path: Path) -> float:
+ try:
+ out = run([
+ "ffprobe", "-v", "error", "-print_format", "json", "-show_format", str(path),
+ ])
+ return float(json.loads(out).get("format", {}).get("duration") or 0)
+ except Exception:
+ return 0.0
+
+
def pipeline_download(job_id: str) -> None:
"""阶段 1:仅下载(或上传跳过),落 source.mp4,停在 downloaded 等用户点解析/提取音频。"""
job = JOBS[job_id]
@@ -1362,21 +1373,83 @@ def analyze_queue_worker() -> None:
# ---------- 音频转写 + 翻译 + SKG 改写 + MiniMax 配音 ----------
+def _parse_asr_segments(content: str, duration: float) -> list[dict]:
+ raw = (content or "").strip()
+ if raw.startswith("```"):
+ import re as _re
+ match = _re.search(r"(\[[\s\S]*\]|\{[\s\S]*\})", raw)
+ raw = match.group(0) if match else raw
+ try:
+ data = json.loads(raw)
+ except json.JSONDecodeError:
+ text = raw.strip()
+ return [{"start": 0.0, "end": duration, "text": text}] if text else []
+ if isinstance(data, dict):
+ for key in ("segments", "data", "items", "result"):
+ if isinstance(data.get(key), list):
+ data = data[key]
+ break
+ else:
+ text = str(data.get("text") or data.get("transcript") or "").strip()
+ return [{"start": 0.0, "end": duration, "text": text}] if text else []
+ if not isinstance(data, list):
+ return []
+ segments: list[dict] = []
+ for i, item in enumerate(data):
+ if isinstance(item, str):
+ text = item.strip()
+ start = 0.0 if len(data) == 1 else duration * i / max(1, len(data))
+ end = duration if len(data) == 1 else duration * (i + 1) / max(1, len(data))
+ elif isinstance(item, dict):
+ text = str(item.get("text") or item.get("en") or item.get("transcript") or "").strip()
+ start = float(item.get("start") or item.get("start_time") or 0)
+ end = float(item.get("end") or item.get("end_time") or duration)
+ else:
+ continue
+ if text:
+ segments.append({"start": max(0.0, start), "end": max(start, end), "text": text})
+ return segments
+
+
+def _transcribe_gemini_sync(wav: Path) -> list[dict]:
+ duration = media_duration(wav)
+ audio_b64 = base64.b64encode(wav.read_bytes()).decode("ascii")
+ prompt = (
+ "Transcribe the attached audio. Return strict JSON only, no markdown. "
+ "Schema: [{\"start\": 0.0, \"end\": 1.2, \"text\": \"English transcript\"}]. "
+ "Use English for the transcript. If exact timestamps are uncertain, return one segment "
+ f"from 0 to {duration:.2f} seconds."
+ )
+ resp = llm().chat.completions.create(
+ model=ASR_FALLBACK_MODEL,
+ messages=[{"role": "user", "content": [
+ {"type": "text", "text": prompt},
+ {"type": "input_audio", "input_audio": {"data": audio_b64, "format": "wav"}},
+ ]}],
+ temperature=0,
+ )
+ content = (resp.choices[0].message.content or "").strip()
+ return _parse_asr_segments(content, duration)
+
+
def _transcribe_sync(wav: Path) -> list[dict]:
"""whisper-1 verbose_json → segments[{start, end, text}]"""
- with wav.open("rb") as f:
- resp = llm().audio.transcriptions.create(
- file=(wav.name, f, "audio/wav"),
- model=ASR_MODEL,
- response_format="verbose_json",
- timestamp_granularities=["segment"],
