Archived

This repository has been archived on 2026-02-15. You can view files and clone it. You cannot open issues or pull requests or push a commit.

Files

T

starmen1265 b7b40b1ece feat(deep_analyzer): 使用SRT简化时间格式 + 分块分析 + 纯文本AI

- 添加 load_srt() 支持 SRT 字幕格式
- 时间格式简化为 HH:MM:SS
- 超过3000字自动分块分析
- _merge_summaries 改用纯文本而非JSON
- 添加提取函数解析AI响应

2026-02-13 12:28:21 +08:00

2.1 KiB

Raw Blame History

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

截断问题：只取前 3000 字传给 AI，可能不够全面
未利用时间轴：segments 有 168 段时间信息未使用
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

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

2.1 KiB Raw Blame History Unescape Escape