Skip to content

v0.4.0.md

Latest commit

 

History

History
178 lines (138 loc) · 23.3 KB

v0.4.0.md

File metadata and controls

178 lines (138 loc) · 23.3 KB
Raw

v0.4.0 — 第四阶段：课堂助手本地模式完成 + 实时性/准确性/资源三维优化

状态: 已完成（2026-08，M0–M7 全部实施：TD-033 已偿；M1 EP 改 CUDA（ADR-009）；M2 动态 ROI；M3 静默修正 + hash 短路；M4 预算制 + 降级 + OCR 缓存；M5 词表闭环 + 课件预热；M6 预处理链 + 声道选优；M7 降级链 + 巡检 + 诊断；REQ-033 真机验收待用户执行——关闭保护/音频重连/DXGI 重建三项与 GPU 卸载实际生效需真机验证） 目标: 完成课堂助手本地模式的代码构建——实时链路（WASAPI+DXGI+流式 ASR+VAD+字幕 OCR+融合）与文件链路（导入+字幕优先）全本地闭环、无云依赖；落地本轮架构评审确定的优化（GPU 卸载、动态字幕区域、流式先行、资源预算、热词闭环）与头脑风暴采纳增量（音频前端、韧性与可观测）。 关联: 需求池 v0.4.0 · ADR-009（M1 产出）· ADR-005（动态 ROI 扩展）· 头脑风暴 T3/P1/P8 · 机制整合版 v2（[ ] 已归档，采纳增量 REQ-036~042 已实施）· 技术债清单

一、阶段目标

  1. 本地模式代码构建完成：课堂助手两条链路（实时捕获/文件导入）全部本地化闭环，v0.3.0 遗留收尾（REQ-033 真机验收、TD-033）
  2. 资源维度：OCR 推理 GPU 卸载（DirectML EP + 能力检测自动选择 + 回退链）；采样预算制 + 高负载自动降级
  3. 准确性维度：动态字幕区域检测（替代硬编码底部 1/4）；热词/替换词表 + OCR→ASR hotwords 闭环
  4. 实时性维度：流式 partial 先行上屏 + SenseVoice 异步静默修正（Fast First, Correct Later）
  5. 音频前端与信号增强（REQ-041，头脑风暴整合版 v2 采纳）：可选 RNNoise/AGC 预处理链 + 声道策略 + 窗口标题信号
  6. 韧性与可观测性（REQ-042，头脑风暴整合版 v2 采纳）：ASR 三级降级链 + 资源健康监测 + 静默失败可见化 + 本地诊断面板 + 启动加速

本阶段不做：闪卡（REQ-019/020，用户决策 2026-08 再次顺延：v0.4.0 聚焦课堂助手）；时间轴回放与可编辑（REQ-023，V1.0）；AI 问答与云端精修（REQ-024/025，V1.0）；零拷贝（已裁决：当前负载下无收益）；ASR GPU（架构预留 DeviceConfig 扩展位，不换 sherpa-onnx 构建）；声学模型本地微调（已否决：sherpa-onnx 无训练能力，见整合版 §7）。

