熵减 ASR 质量与链路优化方案（2026-09-03 · 技术栈不受限 · 自验证路线版）
状态：决策稿 （待用户裁决 D0~D6，见 §七）
数据源与证据分级：
【代码证】 已核对 app/src-tauri/src 源码/单测；【wiki: 文件(行)】 出自 .qoder/repowiki/zh/content/（2026-09-03 Qoder 依 dev 生成、AI 撰写）。wiki 与代码已发现多处背离（附 A 定案案例），wiki 断言一律以代码互证为准 ；【推断】 未验证判断；【前沿】 2026-09 检索外部资料（附 B，口径以出处为准）。
用户裁决（2026-09-03）：① 实际人工验证几乎不可能——验证必须代码自验证 （见 §二）；② 方案继续推进到决策。
关联：ADR-003（流式 ASR 架构）· ADR-012 · REQ-041/068/101 · v0.19 检索与发现层设计（同受转写文本质量影响）
ASR 感知质量提升空间按杠杆排序：① 自验证基线（无人工语料也能测）；② 既定规则参数经验化 → 自动 A/B 标定；③ 实时会话缺"全量离线精修"档；④ 术语/专名错（热词与混淆画像闭环）；⑤ 换芯裁决（2026 年有更强中文模型，但过裁决门） 。真实人工验证不可行 → 全部改为代码自验证 （内置参考信道 + 自动 A/B + golden 回归），凡是"需要人工转写/真机走查"才能验收的条目一律降级为"自验证可测项"或剔除。
2.1 参考（ground truth）从哪来——不依赖人工
参考源
质量
可得性（代码证）
用途
外挂/内嵌字幕轨（.srt/.ass/.vtt）
~100%（无损信道）
导入链路已支持字幕探测与字幕优先（REQ-016/017）
主参考 ：对"强制 ASR"重跑结果做 CER
字幕 OCR 多帧投票文本
~99%
subtitle_ocr 投票器（REQ-062）已交付
无字幕文件但有画面的素材参考
会话内字幕来源段
同上
session_segments.source='subtitle'（融合链路）
既有历史会话批量回测
无参考素材
—
—
不进 CER 评测；只产出稳定性/画像/回归基线
2.2 自验证 harness（新增 bin：asr_eval） 输入：样本目录（*.wav/*.mp4/*.srt 配对 或 视频+画面字幕）
→ 对每个样本：音频提取 → [被测路径] 转写（流式档/离线档/预处理开关/参数矩阵）
→ 参考获取：同名字幕文件 > 画面字幕 OCR > 跳过
→ 对齐（复用 dtw_align 纯函数）→ CER（复用 cer.rs）→ 混淆画像统计（同音错对 top-N）
→ 输出：单样本报告 + 汇总（分"档案桶"由调用方标注）+ A/B 参数矩阵对比表
退出码 = 回归门（相对基线 CER 退化 > 阈值 → 失败，供 CI/本地回归）
复用全部现成件（代码证）：bin/cer_bench（现成单样本范式，扩展为批量）、src/cer.rs、dtw_align.rs（对齐+漂移估计）、bin/asr_forensic（取证范式）、字幕导入/OCR 链路。
golden 固化 ：首批有参考样本（字幕文件保留）沉淀为 src-tauri/fixtures/asr/* 测试夹具，cargo test 自动回归（模型文件不打入——夹具只存参考与音频特征？音频文件体积大——方案：夹具存音频 + 参考 + 期望阈值 ，音频放开发机 fixtures 并 gitignore/或脚本下载，与现模型分发同哲学）。无人工依赖的 A/B ：同一批样本 × 参数矩阵（VAD/端点/重打分门限/融合权重/预处理开关）自动两两对比；输出"参数 → CER/画像"表。局限（诚实）：无字幕素材无法测绝对 CER；参考误差（字幕 OCR 非 100%）会稀释精度——所有结论只做相对对比与回归 ，不宣称绝对指标。
凡退出标准含"用户走查/人工转写/真机环境"的条目，一律改写为：harness 回归 + golden + 可选用户抽样复核（不再作为验收依赖） 。
三、全链路机会清单（决策用，优先级见 §七 D2）
机会
现状与证据
建议动作
优先级
预处理默认定案
AGC+削波+噪声底链默认关 ，生产启用待 CER 微基准（代码证 audio_preprocess.rs；REQ-101 口径已立）