- )
- raw = resp.model_dump() if hasattr(resp, "model_dump") else resp
- segments = raw.get("segments") or []
- # 兜底:网关如果不返回 segments,把全文当一段
- if not segments and raw.get("text"):
- segments = [{"start": 0.0, "end": float(raw.get("duration", 0) or 0), "text": raw["text"]}]
- return segments
+ try:
+ with wav.open("rb") as f:
+ resp = llm().audio.transcriptions.create(
+ file=(wav.name, f, "audio/wav"),
+ model=ASR_MODEL,
+ response_format="verbose_json",
+ timestamp_granularities=["segment"],
+ )
+ raw = resp.model_dump() if hasattr(resp, "model_dump") else resp
+ segments = raw.get("segments") or []
+ # 兜底:网关如果不返回 segments,把全文当一段
+ if not segments and raw.get("text"):
+ segments = [{"start": 0.0, "end": float(raw.get("duration", 0) or 0), "text": raw["text"]}]
+ return segments
+ except Exception:
+ return _transcribe_gemini_sync(wav)
def _translate_sync(segments: list[dict]) -> list[str]:
@@ -1865,6 +1938,7 @@ def health() -> dict:
"base_url": LLM_BASE_URL or "openai-default",
"models": {
"asr": ASR_MODEL,
+ "asr_fallback": ASR_FALLBACK_MODEL,
"translate": TRANSLATE_MODEL,
"rewrite": REWRITE_MODEL,
"audio_rewrite": AUDIO_REWRITE_MODEL,
diff --git a/docs/source-analysis.html b/docs/source-analysis.html
index a120e20..c8e4027 100644
--- a/docs/source-analysis.html
+++ b/docs/source-analysis.html
@@ -791,7 +791,7 @@ SubjectAsset {
| 创建任务 | POST /jobs | createJob | 提交 TK 链接,后台开始下载,停在 downloaded 等用户点解析。 |
| 上传视频 | POST /jobs/upload | uploadJob | 保存 source.mp4,然后同样进入下载完成状态。 |
| 删除输入视频 | DELETE /jobs/{id} | deleteJob | 从任务队列、URL 和磁盘 jobs/<id> 目录移除整个 job,包括源视频、关键帧、元素提取图和生成视频。 |
- | 解析视频 | POST /jobs/{id}/analyze?frames=&target=&mode=&quality= | analyzeJob | 拆轨 + 目标化抽关键帧。默认 frames=12;target 支持透明骨架人、综合、清晰主体、转场变化、表情瞬间、动作峰值;当前 UI 默认 transparent_human。透明骨架人目标现在只走本地清晰度、中心主体、对比度、画面变化和 pHash 去重,不在抽帧阶段逐帧调用 Vision;mode=append 追加新关键帧;quality=auto 根据本机算力和视频时长自动选择快速、精细或极准。抽帧开始时同步拆出 audio.wav 并启动音频处理线程。多个抽帧请求进入后端队列顺序处理。 |
+ | 解析视频 | POST /jobs/{id}/analyze?frames=&target=&mode=&quality= | analyzeJob | 拆轨 + 目标化抽关键帧。默认 frames=12;target 支持透明骨架人、综合、清晰主体、转场变化、表情瞬间、动作峰值;当前 UI 默认 transparent_human。透明骨架人目标现在只走本地清晰度、中心主体、对比度、画面变化和 pHash 去重,不在抽帧阶段逐帧调用 Vision;mode=append 追加新关键帧;quality=auto 为展示友好档,最高只自动选择精细,不会自动上极准;极准保留为手动选择。抽帧开始时同步拆出 audio.wav 并启动音频处理线程。多个抽帧请求进入后端队列顺序处理。 |
| 音频文案轨 | POST /jobs/{id}/transcribe | triggerTranscribe | 若尚未拆轨,先从 source.mp4 提取 audio.wav;随后 ASR 得到英文时间戳段落,再翻译中文,并按 AUDIO_PRODUCT_BRIEF 生成 audio_script.rewritten_text;配置 MINIMAX_API_KEY 后调用 MiniMax T2A 生成 audio_script.voice_url。前端不自动触发,用户在 Audio 节点点击“提取音频 / 重新提取音频”即可启动;抽帧中也允许并行触发,忙碌态由 audio_script.status 管理。 |
| 原始音频文件 | GET /jobs/{id}/audio.wav | sourceAudioUrl | 返回拆轨得到的 wav;底部 AudioStrip 拉取该文件,用 Web Audio API 解码并计算波形峰值,只读展示,不参与改写。 |
| 改写配音文件 | GET /jobs/{id}/audio-script.mp3 | apiAssetUrl(job.audio_script.voice_url) | 返回 MiniMax T2A 生成的 mp3。没有配置 MiniMax 或生成失败时该文件不存在,但改写文案仍会保存在 audio_script.rewritten_text。 |
@@ -875,7 +875,7 @@ SubjectAsset {
阻塞 / 占位
- - ASR:仍依赖当前 OpenAI-compatible 音频转写入口;如果该网关 audio endpoint 不通,文案提取仍会失败。
