一套默认完全离线、本地运行的「音视频 → 转写文稿 / 结构化总结」全流程工具箱（亦可选接阿里云百炼云端 ASR 引擎）：
视频 / 音频（mp4/mkv/mp3/m4a/wav/…）
│
├─ ① 拆轨（视频输入） 无声视频 + 完整音轨（无损，FFmpeg）
│
├─ ② 人声 / 背景音分离 人声.wav + 背景音.wav（Demucs htdemucs，GPU）
│
├─ ③ 噪声门清理 人声_转写用.wav（消除分离模型的静音伪影，保 VAD 可用）
│
├─ ④ 说话人分离 + 转写 Qwen3-ASR-1.7B（本地）/ aed / cloud 云端 × (pyannote / cam++)，带时间戳与说话人
│
└─ ⑤ 组稿 + 排版规范 docx 转写文稿（普通） 或 会议原文（带标签，供提炼总结）
正式总结由 AI Agent 按 meeting-notes-expert 模板提炼
一条命令跑完 ①→⑤：
python av_to_transcript_and_minutes.py <视频/音频文件或文件夹> [-o 输出目录] [--meeting] [--srt] …当前版本：v2.4 ｜ License: MIT ｜ 环境：Windows / Linux / macOS，需 FFmpeg 与 Python 3.10+
- 完全离线：模型全部本地运行，无 API 密钥、无网络依赖（首次运行自动下载模型后）
- 一条命令全自动：拆轨 → 分离 → 说话人分离 → 转写 → 排版成 docx
- 双产出模式：
转写文稿-<名>.docx（普通音视频）／会议原文-<名>.docx（会议，带[分:秒] 说话人N：标签） - 说话人分离双引擎：
pyannote（community-1，会议场景默认）——分割模型原生处理重叠语音，实测真实 28 分钟会议从 35 个假说话人收敛到 2 个；支持--num-speakers/--min-speakers/--max-speakers下发人数约束（最便宜的精度提升）；重叠区间单独标记进overlaps字段而不强行归给某一人campp（VAD + cam++ 声纹聚类）——轻量，单人/访谈素材够用- 长音频分块：超过 15 分钟自动分块分析（
--pyannote-chunk-s可调，0 关闭），块间带 30 秒重叠，跨块用声纹相似度合并说话人标签，内存峰值只与块长相关而非总时长
- 声纹库双引擎通用：
--speaker-db原先只有 campp 可用，现在 pyannote 路径会在已定段边界上补算声纹，两条路线都能跨文件复用说话人身份 - 字幕与纠错：
--srt出字级时间戳字幕，--vtt出 WebVTT（HTML5<track>与视频平台直接可用，与--srt共用一次对齐可同时开）；--replace确定性专名纠错（比--hotwords偏置可靠）；--replace-file/--replace-save纠错词典读取与回写（本次纠错条目自动并入词典，下次自动带上）；--names说话人真名映射；--asr-extra透传其余引擎参数 - 字幕对齐后端可选：
--align-engine auto|fa-zh|native——native用 Qwen3-ForcedAligner-0.6B，覆盖 11 种语言；fa-zh是中文专用的 38M 模型。默认 auto（有 Qwen 对齐器就用，没有回落 fa-zh）。中文以外素材必须用 native，fa-zh 会产出错位时间戳 - 补字幕不重转：字幕已移出缓存键。先跑转写、事后加
--srt，只补一遍对齐（实测 15.3s → 9.0s），不会重跑最贵的识别环节 - ITN 后端可选：
--itn-backend auto|wtp|legacy——装了 WeTextProcessing 就走它（货币/度量/分数表达更全），没装继续用零依赖自写规则 - 质量基准：
benchmark_quality.py跑 DER（说话人分离错误率，pyannote.metrics 标准实现）与 CER（字错误率），支持与历史基线对比，回答"这次改动到底变好还是变坏" - 断点续跑：转写（最贵环节）结果按参数指纹缓存——阈值 / 热词 / 人名 / 识别引擎 / 额外 ASR 参数任一不同即互不复用，切换识别引擎不会误用旧结果；字幕与对齐后端不进缓存键（它们只影响字幕，不影响文本），要字幕时走只补对齐的通道
- 完成判定与补排版：md 与 docx 齐备才算完成；首次运行缺
article-format时只出 md，补装后重跑自动只补 docx，无需--force全量重跑 - 批量容错与可观测：单个文件失败只计一次失败并继续（素材损坏、缺 ffmpeg/demucs 都不中断整批）；无音轨素材单独归类提示；批量打印
[i/N]计数与每个素材用时，收尾给总耗时与均值；--log把运行输出落到<输出目录>/run.log - 跑前自检与提示：跑前查显存，可用量低于 4 GB 时提示先停占卡程序或用
--no-separate；转写只得到 1 个说话人且用的是默认 campp 时，提示可改用--meeting或 pyannote 重跑 - 磁盘可控：