asr_eval 有参考子集 A/B：开/关 → 定默认并落 audio_preproc_config 持久化
P1
噪声底陈旧
仅静音块更新（wiki: 音频捕获 185 待互证）
互证后语音期低频更新
P2
停录句尾丢失
flush 静默尾块丢弃（wiki: 音频重采样 193 待互证）
尾部缓冲入句音频
P2
机会
现状与证据
建议动作
优先级
参数标定族
预热 50 块/窗口 400 块≈80s/±20%；rule1 2.4s/rule2 1.2s/rule3 8s(env)——代码证；wiki 自注需业务数据校准（自适应 VAD 304 等）
asr_eval 参数矩阵自动 A/B；档案化 （口播/圆桌/实操桶）
P1
Silero 落差
AGENTS 记 Silero，代码零引用 （能量自适应；ADR-003 原文待核）
先修订规范口径；重开模型 VAD 选型 = 决策项 D5
P3/决策
rule3 入口
仅 env（代码证 ENTROPY_ASR_RULE3_SECS）
配置 UI/JSON + 档案化
P2
机会
现状与证据
建议动作
优先级
重打分积压
3s 超时（代码证）；慢机积压丢内容（wiki: 流式 135/349 待互证）
积压计数+停止 drain；harness 慢速档回放
P1 验证
热词加固/扩展
modified_beam_search 耦合、表外字 abort（wiki: 模型管理 126/271 待互证）；领域细分已有（video_profile_domain_fine 代码证）
tokens 过滤+单测；注入源扩展（标题/章节/术语候选）；对标三代热词（附 B）
P1
机会
现状与证据
建议动作
优先级
会话级全量离线精修 实时=端点句 rescore（门限 40%/前缀扩展——wiki: 重打分 146 + asr_rescore 代码证）；导入=全窗 SenseVoice（代码证 import_transcribe）；S4 落盘已交付
新命令：会话结束全量第二遍 → 段级 diff → 采纳/回退（原料不动、产物可逆）；harness 可自动对比精修前后 CER
P1
第二遍模型档
SenseVoice 现用；同 crate 候选（Paraformer-zh 220M 等，sherpa 生态）
P3 spike 同评测集裁决
P3
机会
现状与证据
建议动作
优先级
DTW 未接线 dtw_align.rs 纯函数+测试齐备，无生产调用点（代码证）
接线进字幕融合入口；asr_eval 对字幕样本输出漂移估计分布（无需人工）
P1
融合参数族
gap 1000ms/SIM 0.8/LOW 0.6/0.6-0.4 权重——wiki 多处自注需实测校准
asr_eval 端到端 A/B（融合输出 vs 字幕参考）
P1
机会
现状与证据
建议动作
优先级
ASR 同音混淆画像
OCR 侧完整闭环（ocr_confusion+JSON 校准+确认，代码证）；ASR 侧无
asr_eval 内建画像统计 → 自动生成候选纠错表（共现才替换，OCR 哲学迁移）→ 人工一键确认
P1/P2
可选 LLM 文本校对
ai_platform 现成（本地 Ollama/云端 + content_gate 默认关）
建议制逐句校对；仅文本上云，语音不出本机
P2
机会
现状与证据
建议动作
优先级
健康阈值
5s/15s/3s（wiki: 健康监控 102；asr_health.rs 存在代码证）
事件落库统计后标定
P2
ASR 指标可视化
引擎计数入质量报告（代码证注释）
会话报告暴露（重打分率/降级/漂移分布）
P2
GPU
已定案：ASR 无 GPU 分支 （device_config 仅 OCR，代码证；wiki 混淆）不动作；sherpa-onnx 流式无 CUDA EP，上 GPU 不具性价比
—
asr_eval harness + fixtures + CI 回归（§二）；错误画像与混淆闭环共用。
档
候选
裁决要点
同 crate 调参
现模型+链路
零风险，P0~P2 先行
同 crate 换模型
sherpa 生态内（Paraformer-zh/新版 zipformer/在线 CTC，官方模型表 ）
asr_eval 同集裁决：CER×延迟×体积×热词支持
跨运行时
FunASR 系（fsmn-vad/paraformer-streaming/ct-punc/cam++/三代热词）、FireRedASR v2（GPU 基准第一）、Qwen3-ASR（方言）、Fun-ASR-Nano（方言流式 ONNX）