+ - ASR:优先走当前 OpenAI-compatible 音频转写入口;如果该网关没有
/audio/transcriptions,自动 fallback 到 ASR_FALLBACK_MODEL(默认 gemini-2.5-flash)的多模态音频识别。
- MiniMax:当前接入的是官方 T2A 配音能力,不是 ASR;API Key 只能放本地环境变量,不能写入仓库。
- Audio Product Brief:默认是通用 SKG 放松产品卖点,后续可改成跟已选产品库条目联动。
- Video Gen:模型层按业务保留 Seedance / Kling / Veo/Voe 选择;后端已支持 Poe、火山方舟和 SKG 豆包视频网关。Seedance 可通过
VIDEO_API_BASE_URL=https://ai.skg.com/doubao 走 content JSON 异步任务,提交后写入 Video Gen 节点并轮询到完成。
@@ -918,6 +918,18 @@ SubjectAsset {
变更记录
这个记录不是 git log 的替代品。它记录“产品理解发生了什么变化、影响了哪些源码、你以后描述需求时该怎么说”。后续每次改功能都要补一条。
+
+
+ 2026-05-14 · 本地抽帧改为展示友好算力档
+ 抽帧
+ Audio
+
+
+
问题:透明骨架人目标逐帧调用 Vision 验收会拖慢抽帧;切回本机算力后,如果自动档直接跑最高极准,也可能在展示时占满机器资源。
+
改动:transparent_human 目标保留,但抽帧阶段只走本地扫描、评分、去重和时间覆盖,不再逐帧调用 Vision。quality=auto 最高只自动选择精细;极准仍保留为手动选项。抽帧开始拆出 audio.wav 后会启动独立音频线程,视觉抽帧和音频处理并行,互不标失败。
+
影响:api/main.py、web/components/nodes/index.tsx、docs/source-analysis.html。
+
+
2026-05-14 · 修复 ReactFlow Hydration 和后端 reload 卡住
@@ -938,7 +950,7 @@ SubjectAsset {
问题:等待抽帧完成后自动启动音频,不符合“先把声音文案拿出来审核”的工作流;用户需要在音频卡片上直接触发。
-
改动:移除前端抽帧完成后的自动转写逻辑;AudioNode 保留并固定显示“提取音频 / 重新提取音频”按钮。后端 /transcribe 不再要求 frames_extracted,视频就绪后可直接从 source.mp4 拆出 audio.wav,并继续 ASR、翻译、SKG 改写和 MiniMax 配音;抽帧中触发时不抢主状态,而是用 audio_script.status 表示音频处理中。
+
改动:移除前端抽帧完成后的自动转写逻辑;AudioNode 保留并固定显示“提取音频 / 重新提取音频”按钮。后端 /transcribe 不再要求 frames_extracted,视频就绪后可直接从 source.mp4 拆出 audio.wav,并继续 ASR、翻译、SKG 改写和 MiniMax 配音;抽帧中触发时不抢主状态,而是用 audio_script.status 表示音频处理中。当当前网关的 whisper-1 audio endpoint 返回 404 时,会 fallback 到 Gemini 多模态音频识别。
影响:web/app/page.tsx、web/components/nodes/index.tsx、api/main.py、docs/source-analysis.html。
@@ -1234,7 +1246,7 @@ SubjectAsset {
问题:抽帧精度不应该每次都让用户判断;点击一个视频抽帧后,其他视频不应被全局禁用,而应该可以先后排队。另外打开视频抽帧侧边面板后,也应能自动抽帧。
-
改动:quality 新增 auto 默认值,后端按 CPU 核数、内存和视频时长解析为快速、精细或极准;本机 M2 Max + 64GB 的短视频会自动走极准。后端新增内存队列 ANALYZE_QUEUE,多个 analyze 请求按顺序执行;前端轮询所有运行中的 job,不只轮询当前 active job。VideoFramePanelNode 内也加入同一套自动抽帧工具条。
+
改动:quality 新增 auto 默认值,后端按 CPU 核数、内存和视频时长解析为快速或精细;为了展示稳定,auto 不再自动进入极准,极准仅在用户手动选择时启用。后端新增内存队列 ANALYZE_QUEUE,多个 analyze 请求按顺序执行;前端轮询所有运行中的 job,不只轮询当前 active job。VideoFramePanelNode 内也加入同一套自动抽帧工具条。
影响:api/main.py、web/lib/api.ts、web/app/page.tsx、web/components/nodes/index.tsx、docs/source-analysis.html。队列目前是进程内队列,重启后不会恢复未执行的排队任务。
diff --git a/web/components/nodes/index.tsx b/web/components/nodes/index.tsx
index bb08ab6..2478fdc 100644
--- a/web/components/nodes/index.tsx
+++ b/web/components/nodes/index.tsx
@@ -140,7 +140,7 @@ const FRAME_TARGET_OPTIONS: Array<{ value: FrameExtractTarget; label: string; hi
]
const FRAME_COUNT_OPTIONS = [12, 8, 5, 3]
const FRAME_QUALITY_OPTIONS: Array<{ value: FrameExtractQuality; label: string; hint: string }> = [
- { value: "auto", label: "自动", hint: "按电脑性能和视频时长自动选择" },
+ { value: "auto", label: "自动", hint: "展示友好:按电脑性能选择,最高只到精细" },
{ value: "fast", label: "快速", hint: "2fps / 360px,长视频省电" },
{ value: "accurate", label: "精细", hint: "8fps / 720px,M2 Max 轻松可用" },
{ value: "ultra", label: "极准", hint: "12fps / 960px,本机约 3 秒扫描 1 分钟视频" },