# SynthMind - 视频音频提取与转录工具

将视频文件转换为文字稿的自动化工具链，为后续 AI 内容分析与总结提供数据基础。

**流水线**：视频文件 → MP3 音频 → TXT 文字稿 → *（后续 AI 分析）*

---

## 目录

- [功能特性](#功能特性)
- [环境要求](#环境要求)
- [安装](#安装)
- [快速开始](#快速开始)
- [脚本一：extract_audio.py](#脚本一extract_audiopy)
- [脚本二：transcribe_audio.py](#脚本二transcribe_audiopy)
- [多模型精度对比](#多模型精度对比)
- [Manifest 文件说明](#manifest-文件说明)
- [高级用法](#高级用法)
- [故障排查](#故障排查)
- [测试报告](#测试报告)

---

## 功能特性

### 通用特性
- ✅ 支持单文件或递归扫描目录
- ✅ 完善的**断点续传**：中断后重新运行自动跳过已完成项
- ✅ **JSON manifest** 进度追踪，两个脚本共享同一文件
- ✅ **失败自动记录 + 重试机制**（`--retry-failed`）
- ✅ **状态查询**（`--status`）实时查看进度
- ✅ 完全支持**含空格、中文的文件名**
- ✅ 详细的时间戳日志

### extract_audio.py 特性
- 使用 FFmpeg 提取音频：**MP3 / 64kbps / 22050Hz / 单声道**（语音场景优化，体积小）
- 支持视频**切分模式**：超大视频按时长切分为多段分别处理
- 支持多种输入格式：`.mp4/.mkv/.avi/.mov/.flv/.wmv/.webm/.m4v`

### transcribe_audio.py 特性
- 基于 **openai-whisper** 命令行工具
- 支持 4 种模型：**`tiny / base / small / medium`**（详见 [Whisper 模型选择](#whisper-模型选择)）
- **多模型批量转录（`--all-models`）**：一次运行对每个音频用 4 个模型分别转录，输出 `<stem>.<model>.txt` 便于精度对比
- **模型预下载（`--preload-models`）**：一次性下载全部支持的模型到本地缓存
- **自定义输出后缀（`--output-suffix`）**：便于同一模型多次转录（不同参数）不覆盖
- 支持指定语言（`--language zh/en/...`）或自动检测
- 支持音频**切分转录**：超长音频切分后逐段转录再合并
- 支持多种音频格式：`.mp3/.m4a/.wav/.flac/.ogg/.aac`
- **Manifest 嵌套 transcriptions**：同一视频/音频记录里，多模型多参数结果按 `<model>[:<suffix>]` 为 subkey 共存，互不覆盖

---

## 环境要求

| 依赖 | 版本 | 用途 |
|------|------|------|
| Python | 3.8+ | 脚本运行 |
| FFmpeg | 4.0+ | 音视频处理（含 `ffprobe`）|
| openai-whisper | 最新 | 音频转录 |

**当前实测环境**：Ubuntu 22.04 (WSL2) + Python 3.13 + FFmpeg 6.0 + Whisper 20250625

---

## 安装

### 1. 安装 FFmpeg

```bash
sudo apt update
sudo apt install -y ffmpeg
ffmpeg -version   # 验证
```

### 2. 安装 Whisper

```bash
pip install openai-whisper
whisper --help    # 验证
```

### 3. 预下载所有 Whisper 模型（推荐）

首次运行前，建议一次性下载所需的 4 个模型（共约 2.1GB）：

```bash
python3 transcribe_audio.py --preload-models
```

**下载耗时参考**（本机测试）：
```
tiny    (~75MB)  → 数秒
base    (~140MB) → 数秒
small   (~460MB) → 数十秒
medium  (~1.5GB) → 75s
```

模型会缓存到 `~/.cache/whisper/`。

### 4. 下载脚本

将 `extract_audio.py` 和 `transcribe_audio.py` 放到同一目录即可，无需额外配置。

---

## 快速开始

### 场景 1：处理某目录下所有视频（简单流水线）

```bash
# Step 1: 提取音频（生成 .mp3）
python3 extract_audio.py /path/to/videos/

# Step 2: 转录文字（生成 .txt，默认 base 模型）
python3 transcribe_audio.py /path/to/videos/ --language zh
```

