auto-save 2026-05-14 12:20 (~4)

api/main.py

@@ -1436,16 +1436,24 @@ def _transcribe_gemini_sync(wav: Path) -> list[dict]:
         "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)
+    last_error: Exception | None = None
+    for attempt in range(3):
+        try:
+            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)
+        except Exception as e:
+            last_error = e
+            if attempt < 2:
+                time.sleep(1.0)
+    raise last_error or RuntimeError("Gemini audio transcription failed")
 
 
 def _transcribe_sync(wav: Path) -> list[dict]:
@@ -1710,7 +1718,17 @@ def pipeline_transcribe(job_id: str, manage_job_status: bool = True) -> None:
 
         # 1) whisper ASR
         progress(f"{ASR_MODEL} 转录中…", 78)
-        segments = _transcribe_sync(wav)
+        try:
+            segments = _transcribe_sync(wav)
+        except Exception:
+            if job.transcript:
+                segments = [
+                    {"start": seg.start, "end": seg.end, "text": seg.en}
+                    for seg in job.transcript
+                    if seg.en.strip()
+                ]
+            else:
+                raise
         if not segments:
             raise RuntimeError("ASR 返回 0 段（可能无人声 / 格式问题）")
 
@@ -3699,12 +3717,26 @@ def create_product_fusion_guide(job_id: str, req: ProductFusionShot) -> dict:
 
 def fallback_product_fusion_descriptions() -> list[str]:
     return [
-        "透明骨架人双手拿起 SKG 颈部按摩仪，准备戴到脖子上，镜头轻微推近产品。",
-        "透明骨架人把 SKG 按摩仪贴合到肩颈位置，手部轻轻调整两侧机身角度。",
-        "透明骨架人坐在场景中轻按侧边控制区，产品保持真实比例并清晰可见。",
-        "透明骨架人闭眼放松，肩颈从紧绷变舒展，产品佩戴位置稳定不漂移。",
-        "镜头靠近展示 SKG 产品材质、按键和内侧触点，透明骨架人的手部不要遮挡产品主体。",
-        "使用后的放松状态收尾，透明骨架人自然抬头，产品仍保持白色 U 形外观和真实比例。",
+        "清晨卧室柔光里，透明骨架人把白色 SKG 颈部按摩仪轻戴到后颈，微微闭眼露出放松微笑。",
+        "现代客厅沙发旁，透明骨架人双手扶住 SKG 机身两侧，肩线慢慢放低，表情从紧绷变舒适。",
+        "居家办公桌前，透明骨架人轻按 SKG 侧边控制键，颈部骨架区域清晰可见，神情安静享受。",
+        "暖色卧室床边，透明骨架人佩戴 SKG 后轻轻仰头，白色骨架与透明外壳干净明亮，画面高级。",
+        "落地窗自然光下，透明骨架人坐姿端正，SKG 产品贴合后颈，嘴角微扬呈现轻松舒缓状态。",
+        "简洁浴室镜前，透明骨架人用双手调整 SKG 贴合角度，眼神柔和，产品白色机身清楚可辨。",
+        "午后阳台休息区，透明骨架人戴着 SKG 慢慢侧头伸展，肩颈线条舒展，表情舒适而不夸张。",
+        "高端影棚白色背景中，透明骨架人平稳转身展示 SKG 佩戴效果，产品比例真实，轮廓清晰。",
+        "健身后休息长椅上，透明骨架人把 SKG 放上肩颈，呼吸放慢，脸上出现明显放松感。",
+        "办公会议间隙，透明骨架人靠在椅背上佩戴 SKG，轻轻闭眼，画面传达短暂恢复和舒适休息。",
+        "夜晚卧室暖灯下，透明骨架人坐在床沿使用 SKG，肩颈骨架被柔和光线照亮，神情安稳享受。",
+        "城市公寓客厅里，透明骨架人一边看向窗外一边使用 SKG，动作自然，产品贴合不漂移。",
+        "极简桌面场景中，透明骨架人拿起 SKG 靠近颈部，镜头轻推展示产品材质和佩戴准备动作。",
+        "木质休闲椅上，透明骨架人佩戴 SKG 后轻轻呼气，肩部下沉，脸部呈现舒缓满足的微笑。",
+        "白色商业摄影场景里，透明骨架人用指尖轻触 SKG 按键，产品细节清晰，人物状态轻松专业。",
+        "温暖客厅地毯旁，透明骨架人坐姿放松，SKG 稳定贴合后颈，闭眼感受舒适放松的瞬间。",
+        "窗边阅读角落中，透明骨架人戴着 SKG 翻开书页，动作慢而自然，表情平和享受。",
+        "办公室午休场景里，透明骨架人把 SKG 戴稳后靠回椅背，眼睛半闭，颈肩明显放松。",
+        "干净产品广告场景中，透明骨架人轻扶 SKG 两端展示佩戴贴合度，微笑自然，产品不变形。",
+        "收尾特写镜头里，透明骨架人佩戴 SKG 后缓慢抬头微笑，白色骨架清楚，整体干净高级。",
     ]
 
 
@@ -3728,8 +3760,8 @@ def generate_product_fusion_descriptions(job_id: str, req: ProductFusionDescript
             products.append(f"产品角度{len(products) + 1}未填")
         shot_lines.append(f"{i}. 首帧={first}；尾帧={last}；产品角度={products[0]} / {products[1]} / {products[2]} / {products[3]}；已有描述={shot.action_text or '空'}")
     prompt = (
-        "你是 SKG 产品短视频分镜导演。请为 6 条产品融合镜头各写一条中文动作描述，"
-        "每条 20-45 字，必须说明透明骨架人在做什么、产品如何佩戴/展示、动作如何从首帧自然过渡到尾帧。"
+        "你是 SKG 产品短视频分镜导演。请写 20 条中文产品融合动作描述，"
+        "每条 35-70 字，必须说明透明骨架人在什么场景下使用产品、产品如何佩戴/展示、脸部如何舒适享受。"
         "产品是 SKG 白色 U 形颈部/肩颈按摩仪，四张产品角度图是同一产品的身份真源；不要写医疗治疗承诺，不要出现竞品。"
         "输出 JSON：{\"descriptions\":[\"...\", \"...\"]}。\n\n"
         + "\n".join(shot_lines)
@@ -3746,9 +3778,9 @@ def generate_product_fusion_descriptions(job_id: str, req: ProductFusionDescript
         text = resp.choices[0].message.content or ""
         data = json.loads(text)
         descriptions = [str(x).strip() for x in data.get("descriptions", []) if str(x).strip()]
-        if len(descriptions) < 6:
-            descriptions = (descriptions + fallback)[:6]
-        return {"descriptions": descriptions[:6], "mode": "llm"}
+        if len(descriptions) < 20:
+            descriptions = (descriptions + fallback)[:20]
+        return {"descriptions": descriptions[:20], "mode": "llm"}
     except Exception:
         return {"descriptions": fallback, "mode": "fallback"}