二、范围（需求追溯）

REQ 内容 验收要点 规划状态
REQ-036 OCR GPU 卸载 + ORT 运行时调优：CUDA EP（spike 结论：ORT 1.28 无官方 DirectML 构建，用户指示改 CUDA）+ 能力检测自动选择 + 回退链 + 线程/图优化级别 独显（NVIDIA）机器 OCR 走 CUDA（状态可查）；无 NVIDIA/驱动过旧自动 CPU；ForceGpu 失败降级 CPU 并提示；可校准；调优后单帧延迟基准对比 已实施（ADR-009）
REQ-037 动态字幕区域检测：播放区域检测 + det 驱动 ROI 锁定 + 周期重扫 + 滚动字幕强过滤 非底部字幕（全屏游戏/侧边字幕）锁定正确 ROI；非全屏/网页播放器（含 UI 干扰）锁定播放区域内字幕；弹幕被滚动过滤；ROI 失效触发全帧重扫并更新 已实施（spike：oar-ocr 0.9.1 TextRegion 暴露 bounding_box，坐标过滤/ROI 锁定精确路径成立）
REQ-038 实时字幕体验：流式先行上屏 + 异步静默修正 + 哈希去重快速通道 partial 先上屏（识别中样式），重打分完成静默替换无闪烁；同文本 hash 短路不重复识别 已实施（partial 节流 150ms 已有；灰→黑原位修正落地；投票器 identical 短路落地）
REQ-039 采样预算与自动降级：QoS 预算制 + 高负载/电池降级 + VAD 采样旋钮 + OCR 结果缓存（LRU） 字幕区 ≤2fps / 全帧 ≤0.5fps 封顶；高负载自动降档；参数化旋钮生效；PPT 翻页往返不重复识别 已实施（预算封顶校验、降级档、VAD 旋钮、aHash+LRU 缓存、负载监测）
REQ-040 热词/替换词表 + OCR→ASR hotwords 闭环 + 课件预热（REQ-025 本地部分提前） 词表 CRUD；ASR 命中率提升；OCR 替换词纠错生效；OCR 高频词可一键加入热词；PPT/PDF 导入自动生成热词候选 已实施（词表 JSON 持久化 + ASR 注入端点生效 + OCR 纠错 + OCR 高频建议 + 课件候选 pptx/txt/md；PDF 文本提取留 v0.5 完整版）
REQ-041 音频前端与信号增强：RNNoise+AGC 预处理链（可开关）/声道策略/窗口标题信号 预处理开关生效 + 微基准（CER 对比）；声道选优生效；标题信号入库 已实施（AGC/削波检测/动态静音阈值 DSP 链默认关 + 声道 RMS 选优接入环回 + source_window 标题已入库；RNNoise 评估留 v0.5，微基准样本留真机）
REQ-042 韧性与可观测性：ASR 三级降级链/资源健康监测/静默失败可见化/本地诊断面板/启动加速 流式引擎失败自动降级不丢流 + UI 提示；磁盘/模型巡检徽标；面板可查帧率/延迟/CPU 已实施（降级链状态机 + live:asr-degraded 提示；磁盘/模型/心跳巡检徽标；失败计数/缓存命中率/后端诊断命令 + 前端面板；引擎常驻启动即加载满足"双击能录"基线；帧率曲线数据源留日志）
REQ-019/020 闪卡 SM-2 + 笔记→闪卡一键生成 — 顺延（用户决策 2026-08：v0.4.0 聚焦课堂助手本地模式）

三、技术方案

M0 v0.3.0 收尾（前置）

  • REQ-033 真机验收：关闭保护 / 音频指数退避重连 / DXGI 周期重建三项验收执行（代码已交付 2026-08-18）
  • TD-033 修复：DxgiState 保存输出 DesktopCoordinates，窗口中心越界立即触发重建（替换最长 30s 空窗的周期重建等待）
  • 技术债清零核对：TD-040（ffmpeg 捆绑）维持 deliberate 观察，本版不处理
  • v0.3.0 发布：CHANGELOG + 版本文档沉淀，进入 v0.4.0 开发基线

M1 OCR GPU 卸载（REQ-036，设计已评审确认 → 产出 ADR-009）

实施修正（2026-08 spike 结论 + 用户指示）：EP 由 DirectML 改为 CUDA——ORT 1.28 无任何官方 DirectML 构建（GitHub v1.25+ 停发、NuGet 止于 1.24.4），与 ort-sys rc.13（ABI 1.28）不兼容；CUDA 官方 gpu_cuda12 运行时存在且链接验证通过。原 DirectML 细节均以 CUDA 等价物落地，完整决策见 ADR-009。