### 场景 2：对比 4 个模型的精度

```bash
# 一次运行，每个音频用 4 个模型都跑一遍
python3 transcribe_audio.py /path/to/audio/ --all-models --language zh
```

输出（每个 mp3 生成 4 个 txt）：
```
audio1.mp3
audio1.tiny.txt
audio1.base.txt
audio1.small.txt
audio1.medium.txt
```

### 场景 3：高精度转录（推荐配置）

```bash
python3 transcribe_audio.py /path/to/audio/ --model medium --language zh
```

---

## 脚本一：extract_audio.py

### 用法

```bash
python3 extract_audio.py <source> [选项]
```

### 参数说明

| 参数 | 简写 | 默认 | 说明 |
|------|------|------|------|
| `source` | - | 必填 | 视频文件路径 或 包含视频的目录 |
| `--output` | `-o` | 与源同目录 | MP3 输出目录 |
| `--manifest` | `-m` | source 目录下 | manifest.json 路径 |
| `--split-size` | - | 不切分 | 视频时长超过此秒数则切分（单位：秒） |
| `--split-segment` | - | 600 | 每个切分片段时长（单位：秒） |
| `--retry-failed` | - | false | 重新处理上次失败的文件 |
| `--status` | - | false | 仅查看进度状态，不执行提取 |

### 使用示例

**1. 处理目录下所有视频**
```bash
python3 extract_audio.py /home/user/videos/
```

**2. 处理单个视频**
```bash
python3 extract_audio.py /home/user/videos/lesson1.mp4
```

**3. 指定 MP3 输出目录**
```bash
python3 extract_audio.py /home/user/videos/ -o /home/user/audio/
```

**4. 超过 1 小时的视频自动切分为 10 分钟片段**
```bash
python3 extract_audio.py /home/user/videos/ --split-size 3600 --split-segment 600
```

**5. 查看进度**
```bash
python3 extract_audio.py /home/user/videos/ --status
```

**6. 重试失败的文件**
```bash
python3 extract_audio.py /home/user/videos/ --retry-failed
```

### 输出规格（FFmpeg 参数）

```
-vn                去除视频轨道
-acodec libmp3lame MP3 编码
-ab 64k            比特率 64kbps
-ar 22050          采样率 22050Hz
-ac 1              单声道
```

> **场景优化**：这套参数针对语音课程/讲座优化，体积约为原视频的 **20%**，同时保留清晰的人声。

---

## 脚本二：transcribe_audio.py

### 用法

```bash
python3 transcribe_audio.py <source> [选项]
python3 transcribe_audio.py --preload-models    # 仅下载模型（source 可省略）
```

### 参数说明

| 参数 | 简写 | 默认 | 说明 |
|------|------|------|------|
| `source` | - | 见备注 | MP3 文件路径 或 包含音频的目录 |
| `--output` | `-o` | 与源同目录 | TXT 输出目录 |
| `--manifest` | `-m` | source 目录下 | manifest.json 路径 |
| `--model` | - | `base` | Whisper 模型：`tiny/base/small/medium`（4 选一） |
| `--language` | - | 自动检测 | 语言代码。推荐 **`zh`**（中文）或 **`en`**（英文） |
| `--all-models` | - | false | 每个音频用**全部 4 个模型**转录，输出 `<stem>.<model>.txt` |
| `--output-suffix` | - | 空 | 输出 txt 附加后缀：`<stem><suffix>.txt` |
| `--split-size` | - | 不切分 | 音频超过此秒数则切分（需要 ffmpeg） |
| `--split-segment` | - | 1800 | 每个切分片段时长（单位：秒） |
| `--retry-failed` | - | false | 重新处理上次失败的文件 |
| `--status` | - | false | 仅查看进度状态 |
| `--preload-models` | - | false | 预下载全部支持模型，无需 source |