--clean完成后删除中间件（三份 wav 与转写缓存 json），只留成稿，长素材不再动辄留下上 GB 的中间 wav - 平铺输出（v2.4）：
--flat把成稿 docx（及字幕）直接放到素材同目录，删除整个工作子目录（含中间件、md 底稿、.demucs_model标记与拆轨产物）——素材目录最终只有「原始音视频 + 成稿」；重跑时成稿在素材目录即视为已完成，自动跳过 - 模型层可选与增强：
--asr-engine auto按语言路由（中/英/粤走 FireRedASR2-AED，其余走 Qwen3-ASR）；--vad firered用误报更低的 FireRedVAD 切段；--demucs-model可选 htdemucs / htdemucs_ft / mdx_extra 等分离模型（换模型自动重跑） - 云端可选引擎（v2.3）：
--asr-engine cloud免显存调用阿里云百炼（默认qwen-audio-3.1-asr-message，WebSocket 整文件直出句级+字级时间戳；--srt直接用云端时间戳，无需本地 fa-zh；驱动说话人分离字幕时逐段 4 线程并发）；可选子模型omni（qwen3.8-omni-flash 全模态）与filetrans（异步长音频，仅公网 URL）；--hotwords走即时热词表生效。需DASHSCOPE_API_KEY（环境变量）与pip install dashscope - 专名质量机制（v2.4）：管线根目录放
hotwords.txt（热词表，每行一个词，# 注释）与replace_dict.txt（纠错词典，每行「错=>对」）即自动加载、无需任何参数——热词走识别阶段偏置、词典走识别后确定性替换，两者内容都进转写缓存指纹（改动后旧缓存自动不复用）；模板见*.example.txt。--replace-save把本次纠错条目合并写回词典，专名修正可跨次积累。--flat平铺模式不会删除这两个文件（固定放管线根目录） - 输出规范化：
--itn中文逆文本正则化（三百二十万元 → 320万元、二零二六年十月十五日 → 2026年10月15日），零依赖自写规则 - 双人分声道素材：
--split-channels按声道分轨转写，声道号直接当说话人，省掉声纹聚类、也不会把两人混在一起 - 情绪与声纹：
--emotion出 8 类情绪打分（写入 json 的emotions字段；不做笑声/掌声等音频事件检测）；--speaker-db声纹库跨文件复用说话人身份（首次用--speaker-db-save建库） - 单人素材提速（v2.3）：
--no-diarize跳过说话人分离直接整段转写（云端 message 引擎将走整文件一次调用），与--meeting互斥、缓存独立 - 批量处理：输入文件夹时递归处理其中所有音视频
# 系统依赖：FFmpeg（须在 PATH 中）
winget install ffmpeg # Windows
# apt install ffmpeg # Linux
# brew install ffmpeg # macOS
# Python 依赖
pip install -r requirements.txt
# GPU 加速：先按 https://pytorch.org 安装对应 CUDA 版本的 torch
# 若报 libtorchcodec 加载失败（pyannote 引入的库与静态 FFmpeg 不兼容）：
pip uninstall torchcodec| 用途 | 模型 | 来源 |
|---|---|---|
| 转写识别 | Qwen3-ASR-1.7B | ModelScope Qwen/Qwen3-ASR-1.7B-hf |
| 说话人分离（会议） | pyannote community-1 | ModelScope pyannote/speaker-diarization-community-1 |
| 说话人分离（轻量） | fsmn-vad + cam++ | 随 FunASR 自动下载 |
| 人声分离 | htdemucs | 随 Demucs 自动下载 |
pyannote 官方模型在 HuggingFace 为门控资源（需申请权限）；ModelScope 有官方镜像且无需门控，推荐：
python -c "from modelscope import snapshot_download; snapshot_download('pyannote/speaker-diarization-community-1')"
# 普通音视频 → 转写文稿（自动说话人分离）
python av_to_transcript_and_minutes.py 我的视频.mp4
# 会议录音 → 会议原文（带时间戳与说话人标签，供后续提炼纪要）
python av_to_transcript_and_minutes.py 会议录音.m4a --meeting
