diff --git a/RULES.md b/RULES.md index 08e851f..b886e74 100644 --- a/RULES.md +++ b/RULES.md @@ -53,11 +53,13 @@ ## 环境变量 - `LLM_BASE_URL` / `LLM_API_KEY`：OpenAI 兼容网关，用于翻译、文案改写、音频分析等文本/多模态理解模型调用 - `ASR_BASE_URL` / `ASR_API_KEY`：OpenAI Audio Transcriptions 兼容网关，用于上传 `audio.wav` 做真实转写；未配置 `ASR_API_KEY` 时复用 `LLM_API_KEY`，生产默认指向 `https://ai.skg.com/azure/v1` -- `ASR_MODEL`：OpenAI Audio Transcriptions 音频转写模型，默认 `whisper-1` -- `ASR_REMOTE_ENABLED`：是否启用远端 OpenAI Audio Transcriptions；云端音频网关不可用时可设为 `false`，直接走容器内 CPU 版 `faster-whisper` -- `FASTER_WHISPER_MODEL` / `FASTER_WHISPER_DEVICE` / `FASTER_WHISPER_COMPUTE_TYPE`：容器内本地 ASR 兜底，生产可用 `tiny.en` / `cpu` / `int8` -- `ASR_FALLBACK_MODEL`：远端 ASR 和本机 ASR 都不可用时才尝试的多模态兜底，默认 `gemini-2.5-flash`；如果模型不能真实听到音频或返回疑似逐秒假字幕，后端必须拒绝写入时间轴 -- `ASR_TIMEOUT_SECONDS`：远端 ASR / 音频分析单次请求超时，默认 45 秒，避免第一步长时间停在转录中 +- `ASR_MODEL`：OpenAI Audio Transcriptions 音频转写模型；生产微软通道默认用 Azure OpenAI 部署名 `gpt-4o-transcribe`，如果 Azure 侧实际部署名不同必须同步改这里 +- `ASR_REMOTE_ENABLED`：是否启用远端 OpenAI Audio Transcriptions；微软 ASR 验收时必须为 `true` +- `ASR_LOCAL_FALLBACK_ENABLED`：是否允许远端 ASR 失败后落到本机 / 容器内 ASR；生产微软 ASR 验收设为 `false`，避免静默使用 `faster-whisper` +- `ASR_AUDIO_FALLBACK_ENABLED`：是否允许远端和本机 ASR 失败后落到多模态音频兜底；生产微软 ASR 验收设为 `false`，避免静默使用 Gemini 音频 +- `FASTER_WHISPER_MODEL` / `FASTER_WHISPER_DEVICE` / `FASTER_WHISPER_COMPUTE_TYPE`：容器内本地 ASR 兜底，仅在 `ASR_LOCAL_FALLBACK_ENABLED=true` 时启用 +- `ASR_FALLBACK_MODEL`：多模态音频兜底模型，仅在 `ASR_AUDIO_FALLBACK_ENABLED=true` 时用于兜底或音频画像，默认 `gemini-2.5-flash`；如果模型不能真实听到音频或返回疑似逐秒假字幕，后端必须拒绝写入时间轴 +- `ASR_TIMEOUT_SECONDS`：远端 ASR / 音频分析单次请求超时，生产微软 ASR 默认 180 秒，避免 60 秒左右音频被 45 秒客户端超时提前中断 - `LOCAL_ASR_BIN` / `LOCAL_ASR_MODEL` / `LOCAL_ASR_TIMEOUT_SECONDS`：本机 ASR 兜底，默认使用 `/opt/homebrew/bin/mlx_whisper` + `mlx-community/whisper-tiny`，用于当前 SKG 网关 `/audio/transcriptions` 不可用时生成真实逐句时间轴 - `TRANSLATE_MODEL`：字幕翻译模型，默认 `gemini-2.5-flash` - `GPT_TEXT_MODEL`：GPT 文本 / 视觉默认模型，默认 `gpt-4o`；用于兜底修正旧 Gemini 覆盖值 diff --git a/api/main.py b/api/main.py index b0640bb..8336097 100644 --- a/api/main.py +++ b/api/main.py @@ -62,6 +62,8 @@ ASR_BASE_URL = os.getenv("ASR_BASE_URL", LLM_BASE_URL).strip() ASR_API_KEY = (os.getenv("ASR_API_KEY") or LLM_API_KEY).strip() ASR_MODEL = os.getenv("ASR_MODEL", "whisper-1") ASR_REMOTE_ENABLED = os.getenv("ASR_REMOTE_ENABLED", "true").strip().lower() not in {"0", "false", "no", "off"} +ASR_LOCAL_FALLBACK_ENABLED = os.getenv("ASR_LOCAL_FALLBACK_ENABLED", "true").strip().lower() not in {"0", "false", "no", "off"} +ASR_AUDIO_FALLBACK_ENABLED = os.getenv("ASR_AUDIO_FALLBACK_ENABLED", "true").strip().lower() not in {"0", "false", "no", "off"} ASR_FALLBACK_MODEL = os.getenv("ASR_FALLBACK_MODEL", "gemini-2.5-flash").strip() or "gemini-2.5-flash" ASR_TIMEOUT_SECONDS = max(15, int(os.getenv("ASR_TIMEOUT_SECONDS", "45"))) FASTER_WHISPER_MODEL = os.getenv("FASTER_WHISPER_MODEL", "tiny.en").strip() or "tiny.en" @@ -2855,7 +2857,7 @@ def _transcribe_gemini_sync(wav: Path) -> list[dict]: def _transcribe_sync(wav: Path) -> list[dict]: - """Remote ASR first, local mlx_whisper second. Gemini fallback is guarded against fake timelines.""" + """Remote ASR first; local/multimodal fallbacks are explicit runtime switches.""" errors: list[str] = [] duration = media_duration(wav) if ASR_REMOTE_ENABLED: @@ -2877,18 +2879,24 @@ def _transcribe_sync(wav: Path) -> list[dict]: errors.append(f"{ASR_MODEL}: {e}") else: errors.append(f"{ASR_MODEL}: remote disabled") - try: - return _transcribe_faster_whisper_sync(wav) - except Exception as e: - errors.append(f"faster-whisper: {e}") - try: - return _transcribe_mlx_sync(wav) - except Exception as e: - errors.append(f"mlx_whisper: {e}") - try: - return _transcribe_gemini_sync(wav) - except Exception as e: - errors.append(f"{ASR_FALLBACK_MODEL}: {e}") + if ASR_LOCAL_FALLBACK_ENABLED: + try: + return _transcribe_faster_whisper_sync(wav) + except Exception as e: + errors.append(f"faster-whisper: {e}") + try: + return _transcribe_mlx_sync(wav) + except Exception as e: + errors.append(f"mlx_whisper: {e}") + else: + errors.append("local ASR fallback disabled") + if ASR_AUDIO_FALLBACK_ENABLED: + try: + return _transcribe_gemini_sync(wav) + except Exception as e: + errors.append(f"{ASR_FALLBACK_MODEL}: {e}") + else: + errors.append("multimodal audio fallback disabled") raise TranscriptionUnavailable("；".join(errors)) @@ -3994,6 +4002,8 @@ def health() -> dict: "asr": ASR_MODEL, "asr_base_url": ASR_BASE_URL or LLM_BASE_URL or "openai-default", "asr_remote_enabled": ASR_REMOTE_ENABLED, + "asr_local_fallback_enabled": ASR_LOCAL_FALLBACK_ENABLED, + "asr_audio_fallback_enabled": ASR_AUDIO_FALLBACK_ENABLED, "faster_whisper": FASTER_WHISPER_MODEL, "local_asr": LOCAL_ASR_MODEL, "asr_fallback": ASR_FALLBACK_MODEL, diff --git a/api/requirements.txt b/api/requirements.txt index 3c632a1..89ff262 100644 --- a/api/requirements.txt +++ b/api/requirements.txt @@ -6,6 +6,7 @@ python-dotenv==1.0.1 yt-dlp==2026.3.17 openai==1.55.3 httpx==0.27.2 +requests==2.32.5 imagehash==4.3.1 Pillow>=11.0 numpy>=2.0 diff --git a/deploy/.env.production.example b/deploy/.env.production.example index 81c518b..e37f62c 100644 --- a/deploy/.env.production.example +++ b/deploy/.env.production.example @@ -23,10 +23,12 @@ LLM_API_KEY= # Model routing ASR_BASE_URL=https://ai.skg.com/azure/v1 ASR_API_KEY= -ASR_MODEL=whisper-1 +ASR_MODEL=gpt-4o-transcribe ASR_REMOTE_ENABLED=true +ASR_LOCAL_FALLBACK_ENABLED=false +ASR_AUDIO_FALLBACK_ENABLED=false ASR_FALLBACK_MODEL=gemini-2.5-flash -ASR_TIMEOUT_SECONDS=45 +ASR_TIMEOUT_SECONDS=180 FASTER_WHISPER_MODEL=tiny.en FASTER_WHISPER_DEVICE=cpu FASTER_WHISPER_COMPUTE_TYPE=int8 diff --git a/docs/source-analysis.html b/docs/source-analysis.html index ff34cdf..f7fcbfc 100644 --- a/docs/source-analysis.html +++ b/docs/source-analysis.html @@ -950,14 +950,14 @@ ProductRefStateItem { 网页登录POST /auth/login、GET /auth/check、POST /auth/logoutweb/app/login/page.tsx、Nginx auth_request登录页提交账号密码到 /api/auth/login，后端设置 HttpOnly 会话 Cookie；生产 Nginx 对工作台和 /api/ 调 /auth/check 做统一校验，未登录页面跳 /login/，API 返回 JSON 401。 - 运行配置 / 模型标注GET /healthgetRuntimeHealth、ModelTrace返回 models：ASR、asr_base_url、asr_remote_enabled、faster_whisper、本机 ASR、ASR fallback、翻译、GPT 改写、GPT 画面理解、产品视角识别 product_view、GPT 图像模型、主体 6 视图 GPT 图像模型、Azure OpenAI TTS、视频别名和 Seedance 服务商。当前 REWRITE_MODEL、AUDIO_REWRITE_MODEL 和 VISION_MODEL 默认使用 gpt-4o；如果旧环境变量仍写 gemini-*，后端会归一化回 GPT_TEXT_MODEL / REWRITE_MODEL。语音只走 Azure OpenAI TTS，models.voice_tts_paths 会回传当前尝试的语音路径，方便区分路径错误和语音服务不可用。前端所有当前主路径里会调用模型的按钮旁显示模型名，点击弹出小窗口查看模型链路和输入输出逻辑；不返回 API Key 或敏感凭证。 + 运行配置 / 模型标注GET /healthgetRuntimeHealth、ModelTrace返回 models：ASR、asr_base_url、asr_remote_enabled、asr_local_fallback_enabled、asr_audio_fallback_enabled、faster_whisper、本机 ASR、ASR fallback、翻译、GPT 改写、GPT 画面理解、产品视角识别 product_view、GPT 图像模型、主体 6 视图 GPT 图像模型、Azure OpenAI TTS、视频别名和 Seedance 服务商。当前 REWRITE_MODEL、AUDIO_REWRITE_MODEL 和 VISION_MODEL 默认使用 gpt-4o；如果旧环境变量仍写 gemini-*，后端会归一化回 GPT_TEXT_MODEL / REWRITE_MODEL。语音只走 Azure OpenAI TTS，models.voice_tts_paths 会回传当前尝试的语音路径，方便区分路径错误和语音服务不可用。前端所有当前主路径里会调用模型的按钮旁显示模型名，点击弹出小窗口查看模型链路和输入输出逻辑；不返回 API Key 或敏感凭证。 历史列表GET /jobslistJobs所有 job 精简列表（id/url/status/thumbnail/mtime…），按 state.json mtime 倒序。前端 URL 无 ?job= 时拉它回填全部历史；带 limit 可截断。 创建任务POST /jobscreateJob提交 TK 链接，后台开始下载；前端“开始”队列会在 downloaded 后自动触发音频解析。下载阶段优先使用 YTDLP_COOKIES_FILE，其次使用 YTDLP_COOKIES_FROM_BROWSER；生产云端固定走 /run/secrets/tiktok_cookies.txt，由宿主机 ./secrets/tiktok_cookies.txt 挂载进容器。TikTok 要求登录态时会提示上传 MP4 或配置后端 cookies。 重试下载POST /jobs/{id}/download/retryretryJobDownload用于 TK 链接下载失败且没有 video_url 的素材；清空错误、重新进入下载状态，并在后台再次执行 pipeline_download。上传视频不能重下载，需要重新上传文件。 上传视频POST /jobs/uploaduploadJob保存 source.mp4，然后同样进入下载完成状态；当前上传后也加入第一步队列，下载完成后自动解析音频。 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抽参考帧能力。当前开始流程会在视频下载完成后自动调用一次，默认 frames=12、target=motion、quality=accurate、mode=replace，形成全局动作/节奏参考帧池；原版视频旁的“抽参考 12 帧”也会用同一参数显式重跑。target 仍支持透明骨架人、综合、清晰主体、转场变化、表情瞬间、动作峰值。 - 音频文案轨POST /jobs/{id}/transcribetriggerTranscribe若尚未拆轨，先从 source.mp4 提取 audio.wav 并回填 source_audio_url；远端启用时把 audio.wav 上传到 ASR_BASE_URL 的 OpenAI Audio Transcriptions 兼容接口，用 ASR_MODEL 提取原始文案；远端不可用或关闭时走容器内 CPU 版 faster-whisper，再补中文翻译并写入 audio_script.source_text、source_zh 和逐句 transcript。后端会拒绝重复文本、逐秒假字幕或覆盖率过低的结果，不再把不可听的多模态输出写进时间轴。中文翻译由 TRANSLATE_MODEL 按 ASR 段落补齐，失败时保留原文时间轴且中文可为空。再用 ASR_FALLBACK_MODEL 读取 audio.wav 和已有转写时间轴，多模态音频分析讲话人、语速节奏、停顿、背景音乐/环境声/音效，写入 speaker_profile、rhythm_profile、background_audio_profile；若模型分析失败，则用转写段落、时长和语速做本地估算兜底。当前第一步不默认生成 SKG 新口播和 Azure OpenAI 配音。 + 音频文案轨POST /jobs/{id}/transcribetriggerTranscribe若尚未拆轨，先从 source.mp4 提取 audio.wav 并回填 source_audio_url；远端启用时把 audio.wav 上传到 ASR_BASE_URL 的 OpenAI Audio Transcriptions 兼容接口，用 ASR_MODEL 提取原始文案。生产微软 ASR 验收时 ASR_BASE_URL=https://ai.skg.com/azure/v1、ASR_REMOTE_ENABLED=true、ASR_LOCAL_FALLBACK_ENABLED=false、ASR_AUDIO_FALLBACK_ENABLED=false，Azure 失败会明确失败，不会静默切到 faster-whisper 或 Gemini。只有显式开启兜底开关时，远端不可用才会走容器内 CPU 版 faster-whisper 或多模态音频兜底。后端会拒绝重复文本、逐秒假字幕或覆盖率过低的结果，不再把不可听的多模态输出写进时间轴。中文翻译由 TRANSLATE_MODEL 按 ASR 段落补齐，失败时保留原文时间轴且中文可为空。再用 ASR_FALLBACK_MODEL 读取 audio.wav 和已有转写时间轴，多模态音频分析讲话人、语速节奏、停顿、背景音乐/环境声/音效，写入 speaker_profile、rhythm_profile、background_audio_profile；若模型分析失败，则用转写段落、时长和语速做本地估算兜底。当前第一步不默认生成 SKG 新口播和 Azure OpenAI 配音。 分镜脚本改写POST /jobs/{id}/script/rewriterewriteStoryboardScript根据原英文参考文案、当前英文新口播、英文 role enum、时间段和作者想法改写英文口播；作者想法若含中文，后端会先经 _ensure_english 兜底翻译。mode=segment 只改一段；mode=all 一次改完整片，要求整片前后连贯。后端按 AUDIO_REWRITE_MODEL、ASR_FALLBACK_MODEL、TRANSLATE_MODEL 依次尝试，全部失败时用英文本地模板保留可编辑文案。接口返回 items[index,text,text_zh]，其中 text 是写入模型链路的英文主值，text_zh 只供团队审稿镜像显示；点击保存规划后写入 StoryboardScene.action。 原始音频文件GET /jobs/{id}/audio.wavsourceAudioUrl返回拆轨得到的 wav；当前主界面不再渲染底部吸附音频条，右侧复刻工作表会读取该文件生成参考图式横向响度波形，并和原视频、逐句时间轴联动；波形标题栏显示当前播放秒数、总时长和鼠标指针停点秒数。 改写配音文件GET /jobs/{id}/audio-script.mp3apiAssetUrl(job.audio_script.voice_url)后续新配音阶段保留的 TTS 产物；服务端固定走 VOICE_PROVIDER=azure_openai，通过 AZURE_OPENAI_BASE_URL 的 OpenAI 协议生成 mp3，并按 AZURE_TTS_PATHS 依次尝试 /audio/speech、/v1/audio/speech 等路径。当前第一步不默认生成该文件。 @@ -1238,6 +1238,18 @@ ProductRefStateItem {

影响：只改变工作台视觉模式，不改变素材下载、音频解析、抽帧、主体模板、产品素材池、首尾帧或模型链路；web/app/page.tsx 同步移除旧全局浮动主题按钮，避免右下角出现第二套不相关的主题入口。后续新增图片/视频板块仍应复用同一套媒体悬停放大和删除逻辑。

+
+
+

2026-05-19 · 微软 ASR 强制模式

+ API + Ops +
+
+

问题：生产验收要求音频解析走微软 Azure OpenAI，而不是远端失败后静默落到容器内 faster-whisper 或 Gemini 多模态兜底。

+

改动：api/main.py 增加 ASR_LOCAL_FALLBACK_ENABLED 和 ASR_AUDIO_FALLBACK_ENABLED 两个运行期开关；GET /health 回传这两个值。生产示例把 ASR_BASE_URL 固定为 https://ai.skg.com/azure/v1，ASR_MODEL 固定为 gpt-4o-transcribe，并关闭本地 / 多模态兜底。

+

影响：微软 ASR 未部署或部署名不匹配时，音频步骤会直接暴露 Azure 的错误，例如 DeploymentNotFound；不会再用其它通道生成看似成功的逐句时间轴。

+
+

2026-05-19 · 独立 ASR 上传网关配置