> **备注**：`--preload-models` 或 `--status` 模式下可省略 `source`。

### Whisper 模型选择

| 模型 | 参数量 | 磁盘 | 显存 | CPU 转录 890s 音频 | 中文精度 | 语言输出 |
|------|--------|------|------|------|------|------|
| `tiny` | 39M | ~75MB | ~1GB | **47s** | ⭐⭐ | 繁体 |
| `base` | 74M | ~140MB | ~1GB | **58s** | ⭐⭐⭐ | 简体 |
| `small` | 244M | ~460MB | ~2GB | **93s** | ⭐⭐⭐⭐ | 简体 |
| `medium` | 769M | ~1.5GB | ~5GB | **170s** | ⭐⭐⭐⭐⭐ | 简体 + 标点 |

> **实测数据来源**：本项目 [测试报告](#测试报告)（14 分 50 秒中文课程视频）
> **推荐**：日常速稿用 `base`，重要内容用 `medium`。

### 使用示例

**1. 转录目录下所有 MP3（默认 base 模型）**
```bash
python3 transcribe_audio.py /home/user/audio/
```

**2. 中文课程使用 medium 模型（高精度）**
```bash
python3 transcribe_audio.py /home/user/audio/ --model medium --language zh
```

**3. 一次跑 4 个模型对比精度**
```bash
python3 transcribe_audio.py /home/user/audio/ --all-models --language zh
```

**4. 预下载模型（首次安装后一次性下载全部）**
```bash
python3 transcribe_audio.py --preload-models
```

**5. 自定义输出后缀（避免覆盖）**
```bash
# 用 base 模型转录，输出为 <stem>_v1.txt
python3 transcribe_audio.py /home/user/audio/ --model base --output-suffix _v1

# 稍后再用 base + 不同参数转录，输出为 <stem>_v2.txt（不覆盖 v1）
python3 transcribe_audio.py /home/user/audio/ --model base --output-suffix _v2
```

**6. 超长音频（>30 分钟）切分转录**
```bash
python3 transcribe_audio.py /home/user/audio/ \
  --model medium --language zh \
  --split-size 1800 --split-segment 600
```

**7. 查看进度（含每个模型的记录）**
```bash
python3 transcribe_audio.py /home/user/audio/ --status
```

**8. 重试失败的文件**
```bash
python3 transcribe_audio.py /home/user/audio/ --retry-failed
```

---

## 多模型精度对比

### 实测样本

- **音频**：SketchUp 软件优化设置课程（14 分 50 秒，中文普通话）
- **命令**：`python3 transcribe_audio.py <mp3> --all-models --language zh`

### 精度对比（关键词识别）

| 关键词 | 原意 | tiny | base | small | medium |
|--------|------|------|------|-------|--------|
| SketchUp 中文名 | 草图大师 | 草毒大師 ❌ | 吵毒大师 ❌ | 草读大师 ❌ | 草毒大师 ❌ |
| 出厂设置 | 常规的设置 | 殘酷 ❌ | 残酷 ❌ | 常规 ✅ | 常规 ✅ |
| 行业 | 行业 | 含業 ❌ | 行业 ✅ | 行业 ✅ | 行业 ✅ |
| 轮廓线 | 轮廓线 | 能夠像 ❌ | 能扩限 ❌ | 轮廓线 ✅ | 轮廓线 ✅ |
| 场景 | 场景 | 殘景 ❌ | 场景 ✅ | 场景 ✅ | 场景 ✅ |
| 输出语言 | 简体中文 | **繁体** ⚠️ | 简体 ✅ | 简体 ✅ | 简体 ✅ |
| 标点符号 | 有 | 无 ❌ | 无 ❌ | 少量 ⚠️ | 有 ✅ |