# 批量 + 字幕 + 人名映射 + 热词
python av_to_transcript_and_minutes.py ./素材目录 --meeting --srt \
--names "0=张三,1=李四" --hotwords "产品名,行业术语"| 参数 | 说明 |
|---|---|
--meeting |
产出会议原文（带时间戳+说话人标签）而非普通转写文稿 |
--srt |
额外产出 .srt 字幕（字级时间戳）；事后加不会重转，只补对齐 |
--align-engine auto|fa-zh|native |
字幕对齐后端：auto 有 Qwen 对齐器就用否则 fa-zh；native=Qwen3-ForcedAligner（多语言）；fa-zh=中文专用 |
--diarize-engine auto|pyannote|campp |
说话人分离引擎（auto=会议用 pyannote，其余 campp） |
--num-speakers N |
已知说话人数（pyannote）：人数确定时最准，如两人对谈填 2 |
--min-speakers N / --max-speakers N |
人数区间（pyannote）：人数不确定时用上限挡住过度切分 |
--pyannote-chunk-s N |
pyannote 分块时长上限秒（默认 900，0 关闭）：长素材降内存峰值 |
--itn-backend auto|wtp|legacy |
ITN 后端：auto 有 WeTextProcessing 就用否则自写规则 |
--asr-engine qwen|aed|auto|cloud |
识别引擎：qwen（默认，多语言）／aed（中英粤更准）／auto 按语言路由／cloud 阿里云百炼云端引擎；换引擎自动用新缓存重转 |
--no-diarize |
单人素材跳过说话人分离直接整段转写（更快；云端 message 引擎走整文件一次调用）；与 --meeting 互斥 |
--replace "错=>对,错2=>对2" |
识别后确定性替换，专名纠错比 --hotwords 可靠（同音异字配 --asr-extra "--fuzzy"） |
--denoise |
转写前 ZipEnhancer 降噪（仅真实含 BGM/强噪素材；干净素材不加更好） |
--vad fsmn|firered |
VAD 切段后端（默认 fsmn；firered 误报更低） |
--language zh|en|yue|… |
强制语言，默认自动检测 |
--max-line N / --merge-gap N |
单条字幕最大字数（默认 28）／相邻同说话人合并间隔 ms（默认 800，0 关闭） |
--asr-extra "--fuzzy --min-seg 300" |
其余 qwen_asr.py 参数原样透传（同样计入缓存指纹） |
--names "0=张三,1=李四" |
说话人真名映射 |
--hotwords "词1,词2" |
热词偏置，提升专名识别率；未指定时自动加载根目录 hotwords.txt |
--no-separate |
跳过人声分离（纯人声音频可直接转写） |
--no-asr |
只做拆轨/分离，不转写 |
--verbose |
实时透传各子进程输出，排查卡顿与失败原因 |
--clean |
完成后删除中间件（三份 wav 与转写缓存 json），只留成稿；对已完成素材也生效 |
--flat |
平铺输出（v2.4）：成稿直接放素材同目录，删工作子目录与 md 底稿（含中间件、拆轨产物） |
--log |
本次运行输出追加写入 <输出目录>/run.log |
--replace-file [词典.txt] |
纠错词典文件（每行 错=>对）；未指定时自动加载根目录 replace_dict.txt（存在即加载）；裸写=根目录 replace_dict.txt |
--replace-save [词典.txt] |
把本次 --replace 纠错条目合并写回词典（裸写=根目录 replace_dict.txt），下次 --replace-file 裸写即自动带上 |
--itn |
中文逆文本正则化：三百二十万元 → 320万元、百分之八十 → 80%、二零二六年十月十五日 → 2026年10月15日 |
--asr-engine auto |
按 --language 路由识别引擎（中/英/粤走 AED，其余走 Qwen） |
--asr-engine cloud |
云端识别（默认 message 通道）；换子模型加 --asr-extra "--cloud-model omni|filetrans"；filetrans 需配 --asr-extra "--cloud-url 公网URL" |
--demucs-model NAME |
分离模型：htdemucs（默认）／htdemucs_ft（质量更好、慢约 4 倍）／mdx_extra 等；换模型自动重跑分离 |
--split-channels |