目标：能上 GPU 就上 GPU，让出 CPU 给 ASR/前端；决策零误判成本。

  1. ADR-009 编写（按 adr-template，含 spike/合规验证清单）：
    • 范围：仅 OCR（det+rec）CUDA EP；不做零拷贝、不做 ASR GPU（DeviceConfig 预留扩展位）
    • 检测机制：混合三层——① DXGI 硬件门槛（无 NVIDIA/WARP → CPU）；② ORT 原生回退（[CUDA, CPU]，oar-ocr 官方示例同款）；③ 可选微基准校准（"重新检测"按钮）
  2. device_probe.rs（新，~170 行）：复用 windows crate Win32_Graphics_Dxgi——CreateDXGIFactory1 → EnumAdapters1 → GetDesc1，产出 AdapterInfo { index, description, vendor_id, dedicated_vram, is_software }；纯函数 select_best(adapters) -> Option<usize>：非软件 + NVIDIA（0x10DE）+ 显存 ≥1GB 候选，取显存最大者（CUDA device_id 固定 0，多卡映射留 NVML）
  3. device_config.rs（新，~230 行）：OcrDeviceMode { Auto | ForceGpu | ForceCpu }（默认 Auto）+ OcrDeviceConfig { mode, bench } JSON 原子写应用数据目录（路径可注入，测试用）；纯函数 decide(mode, best_device, bench) -> OcrBackend { Cpu | Cuda { device_id } }——Auto：无候选 → Cpu；有候选且 bench 显示 GPU 优势 <10%（防抖动阈值）→ Cpu；否则 Cuda
  4. ocr.rs 修改：OcrEngine::load(models, params, backend)——CUDA 时经 OAROCRBuilder::ort_session(OrtSessionConfig::with_execution_providers([CUDA{device_id}, CPU])) 注入（oar-ocr 0.9.1 已确认暴露该 API，EP 顺序即回退顺序）；构建失败自动回退 CPU 重建，记录 fallback_reason；E1 调优（intra_threads=2 + 优化级别 All）CPU/CUDA 统一注入
  5. engine.rs 修改：EnginePool::start 增加 backend 与共享状态参数；OCR worker 加载后回写 actual/fallback_reason；ocr_device_status 反映实际生效后端
  6. 分发：app/download-ort-cuda.ps1（PowerShell 下载 onnxruntime-win-x64-gpu_cuda12-1.28.0 到 ort/，.part 原子写入 + 校验，同 sherpa 模式绕 TLS；脚本须保持 ASCII-only——PS 5.1 无 BOM 时按 GBK 解析）；.cargo/config.toml 的 ORT_LIB_LOCATION 指向 GPU 包 lib/（含 CPU EP，一套运行时双后端）；build.rs 保持复制 onnxruntime.dll（压过 system32 旧版）；CUDA 运行时数十个 DLL 不复制进 target——lib.rs setup 最早期 SetDefaultDllDirectories + AddDllDirectory(ORT_LIB_LOCATION)（Win32_System_LibraryLoader）；Cargo.toml：oar-ocr features += cuda（经 ocr-cuda 开关默认开，关闭时 CUDA 请求显式失败回退）
  7. 命令与 UI：ocr_device_status / ocr_device_set_mode / ocr_device_recalibrate（后台临时 CPU+GPU 引擎各跑 3 帧真实 OCR 取中位数，持久化 bench）；ClassroomPage 设置区加 OcrDeviceSetting 组件（模式下拉 + 当前后端 + 回退原因 + "重新检测"按钮 + 校准轮询）；变更下次引擎启动生效并提示
  8. 测试：probe 分类/选择单测（注入 fake adapter 列表，NVIDIA 过滤）；decide 决策矩阵（3 模式 × 探测 × bench）；config 读写 roundtrip（tempfile）；无 NVIDIA 环境 Auto → Cpu 全绿（CI 安全）；真 GPU 集成测试标注
  9. ORT 运行时调优（E1，整合版 v2 采纳）：intra-op 线程数（2，初始基准值）/ 图优化级别（All）随 EP 注入同一 OrtSessionConfig；调优前后单帧延迟基准对比（校准日志数据源）

M2 动态字幕区域 + 播放区域检测（REQ-037，评审 C 项 + 整合版 v2 采纳）

实施纪要（2026-08）：① 前置 spike 确认 oar-ocr 0.9.1 TextRegion.bounding_box 暴露 bbox（含 dt_poly/rec_poly/word_boxes）——坐标过滤 + ROI 锁定精确路径成立，无需退化；② 滚动字幕过滤复用现有雏形（subtitle_ocr.rs is_scrolling LCS 比例 ≥60%，测试已覆盖弹幕/歌词场景）——"位移稳定"方向判定增量留待数据支撑；③ 落地：playback_region.rs（黑边扫描）+ region_tracker.rs（ROI 锁定/失效重扫状态机）+ OcrBlock 携带 bbox + live_session_frame 接入（先验=播放区域底部 1/4，无播放区域退化窗口坐标，零回归）。

动机：ADR-005 的底部 1/4 硬编码在全屏游戏/非标准布局（弹幕、侧边字幕）下失效；且在非全屏/网页播放器（B站/网课平台）场景下，窗口底部 1/4 常被播放器控制栏/推荐列表/评论区占据——字幕 ROI 必须在"实际视频播放区域"坐标系内计算（必要性论证见下方第 2 项）。