### 各模型样例输出（首行）

**原音频**："大家好，这一节我们对**草图大师**来进行一个软件的一些优化设置方面的一些操作"

| 模型 | 输出 | 备注 |
|------|------|------|
| tiny | 大家好,這一節我們對**草毒大師**來進行一個軟件的一些優化設置方面的一些操作 | 繁体，专有名词错 |
| base | 大家好,这一节我们对**吵毒大师**来进行一个软件的一些优化设置方面的一些操作 | 简体，专有名词错 |
| small | 大家好,这一节我们对**草读大师**来进行一个软件的一些优化设置方面的一些操作 | 简体，专有名词接近 |
| medium | 大家好,这一节我们对**草毒大师**来进行一个软件的一些优化设置方面的一些操作 | 简体，专有名词接近，有逗号 |

### 结论

| 场景 | 推荐模型 |
|------|----------|
| 快速内容概览、草稿 | **tiny** 或 **base**（快，可接受） |
| 日常转录、笔记 | **base** 或 **small**（平衡） |
| 正式转录、发布 | **medium**（最好精度） |
| 专有名词很多的领域 | 结合 `--initial_prompt` 或人工校对 |

> **提示**：所有 whisper 模型对**专有名词**（品牌名、人名、技术术语）识别都容易出错。生产环境建议：
> 1. 使用 medium 模型
> 2. 通过 `whisper --initial_prompt "本视频讨论 SketchUp / 草图大师"` 提示 whisper（本脚本暂未透传此参数，可直接调 whisper CLI）
> 3. 人工二次校对

---

## Manifest 文件说明

两个脚本**共享同一个 `manifest.json`**（schema v2）。每个视频文件在 manifest 中**只有一条记录**，`extract_audio.py` 与 `transcribe_audio.py` 分别写入其中的 `extraction` 与 `transcriptions` 两个子对象，互不覆盖。

### key 选择规则

| Key | 来源 | 场景 |
|-----|------|------|
| 视频绝对路径（如 `/path/to/x.mp4`）| `extract_audio.py` 产生的记录 | 完整流水线（视频 → 音频 → 转录）|
| 音频绝对路径（如 `/path/to/x.mp3`）| 直接对 mp3 跑 `transcribe_audio.py` | 独立音频转录（无对应视频）|

**反向查找**：当 `transcribe_audio.py` 处理某个 mp3 时，会先扫描 manifest，如果发现某条视频记录的 `extraction.audio_path` 等于该 mp3 路径，就把转录结果并入该视频记录，而不是新建 key。

### 完整示例（v2）

```json
{
  "version": 2,
  "files": {
    "/path/to/lesson1.mp4": {
      "extraction": {
        "extracted": true,
        "audio_path": "/path/to/lesson1.mp3",
        "split_segments": [],
        "error": null,
        "updated_at": "2026-08-23T10:30:00"
      },
      "transcriptions": {
        "tiny": {
          "transcribed": true,
          "txt_path": "/path/to/lesson1.tiny.txt",
          "split_segments": [],
          "model": "tiny",
          "language": "zh",
          "output_suffix": null,
          "error": null,
          "updated_at": "2026-08-23T10:35:00"
        },
        "medium": {
          "transcribed": true,
          "txt_path": "/path/to/lesson1.medium.txt",
          "split_segments": [],
          "model": "medium",
          "language": "zh",
          "output_suffix": null,
          "error": null,
          "updated_at": "2026-08-23T10:50:00"
        },
        "base:_v1": {
          "transcribed": true,
          "txt_path": "/path/to/lesson1_v1.txt",
          "split_segments": [],
          "model": "base",
          "language": null,
          "output_suffix": "_v1",
          "error": null,
          "updated_at": "2026-08-23T11:00:00"
        }
      }
    },
    "/path/to/standalone.mp3": {
      "extraction": null,
      "transcriptions": {
        "medium": {
          "transcribed": true,
          "txt_path": "/path/to/standalone.medium.txt",
          "split_segments": [],
          "model": "medium",
          "language": "en",
          "output_suffix": null,
          "error": null,
          "updated_at": "2026-08-23T11:15:00"
        }
      }
    }
  }
}
```

