Pipeline 流程
🔄 完整 Pipeline 并发架构图
下图展示了字幕生成的完整并发架构，包含并行异步任务、Semaphore 控制及任务间依赖关系：
🔒 双 Semaphore 并发控制详解
配置说明：
| Semaphore | 用途 | 默认并发数 | 配置项 |
|---|---|---|---|
transcriptionSemaphore | 控制 Whisper API 调用 | 本地: 1, 云端: 5 | whisperConcurrency |
refinementSemaphore | 控制 Gemini Flash API | 5 | concurrencyFlash |
alignmentSemaphore | 控制对齐服务 | 2 | concurrencyAlignment |
| (术语提取内部) | 控制 Gemini Pro API | 2 | concurrencyPro |
📊 Chunk 内部 6 阶段流水线
🏗️ Pipeline 步骤架构 (v2.13 新增)
v2.13 引入了基于类的步骤架构，将 Chunk 处理逻辑模块化：
步骤说明：
| 步骤 | 文件 | 输入 | 输出 | 用途 |
|---|---|---|---|---|
TranscriptionStep | TranscriptionStep.ts | AudioChunk | SubtitleItem[] | Whisper 语音转文字 |
WaitForDepsStep | WaitForDepsStep.ts | - | Glossary + Speakers | 等待术语表和说话人提取完成 |
RefinementStep | RefinementStep.ts | SubtitleItem[] | SubtitleItem[] | 时间轴校正、术语应用 |
AlignmentStep | AlignmentStep.ts | SubtitleItem[] | SubtitleItem[] | CTC 强制对齐 |
TranslationStep | TranslationStep.ts | SubtitleItem[] | SubtitleItem[] | AI 翻译 |
ProofreadStep | ProofreadStep.ts | SubtitleItem[] | SubtitleItem[] | 批量校对 (可选) |
⚖️ 批量操作对比 (v2.13 新增)
v2.13 将批量操作拆分为两种独立模式：
| 特性 | Proofread (校对) | Regenerate (重新生成) |
|---|---|---|
| 文件 | batch/proofread.ts | batch/regenerate.ts |
| 用途 | 润色和校对已有翻译 | 完全重新处理选中片段 |
| 流程 | 仅调用 Gemini Pro 校对 | 转录 → 润色 → 对齐 → 翻译 (完整流水线) |
| 输入 | 已有的 SubtitleItem[] | 原始音频 + 时间范围 |
| 保留内容 | 保留原始时间轴 | 全部重新生成 |
| 适用场景 | 改善翻译质量、修正错别字 | 修复转录错误、重新分句、更新术语表后重跑 |
| 用户提示 | 不支持 | 支持转录提示和翻译提示 |
| 模型 | Gemini 3 Pro | Whisper + Gemini Flash |
🔗 Pipeline 依赖总结
| 阶段 | 依赖项 | 说明 |
|---|---|---|
| Transcription | transcriptionSemaphore | 独立执行，无阻塞依赖 |
| Wait Glossary | glossaryState.get() | 必须等待术语表确认完成 |
| Wait Speakers | speakerProfilePromise | 必须等待说话人识别完成 |
| Refinement | refinementSemaphore + Glossary + Speakers | 合并并使用所有数据 |
| Alignment | alignmentSemaphore | 高精度时间轴对齐 |
| Translation | refinementSemaphore (共享) | 对齐后进行翻译 |
📚 术语提取与用户交互流程
🗣️ 说话人识别在 Pipeline 中的位置
🔄 数据完整性与协调 ("数据枢纽")
系统采用严格的 数据协调策略 (src/services/subtitle/reconciler.ts) 以确保在流水线各个阶段（Refinement, Alignment, Translation）之间，即使片段数量发生变化（如拆分或合并），元数据也能保持一致。
协调器逻辑 (The Reconciler Logic)
reconcile(prev, curr) 函数充当连接流水线各个阶段的"数据枢纽"。它智能地将 prev（源）的元数据合并到 curr（新生成）的片段中：
- 语义元数据 (Semantic Metadata) (始终继承):
speaker(说话人 ID/名称)comment(用户备注)- 逻辑: 继承自重叠率最高的
prev片段。即使片段被拆分，所有子片段都会继承父片段的说话人信息。
- 内部状态 (Internal State) (条件继承):
alignmentScore(CTC 置信度)lowConfidence(低置信度标记)hasRegressionIssue,hasCorruptedRangeIssue(错误标记)- 逻辑: 仅当检测到 1:1 映射时才严格继承。如果片段被拆分或合并，这些内部标记会被重置。
对齐策略 (CTC)
系统使用 CTC (Connectionist Temporal Classification) 进行高精度对齐：
- 引擎:
ctcAligner.ts调用外部align.exe(MMS-300m 模型)。 - 功能: 基于音频对齐结果更新
startTime和endTime，但绝不拆分或合并片段。 - 元数据: 为片段添加
alignmentScore。低于阈值的评分会触发lowConfidence标记以供用户复查。