  1. 前置 spike：确认 oar-ocr 的 OcrBlock 是否暴露 bbox 坐标（当前只有 text/score）——暴露则坐标过滤 + ROI 锁定；不暴露退化为"区域规则 + 裁剪输入"（ADR-005 已有回退路径，可接受）
  2. 播放区域检测（新，纯规则，成本极低；启动期执行 + 周期性重扫）：
    • 必要性论证：全屏播放器播放区域≈窗口（此场景收益低）；窗口化/网页播放器窗口含大量 UI 干扰（控制栏/侧边栏/评论区/推荐流）——字幕区启发式在此坐标系下失效，OCR 噪声高、推理浪费大（UI 文字被反复识别）。课堂主场景为网课网页播放器，属高收益侧，必要。
    • 黑边扫描：顶部/底部/左右逐行（列）像素方差阈值判定 black-bar → 得视频矩形（letterbox 场景，主流方法）
    • 退化启发式：无黑边场景（浅色 UI 底色/海报帧）退化为"窗口内文本密度最低外缘带"判定
    • 回退链：检测失败 → 沿用窗口坐标系（现状行为），静默回退不阻断会话
    • 边界：弹幕叠加在播放区域内，播放区域裁剪不能滤弹幕——与滚动字幕过滤（第 4 项）互补而非替代
  3. region_tracker.rs（新，纯逻辑可单测）：
    • 启动期：全帧 det 跑 3 帧，播放区域内文本高密度区域（bbox 聚类/密度统计）锁定为 ROI
    • 运行期：仅对 ROI 裁剪 OCR；ROI 内文本消失/低置信超过阈值（如连续 N 帧）→ 触发全帧重扫并更新 ROI（适应场景切换）
    • 初始先验：播放区域内底部 1/4 作为首帧优先区域（避免首帧全帧 det 延迟）
  4. 滚动字幕/弹幕强过滤（B7，整合版 v2 采纳）：长公共子串检测 + 滚动方向判定（连续 N 帧共享长公共子串且位移稳定 → 标记滚动字幕丢弃），强化现有雏形
  5. 衔接：播放区域检测 → ROI 裁剪（区域内）→ B2 缩小（>960px 最近邻）→ B1 投票（M3 的 hash 短路前置）

M3 实时字幕体验（REQ-038，评审 A/F 项）

动机：流式链路已存在（ADR-003：partial 节流推送 + SenseVoice 一致性校验重打分），缺的是 UI 层"Fast First, Correct Later"。

  1. 流式先行：partial 事件（≥150ms 节流）上屏，样式标记"识别中"（灰色）
  2. 静默修正：SenseVoice 重打分完成且一致性校验通过 → 前端静默替换文本（灰→黑），无闪烁无跳动；校验不通过保持原文
  3. 哈希去重快速通道：B1 投票器前加精确 hash 短路（同文本直接跳过字符级投票计算），降低重复帧开销
  4. 实现以纯前端为主 + subtitle_ocr.rs 小改

M4 采样预算与自动降级（REQ-039，Foresight P1/P8 + 评审 E 项）

动机：资源利用率维度——现有 DualRateScheduler（ADR-002）为固定双速率，升级为预算制 + 可降级。

  1. 采样预算制（P1）：字幕区 ≤2fps、全帧 ≤0.5fps 封顶，模块向调度器申请预算（DualRateScheduler 扩展为预算分配，超预算排队/丢弃）
  2. VAD 驱动采样旋钮（评审 E 项）：复用 B3 的 speech_active（RMS 标志）——语音期字幕区为主、静音期全帧提频（板书要点关键期）；帧率档位参数化可配；不做"静音降频"（与笔记目标相悖，已裁决）
  3. 自动降级（P8）：高负载/电池模式 → 全帧 0.2→0.1fps、关闭次要功能，保 ASR 主链路；资源监测（CPU 占用采样）
  4. OCR 结果缓存（E5，整合版 v2 采纳）：区域感知哈希（区域 + 缩略哈希）→ LRU 结果缓存；A→B→A 帧往返（PPT 翻页/窗口抖动）复用缓存零推理；与变化检测构成两级过滤（变化检测滤"无变化"帧，缓存滤"变回去了"的帧）
  5. 调度决策为纯函数，单测覆盖预算分配/降级触发/缓存命中