### 字段说明

**顶层每条记录**
- `extraction` - `extract_audio.py` 的产物；`null` 表示没有走过提取（例如直接对 mp3 跑转录）
- `transcriptions` - `transcribe_audio.py` 的产物；以 `<model>` 或 `<model>:<suffix>` 为 subkey，允许同一音频用多种模型/参数并存

**`extraction` 字段**
- `extracted` - 是否已提取音频（布尔）；`false` + 有 `error` 表示上次失败
- `audio_path` - 生成的 MP3 路径（切分模式下为第一个片段）
- `split_segments` - 切分片段列表（非切分模式为空 `[]`）
- `error` - 失败时的错误信息，成功为 `null`
- `updated_at` - 最后更新时间（ISO 8601）

**`transcriptions.<subkey>` 字段**
- `transcribed` - 是否已转录（布尔）
- `txt_path` - 生成的 TXT 路径
- `split_segments` - 切分片段列表
- `model` - 使用的 whisper 模型（`tiny/base/small/medium`）
- `language` - 使用的语言代码（`zh/en/...`）或 `null`（自动检测）
- `output_suffix` - 输出后缀（默认 `null`）
- `error` - 失败错误信息
- `updated_at` - 最后更新时间

### 断点续传逻辑

脚本判断是否需要处理某文件时，**同时校验**：
1. manifest 中标记为已完成（`extraction.extracted=true` 或 `transcriptions.<sk>.transcribed=true`）
2. 目标文件实际存在且非空

**任一条件不满足则重新处理**（例如手动删除了 mp3 后重跑，会重新提取）。

**多模型模式**：每个 (音频 × 模型 × 后缀) 组合独立跟踪，对应 `transcriptions` 里独立的 subkey。已完成的组合被跳过，未完成的继续。

### 从旧版 (v1) 升级

老版本使用扁平 schema：视频记录 key = 视频路径；转录记录 key = `transcribe:<model>[:<suffix>]:<音频路径>`。这些散落的记录在 v2 里会被合并到同一条视频记录里。

**升级方式**：脚本首次加载旧 manifest 时会打印警告并**以空 v2 schema 重新开始**（旧数据将被下次保存覆盖）。如果你想保留旧记录，运行升级前**先手动备份 manifest.json**。所有已提取的 mp3 和已转录的 txt 会在下次运行时被识别为"存在但 manifest 无记录"→ 重新处理并写入新 schema。

---

## 高级用法

### 1. 完整流水线脚本

```bash
#!/bin/bash
VIDEO_DIR="/path/to/videos"

echo "=== Step 0: 预下载模型（仅首次）==="
python3 transcribe_audio.py --preload-models

echo "=== Step 1: 提取音频 ==="
python3 extract_audio.py "$VIDEO_DIR" --split-size 3600 --split-segment 600

echo "=== Step 2: 转录文字（medium 模型高精度）==="
python3 transcribe_audio.py "$VIDEO_DIR" \
  --model medium --language zh \
  --split-size 1800 --split-segment 600

echo "=== Step 3: 查看最终状态 ==="
python3 extract_audio.py "$VIDEO_DIR" --status
python3 transcribe_audio.py "$VIDEO_DIR" --status
```

### 2. 多模型对比工作流

```bash
# 1) 提取音频
python3 extract_audio.py /videos/

# 2) 一次跑 4 个模型（此步骤会跑 4x 时长，请预留时间）
python3 transcribe_audio.py /videos/ --all-models --language zh

# 3) 查看所有结果
python3 transcribe_audio.py /videos/ --status

# 4) 对比不同模型输出（例如用 diff）
diff /videos/lesson1.base.txt /videos/lesson1.medium.txt
```