双人分声道素材按声道分轨转写，声道号即说话人；自动跳过 Demucs 与声纹聚类 |
--emotion |
emotion2vec 输出 8 类情绪打分（写 json 的 emotions；不做笑声/掌声等事件检测） |
--speaker-db db.json |
声纹库：跨文件复用说话人身份（仅 campp 引擎）；建库加 --asr-extra "--speaker-db-save" |
--force |
重跑已处理过的素材 |
-o 输出目录 |
指定输出目录（默认输入旁 separated_out/） |
每个输入在输出目录下生成同名子目录：
| 文件 | 说明 |
|---|---|
无声视频.mp4 |
去掉声音的视频（仅视频输入，画面无损） |
完整音轨.m4a |
从视频无损提取的完整音频（仅视频输入） |
人声.wav / 背景音.wav |
Demucs 分离出的人声与背景音 |
人声_转写用.wav |
经噪声门清理后供转写的版本（可复现中间件） |
转写结果*.json |
结构化转写结果（说话人分段/文本/时间戳），按参数指纹缓存 |
转写文稿-<名>.md/.docx |
普通模式成稿（如有 article-format 技能则套用排版规范） |
会议原文-<名>.md/.docx |
会议模式成稿（[00:00] 说话人N：文本） |
会议原文-<名>.srt |
字幕（--srt，含说话人标记） |
结构化总结由 AI Agent 读取「会议原文」后按 meeting-notes-expert 模板提炼成七节式总结（基本信息 / 结论 / 关键决策或要点 / 行动事项 / 待定与开放问题 / 上期回顾 / 内容详情）——这一步是理解性工作，交给会话内的 AI 完成。会议场景产出 会议纪要-<名>.docx，讲座、访谈、播客等其他场景产出 总结-<名>.docx。
Av-To-Transcript-And-Minutes/
├── av_to_transcript_and_minutes.py # 全自动链路主脚本（①→⑤）
├── test_pipeline_e2e.py # 端到端回归（自动合成素材，17 项断言）
├── hotwords.example.txt # 热词表示例（复制为 hotwords.txt 自动加载）
├── replace_dict.example.txt # 纠错词典示例（复制为 replace_dict.txt 自动加载）
├── requirements.txt
├── benchmark_quality.py # 质量基准：DER（分离错误率）+ CER（字错误率）
├── skills/
│ ├── funasr-transcribe/
│ │ ├── SKILL.md # 转写技能（Agent 调用规范）
│ │ └── scripts/
│ │ ├── qwen_asr.py # 转写引擎：Qwen3-ASR + pyannote/cam++ + 字幕/纠错
│ │ ├── itn_zh.py # 中文逆文本正则化（WeTextProcessing 可选后端）
│ │ ├── firered_mem_patch.py # AED 引擎分块注意力与显存补丁（v2.1）
│ │ ├── transcribe.py # 简化入口
│ │ ├── diarize.py # 说话人分离（FunASR 路线）
│ │ ├── test_qwen_asr_units.py # 引擎单元测试
│ │ ├── test_split_and_cluster.py # 静音点切分与声纹质心
│ │ ├── test_pyannote_chunking.py # 分块规划与重叠区间 API
│ │ └── test_firered_mem_patch.py # AED 显存补丁单测
│ └── meeting-notes-expert/
│ └── SKILL.md # 总结整理技能（七节模板，会议/通用双场景）
└── LICENSE
# 端到端回归（自动合成 TTS 测试素材，断言全链路产物）
python test_pipeline_e2e.py
# 质量基线（带标注合成素材：DER / CER / 重叠检测；素材缺失会自动生成）
python tests/test_quality_baseline.py
# 合成回归素材（双人对话+DER 标注 / 抢话 / 单人 / 低信噪；音频不入库，现场生成）
python scripts/make_fixtures.py
# 引擎单元测试（切句/时间戳/碎段合并/超长切分/小簇吸收等纯逻辑）
python skills/funasr-transcribe/scripts/test_qwen_asr_units.py
# 超长段静音点切分与声纹质心（零依赖）
python skills/funasr-transcribe/scripts/test_split_and_cluster.py
# pyannote 分块规划与重叠区间 API
python skills/funasr-transcribe/scripts/test_pyannote_chunking.py