M5 热词/替换词表闭环（REQ-040，Foresight T3 + REQ-025 本地部分提前）

动机：技能自学场景专业术语是 ASR/OCR 主要错误源；sherpa-onnx hotwords 已支持（TD-032 已防空热词崩溃），缺词表管理与闭环。

  1. 词表存储：热词/替换词表本地持久化（SQLite 表或 JSON，纯本地）；CRUD 命令 + 前端词表管理 UI（增删改查 + 批量导入）
  2. ASR hotwords 注入：词表变更后重建流生效（create_stream_with_hotwords，无热词走 create_stream）；热词加权生效验证
  3. 替换词表 OCR 后纠错：识别文本按替换词表修正（"王者→主者"类错误），纯规则可单测
  4. OCR→ASR 闭环（T3）：OCR 高频生僻词自动建议加入热词（用户确认后生效），口头复现时准确率提升
  5. 课件预热（A4 最小版，整合版 v2 采纳）：课前导入 PPT/PDF → 本地文本提取 → 自动生成热词/替换词候选（用户确认后生效）→ 预热流；无课件不阻断；完整版（标题树大纲骨架）留 [v0.5]

M6 音频前端与信号增强（REQ-041，整合版 v2 采纳：A1/A2/A5）

动机：课堂环境噪声（键盘/风扇）与音量不均（多人发言）是 ASR 错误的主要环境来源；环回捕获的"成品音频"质量较高，故预处理一律可开关 + 微基准定默认。

  1. 音频预处理链（A1）：采集后、VAD 前插入 DSP 纯函数——RNNoise 降噪（~3ms 延迟、低 CPU）+ AGC 自动增益 + 动态静音能量阈值（防轻声讲课被 VAD 截断）+ 削波检测；audio_loopback.rs 后处理；默认关，微基准（降噪开/关 CER 对比）后定默认值
  2. 声道策略（A2）：立体声环回按 RMS 能量选优/合并（单声道混入杂音时另一声道更干净）；不同播放器布局样本验证
  3. 窗口标题/元数据信号（A5）：捕获目标窗口标题 → 章节语义暗示（"PPT-第3章"/IDE 文件名）采集入库；为后续章节检测（v0.5 C1）提供投票信号，本期仅采集与存储
  4. 测试：预处理参数/声道选优纯函数单测（合成音频）；微基准报告归档

M7 韧性与可观测性（REQ-042，整合版 v2 采纳：F5/F2/F3/G2/E3）

动机：防御性编程铁律 + "先测量后优化"原则——降级链、健康监测与诊断面板是 v0.4.0 三维优化的测量与兜底基础设施。

  1. ASR 引擎降级熔断链（F5）：三级链正式化——流式 Zipformer → 离线 SenseVoice 按块转写（ADR-003 方案 B 从"保留"升为正式降级档）→ VAD+静音占位（不丢流）；降级时 UI 明确提示准确率下降；决策为纯函数可单测
  2. 资源健康监测（F2）：磁盘空间/模型文件完整性/引擎线程存活巡检 → 会话页状态徽标（磁盘写满崩溃是最常见隐性故障）
  3. 静默失败可见化（F3）：OCR/ASR 失败计数 → 会话摘要提示（TD-001 笔记侧已有，扩展到会话详情）
  4. 本地诊断面板（G2）：帧率/延迟/CPU 曲线/预算命中率/OCR 缓存命中率（开发期可见，可隐藏）——v0.4.0 优化项的实测依据，替代当前代码推断的开销排序
  5. 启动加速（E3）：模型 mmap/预加载 + 首会话前后台预热 + WebView 懒加载；"双击到能录"体验
  6. 测试：降级链决策矩阵、巡检器状态机单测

M8 端到端验收 + 发布

  • 全链路验收（实时会话 + 文件导入 + 优化项回归）；cargo test + cargo clippy 全绿
  • 更新 CHANGELOG；版本文档沉淀；需求池状态流转关闭

