# 2026-02-13 语音识别工作记录

## 目标
整合说话者分离（speaker diarization）到 kb-whisper 工作流，替换 OCR 为 Whisper 视频转文字

## glm-4.7 AI 分析返回问题（2026-02-13 新增）

### 发现
- deep_analyzer 使用 `.json` 文件传给 AI
- 实际传给 AI 的是 `text` 字段的前 3000 字
- json 文件结构：
  ```
  ├── text: "為什麼我要說美國就變了..." (~4500字)
  └── segments: 168段 (带时间戳)
  ```

### 三种字幕格式对比
| 格式 | 大小 | 特点 |
|------|------|------|
| .json | 55KB | 完整元数据 + segments |
| .srt | 23KB | 带时间戳的字幕格式 |
| .txt | 9KB | 纯文本，无时间戳 |

### 问题分析
1. **截断问题**：只取前 3000 字传给 AI，可能不够全面
2. **未利用时间轴**：segments 有 168 段时间信息未使用
3. **格式问题**：传给 AI 是纯文本，没有分段结构

### 待用户确认改进方案
- A. 用 `.txt` (9KB) 更简洁的格式？
- B. 用 `.srt` (23KB) 带时间戳的格式？
- C. 改进 json 解析，把 segments 整理成更易读的格式？
- D. 其他方案？

---

## Passwordless Sudo 配置成功
```bash
sudo visudo -f /etc/sudoers.d/nopasswd
# 内容：starmen1265 ALL=(ALL) NOPASSWD: ALL
sudo chmod 0440 /etc/sudoers.d/nopasswd
sudo visudo -c  # 验证：parsed OK
```

## 降级操作（解决兼容性问题）
| 库 | 从 | 到 | 原因 |
|---|---|---|---|
| torch | 2.10.0 | 2.8.0 | speechbrain 需要旧 API |
| torchaudio | 2.10.0 | 2.8.0 | speechbrain 需要 list_audio_backends() |
| NumPy | 2.x | 1.26.4 | pyannote 3.1.1 需要 |
| huggingface_hub | 1.4.1 | 0.19.4 | pyannote 3.1.1 需要 use_auth_token |
| pyannote.audio | 4.0.4 | 3.1.1 | 4.x 与 torch 2.10 兼容性问题 |

## 用户指令
- 只允许修改 `speaker_diarization.py` 中的 segmentation 配置
- 停止所有其他修改
- 暂停说话者分离工作

## 下一步
- 使用已有的 kb-whisper 方案（Whisper.cpp）
- 暂停说话者分离（speaker diarization）
- 等待后续指令

## 当前环境
- whisper.cpp: ~/whisper.cpp
- whisper 模型: ggml-base.bin
- kb-whisper 脚本: skills/kb-whisper/whisper.py