# 质量基准自检（CER/编辑距离；DER 需 pyannote.metrics）
python benchmark_quality.py --selftest合成素材只能验证"管道不炸"，验不出"转得准不准"。改任何一项（切分策略、说话人数、 声纹库、对齐后端）之前，先攒几份带标注的素材做基线，否则无法判断改动是变好还是变坏。
素材来源：scripts/make_fixtures.py 现场合成（音频本体不入库，可复现）。两类素材：
带 ref.json 标注的用于算 DER/CER，抢话素材只验重叠检测（重叠段归属本身无唯一解）。
标注放在素材同目录，命名 <素材名>.ref.json：
{
"speakers": [
{"start_ms": 0, "end_ms": 5200, "spk": "张三"},
{"start_ms": 5200, "end_ms": 9000, "spk": "李四"}
],
"text": "这里是完整正确文本，用于算 CER（可省略）"
}# 评测单份（自动跑管线再比对）
python benchmark_quality.py 会议录音.m4a --report 基线.json
# 改完代码后对比，看是改善还是退步
python benchmark_quality.py 会议录音.m4a --report 新.json --compare 基线.jsonDER 用 pyannote.metrics 的标准实现（0.25 秒 collar 容差），CER 自写（中文按字、英文按词，
标点与全半角不计入）。--no-run 可只比对已有产物，跳过重跑。
2026-10-28 对标公开方案批次实测：
- 补字幕通道：首跑 15.3s（含分离+识别），事后加
--srt只补对齐 9.0s，缓存文件数不变（字幕未进键），第三次运行正确跳过 - pyannote 新参数：
--num-speakers实跑通过，重叠区间写入overlaps字段 1 处。分块映射当时只在 3 秒块上验过"能跑通"，没验说话人身份是否保住——2026-11-02 用 31 秒双人素材复测发现 chunk=20s 时同一人被拆成两个标签、chunk=15s 时两人被合为一个，详见下方修复记录 - 声纹库在 pyannote 路径建库成功（此前被硬性跳过）
- 单测新增三层：
test_split_and_cluster.py（含抓到的采样索引/毫秒混用缺陷）、test_pyannote_chunking.py（锁住get_overlap()返回 Timeline 可迭代、无itersegments的实测 API）、benchmark_quality.py --selftest - 全部 7 组单测 + e2e 19 项断言 ALL PASS
2026-11-02 分块丢说话人修复与实跑验证（pyannote 模型首次在本机落地）：
- 素材：31.4 秒双人交替会议音频（Windows TTS + rubberband 降调模拟第二人），带人工标注
.ref.json - 整段不分块：G0→A、G1→B，DER 13.61%（漏检 0s / 误报 0s / 混淆 0.12s）。人物归属零错误，误差全在边界
- 分块后修复前：chunk=20s 多出 G2（同一人拆成两个标签），chunk=15s 时 G1 混了 A 和 B（两人合并）
- 修复后：chunk=900s / 30s / 20s 均正确分出两人并映射到 A/B；chunk=15s、10s 仍会失败，因为短块内 pyannote 自身聚不出多人（强制
num_speakers=2也无效），已加 30 秒下限提示 - 完整管线实跑：
--meeting --diarize-engine pyannote --num-speakers 2 --names15.1 秒产出会议原文，时间戳、人名映射、docx 排版全部正确 - e2e 19 项断言 ALL PASS；9 组单测 ALL PASS
2026-11-02 质量基线落地（4 项工程改进）：
scripts/make_fixtures.py合成四类素材：双人对话（带 DER 标注）、抢话、单人、低信噪。 两个说话人靠语速 + 变调拉开（本机另一系统音色 Zira 是 en-US，念中文产出 0 帧，已踩过）tests/test_quality_baseline.py实测：DER 9.86%（pyannote.metrics 标准口径，0.25s collar）、 CER 0、重叠检测 1 处 5.4 秒- 结果 JSON 加
schema_version，四处 payload（分离 / 无分离 / 云端 message / filetransfer）全覆盖； 缓存读取按版本校验，版本不认识就重转，不再把结构变了的旧数据当结果用 - 新增