四、验收标准

  • GPU 卸载：有独显机器 OCR 实际走 DirectML（ocr_device_status 验证）；无 GPU/核显机器自动 CPU；ForceGpu 在 GPU 不可用时降级 CPU 且 UI 提示；"重新检测"校准后决策生效
  • 动态 ROI：非底部字幕视频（模拟全屏游戏/侧边字幕）锁定正确区域；ROI 文本消失触发全帧重扫并更新
  • 实时体验：字幕先灰后黑静默替换，无闪烁；同文本 hash 短路不重复识别（日志/耗时验证）
  • 采样预算：CPU 占用峰值下降（对比 v0.3.0 基线）；高负载降级档位生效；旋钮参数可配
  • 热词闭环：热词表生效（ASR 术语命中率提升）；替换词 OCR 纠错生效；OCR 高频词一键加入热词闭环
  • 回归：v0.3.0 验收项不劣化（字幕优先/融合/停止秒回/实时面板/韧性采集）
  • ORT 调优：单帧 OCR 延迟基准对比（调优前后，E1）
  • 播放区域检测：模拟网页播放器（窗口含 UI 干扰 + 黑边）锁定播放区域内字幕；无黑边场景静默回退不阻断（M2）
  • 滚动过滤：弹幕/歌词视频不产生字幕段（B7）
  • OCR 缓存：PPT 翻页往返不重复识别（日志/耗时验证，E5）
  • 课件预热：导入 PPT 后热词候选生成，确认后 ASR 术语命中率提升（M5）
  • 预处理链：开关生效 + 微基准 CER 对比报告归档，默认关（A1）
  • ASR 降级链：模拟流式引擎失败 → 自动降级离线按块转写 → 不丢流 + UI 提示（F5）
  • 诊断面板：帧率/延迟/CPU 曲线/预算命中率可查（G2）
  • cargo test 新增：probe 分类与选择、decide 决策矩阵、config roundtrip、播放区域检测、ROI 锁定/重扫决策、滚动过滤、缓存 LRU、预算分配/降级、词表加载/匹配/建议、降级链决策、预处理参数

五、里程碑

步骤 内容 产出
M0 v0.3.0 收尾（REQ-033 真机验收 + TD-033 + 发布） 干净基线
M1 OCR GPU 卸载 + ORT 调优（REQ-036） ADR-009 + device_probe/device_config + EP 注入 + 分发 + 状态 UI + 基准
M2 动态字幕区域 + 播放区域检测（REQ-037） region_tracker + 播放区域检测 + 滚动过滤 + spike 结论
M3 实时字幕体验（REQ-038） 流式先行 + 静默修正 + hash 短路
M4 采样预算 + OCR 缓存（REQ-039） 预算调度器 + 降级策略 + LRU 缓存
M5 热词闭环 + 课件预热（REQ-040） 词表管理 + hotwords 注入 + 替换纠错 + 预热
M6 音频前端与信号增强（REQ-041） 预处理链 + 声道策略 + 标题信号 + 微基准
M7 韧性与可观测性（REQ-042） ASR 降级链 + 健康监测 + 诊断面板 + 启动加速
M8 端到端验收 + 发布 v0.4.0

六、开放问题 / 风险

  • oar-ocr bbox 坐标暴露（M2 前置 spike）：暴露则 ROI 锁定精确；不暴露退化为区域规则 + 裁剪输入（可接受，ADR-005 已有路径）
  • DML 运行时分发：~100-200MB 体积 + GitHub 下载源在 TLS 拦截环境的可用性（PS 脚本多镜像回退，同 ffmpeg 模式）
  • DirectML 算子覆盖：rec 模型 LSTM/CTC 节点在 DML 上真正执行还是回退 CPU（spike 决定收益上限）
  • 多 GPU 枚举序：DML device_id 与 DXGI 枚举序一致性（spike 验证；不一致则退化为 device_id=0）
  • GPU 卸载生效时机：配置变更下次引擎启动生效（不做热重启，避免中断进行中会话）
  • TD-040：生产安装包无捆绑 ffmpeg（deliberate，体积策略观察中）
  • 闪卡 REQ-019/020：状态待定（用户决策 2026-08 暂缓，v0.4.0 不纳入）
  • DirectML 与核显组合：新核显可能快于老独显——由"重新检测"校准兜底（Auto 默认仍走硬件门槛 + ORT 回退）
  • 播放区域检测可靠性（M2 新增）：黑边扫描对无黑边视频（浅色 UI 底色/海报帧）的识别率需 spike（合成帧 + 真实站点样本）；失败必须静默回退窗口坐标系
  • 弹幕与字幕同区域共存（M2）：滚动过滤（B7）误杀正常字幕的阈值校准
  • RNNoise 净收益（REQ-041）：环回捕获为成品音频，降噪可能损伤音质——微基准（开/关 CER 对比）决定默认值，默认关
  • 声道策略样本（REQ-041）：不同播放器立体声布局（反向/单声道复制）下的选优行为需样本验证
  • sherpa-onnx SessionOptions 暴露面（E1）：线程/arena/图优化可配置性核对（oar-ocr 已确认暴露，sherpa 侧待核）