ADR 草案先行 ：服务形态/GPU 依赖与本地单机架构冲突；产品场景是否买单
云端语音
语音上云
隐私红线 ：默认不做；需独立授权决策 + ADR
量级参考（汇总文 2026-03，口径不一 ）：普通话平均 CER FireRedASR2-LLM 2.89/AED 3.05、Qwen3-ASR 3.76；AISHELL-1 Paraformer-zh ~1.95、SenseVoice-Small ~3.0（各口径）。不替代自测。
批
内容
预估
退出标准（全部代码自验证）
P0
asr_eval harness + fixtures 首批 + 首轮自测报告（有参考子集 CER/画像/漂移分布）；文档落差留痕（附 A 定案修订）
1-2d
harness 交付；报告产出；cargo test 全绿
P1
DTW 接线；预处理默认定案；VAD/端点/融合/去重参数族 A/B 标定；热词加固+注入扩展；重打分积压验证
3-5d
每项 asr_eval A/B 结论页；golden 回归零误删
P2
会话全量离线精修（采纳/回退 UX）；混淆画像→纠错/热词闭环；可选 LLM 文本校对（默认关）
3-5d
harness 前后 CER 对比；默认关合规；golden
P3
同 crate 换模型 spike；如需跨运行时 → ADR 草案；模型 VAD 重开评估（若 D5 通过）
2-3d+
评测矩阵 + 裁决
原料层永不可变（产物可逆+来源标记）；模型文件不入库、下载受限 TLS（本地归档先例）；语音不出本机 ，文本级 AI 走 content_gate 双闸门默认关+审计；参数改动可配置可回退（JSON 校准先例）+ golden 防误删；换推理栈 = ADR；所有"需人工/真机"验收条目改为 harness/golden 自验证 （用户裁决 ①）。
#
决策点
选项
建议默认
D0
验证路线
纯代码自验证（asr_eval+golden，本稿已按此改写）
✅ 采纳（用户已定）
D1
首批立项范围
A 仅 P0（harness+首轮报告+口径修订）｜B P0+P1｜C P0+P1+P2｜D 暂不立项只留文档
A（先见尺子再调参）
D2
版本/需求归属
开 v0.20 系列（ASR 质量增强）｜并入 v0.19 系列尾批
v0.20 系列；登记 REQ-263+（asr_eval/DTW 接线/参数标定/全量精修/画像闭环 依立项批登记）
D3
Silero/GPU/DTW 口径修订
随 D1-A 一并修订规范文档（AGENTS 技术栈表/ADR-003 标注）
✅ 随批修订（规范先行）
D4
DTW 接线
随 P1 实施（低成本、确定性高）
✅
D5
重开模型 VAD 选型
暂缓（先标定能量 VAD 再量化差距）｜立项 spike
暂缓
D6
换芯（跨运行时/云端）
全部暂缓至 P3 评测后｜仅同 crate 档立项
暂缓（附 B 模型情报保留备用）
实施同步：需求池登记（依裁决批）＋ 版本文档（v0.20 或并入 v0.19）＋ AGENTS/ADR 口径修订提交。
已定案（代码证）
wiki"ASR 模型管理页 GPU/CPU 自动选择" → GPU 决策仅属 OCR（device_config 引用面）。
wiki"说话人分离无实现" → 弱化版已实现（speaker_engine/speaker_change/commands_speaker）。
AGENTS 记"Silero VAD" → 代码零引用 （能量自适应 + sherpa 端点规则；ADR-003 原文待核）。
wiki"DTW spike 预留" → 属实：纯函数+测试齐备，无生产调用点 。
rule1/2/3、hangover 3 块、rescore 3s、rule3 env → 与代码一致。
待核查（实施时逐条互证） ：重打分积压（流式 135/349）；热词表外字 abort/下端点生效（模型管理 126/149/271）；健康阈值 5/15/3s（健康监控 102）；静音尾块丢弃（音频重采样 193）；边界段复核（去重净化 364）；word_timestamps None 近似（转写片段 101/118）；bigram O(nm)（去重净化 337）；噪声底静音块更新（音频捕获 185）；双声道取最大 RMS（音频重采样 300）。