--vtt：WebVTT 与 SRT 共用一次对齐、可同时开；只加--vtt时按缓存 sentences 直接重排， 不重跑对齐（此前只出 srt 的素材补 vtt 会白跑一遍 GPU） - 依赖加上界（torch/transformers/funasr/demucs/pyannote.audio），防上游大版本改接口打穿管线
- 本机 11 组测试 ALL PASS
2026-10-01 健壮性改动后实测：test_pipeline_e2e.py 17 项断言 ALL PASS（自动合成 TTS 视频走完整链路，37 秒）。
2026-10-01 可用性完善后复测（同一套断言仍全绿，41 秒），另做专项验证：--clean 后目录只剩成稿、
--log 产出 26 行运行日志、无音轨视频归为「无音轨」而非抛 ffmpeg 原始输出、--replace-file 词典替换生效、
批量输出 [i/N] 与总耗时均值。
2026-10-08 v2.4 回流批次复测：--flat 平铺输出（成稿落素材目录、工作子目录全清、幂等跳过）、
根目录 hotwords.txt/replace_dict.txt 零参数自动加载、词典内容进缓存指纹（改词典自动重转）、
Demucs 子进程 HF_HUB_OFFLINE=1（离线环境省约 30 秒 HuggingFace 重试等待）；
单测新增 cloud 引擎离线用例组（§14），CI 工作流纳入 py_compile + 全量离线单测。
实测性能参考（RTX 5070 Ti 16GB，28 分钟中文会议）：
| 环节 | 耗时 |
|---|---|
| 人声分离（Demucs） | ~1 分钟 |
| 说话人分离（pyannote） | ~40 秒 |
| 转写（Qwen3-ASR） | ~87 秒 |
| 全流程 | 约 4 分钟 |
关键设计
- 噪声门（必需）：Demucs 在静音段输出低电平伪影，会让下游 VAD 失效（整段连成一块、说话人分离报废）。链路在分离与转写之间插入
agate噪声门恢复段间真静音。 - 三层声纹防护（cam++ 引擎）：碎段合并（<400ms）→ 超长段切分（>60s，保批量转写吞吐）→ 小簇吸收（<5s 的碎簇并入最相似大簇）。
- pyannote 优先：实测真实会议抢话交叠场景，pyannote 分离质量显著优于声纹聚类路线。
- 切点吸附静音：超长段切分不再纯等分——在每个理想切点前后搜 50ms 窗的最低能量位置，把切点移到声门闭合处。实测等分点常落在词中间，接缝处出现残字或重复；吸附后跨句截断明显减少。纯函数无音频时退化为等分（保持可测）。
- 分块降内存：pyannote 整段波形按时长线性占内存（16k 单声道 float32 约 230MB/小时，再复制一份翻倍）。超 15 分钟自动分块，块间留 30 秒重叠，用 pyannote 自带的 WeSpeaker 声纹把各块局部标签并到全局标签——同一人跨块会各自得到独立标签，不映射就会凭空多出说话人。声纹按段独立判定，与块边界位置无关；时间重合投票只作声纹不可用时的兜底，它在块边界正好切在换人处时会投错边。块长低于 30 秒会提示：实测 10 秒块内 pyannote 会把两人合并成单标签，且强制人数约束也救不回来。
- 重叠不强行归属：
get_overlap()的区间单独写进overlaps字段。抢话段交给两人中任意一个都是错的，标记出来比二选一诚实。 - torchcodec 规避：pyannote 引入的 torchcodec 与静态 FFmpeg 不兼容；链路用 soundfile 预载波形绕过，建议
pip uninstall torchcodec。 - AED 显存三层防护（v2.1）：FireRedASR2-AED 引擎经
firered_mem_patch.py分块注意力（softmax 按行独立，数学等价）+ 时长感知分批（AED_BATCH_BUDGET_S）+ OOM 拆批/静音点二分兜底，再配 bf16（use_half=True）与 decoder 三角 mask 缓存；实测 4×107s 批量峰值显存 11.8GB → 3.5GB、推理提速 3 倍（不改官方源码，monkey-patch 可还原）。
已知限制
- 会议抢话极严重时说话人分离仍可能过切（实测 35 簇 → 2 簇已大幅改善，但不保证 100% 准确）；重叠区间只做标记，不拆分同一时段的双人文本
- 说话人编号在不同次运行间可能互换（可用
--names固定映射；--speaker-db可跨文件复用身份） - FireRedASR2-AED 为可选备选引擎，需另行下载模型与代码（v2.1 起长音频已优化，见上）
- Qwen3-ForcedAligner 需单独下载（约 1.2GB）；未下载时字幕回落到中文专用的 fa-zh，非中文素材会产出错位时间戳
- WeTextProcessing 依赖 pynini，Windows 下需 MSVC 编译；装不上时 ITN 用自写规则，覆盖窄一些但不影响可用性
- 输出 docx 的排版规范依赖
article-format技能（未安装时产出标准 docx，无规范排版） - 质量基准需要人工标注的真实素材；没有基线时，各项优化的效果只能靠主观判断