### 3. 独立分离 MP3 与 TXT 输出

```bash
python3 extract_audio.py /videos/     -o /audios/
python3 transcribe_audio.py /audios/  -o /transcripts/ --model medium
```

### 4. 自定义 manifest 位置（多套并行）

```bash
python3 extract_audio.py /videos/ -m /var/run/task1_manifest.json
python3 extract_audio.py /videos2/ -m /var/run/task2_manifest.json
```

### 5. 同一模型不同参数的多轮转录

```bash
# 第一版：自动检测语言
python3 transcribe_audio.py audio.mp3 --model base --output-suffix _auto

# 第二版：强制中文
python3 transcribe_audio.py audio.mp3 --model base --language zh --output-suffix _zh

# 两个 txt 独立保存，manifest 各自记录
ls audio_*.txt
# audio_auto.txt  audio_zh.txt
```

---

## 故障排查

### FFmpeg 相关

| 症状 | 原因 | 解决 |
|------|------|------|
| 未找到 ffmpeg 命令 | 未安装 | `sudo apt install ffmpeg` |
| 视频时长为 0 | ffprobe 无法解析 | 检查视频是否损坏 `ffprobe <file>` |
| 切分片段为空 | 编码不兼容 codec copy | 手动尝试 `ffmpeg -i in.mp4 -c copy out.mp4` |

### Whisper 相关

| 症状 | 原因 | 解决 |
|------|------|------|
| 未找到 whisper 命令 | 未安装 | `pip install openai-whisper` |
| 首次转录卡住 | 正在下载模型 | 提前用 `--preload-models` 一次下完 |
| CUDA out of memory | 显存不足 | 使用更小模型；whisper 自动 fallback 到 CPU |
| 转录内容为繁体 | tiny 模型对中文倾向输出繁体 | 使用 `base` 及以上模型 |
| 专有名词识别错 | 模型未训练过 | 使用 `medium`；未来可支持 `--initial-prompt` |

### Manifest 相关

| 症状 | 解决 |
|------|------|
| 想强制重跑所有文件 | 删除 `manifest.json` |
| 想强制重跑某个文件 | 编辑 manifest 或删除对应 `.mp3/.txt` 文件 |
| 想重跑失败的文件 | 加 `--retry-failed` 参数 |
| 想同一音频用同模型换参数再跑一次 | 用 `--output-suffix` 区分 |

### 文件名相关

- 中文文件名：完全支持
- 空格文件名：完全支持（内部用 subprocess 参数列表，非 shell 拼接）
- 特殊字符（如 `&`、`|`）：应可正常处理，遇到问题请提 issue

---

## 测试报告

### 测试环境
- OS: Ubuntu 22.04 (WSL2 on Windows)
- Python: 3.13
- FFmpeg: 6.0
- Whisper: 20250625 (全部 4 个模型)

### 测试用例

**测试视频**：`03-SU软件的优化设置.mp4`
- 时长：890 秒（14 分 50 秒）
- 大小：37 MB
- 视频：H.264 1280x720
- 音频：AAC 44.1kHz 立体声
- 语言：中文（普通话）
- 内容：SketchUp 软件优化设置教学

### 提取音频 & 通用功能测试

| # | 测试项 | 结果 | 耗时 | 备注 |
|---|--------|------|------|------|
| 1 | 基本音频提取 | ✅ | 4s | 输出 6.9MB MP3 (22050Hz mono 64kbps) |
| 2 | 断点续传（重跑跳过） | ✅ | <1s | manifest 校验通过 |
| 3 | `--status` 状态查看 | ✅ | <1s | 正确显示 1/1 完成 |
| 4 | 视频切分模式（500s 阈值） | ✅ | 4s | 3 片段完美衔接（修复 pipe:0 bug） |
| 5 | 失败重试 + 含空格文件名 | ✅ | - | 失败记录、跳过、`--retry-failed` 均正常 |
| 6 | 端到端流水线（视频→MP3→TXT） | ✅ | 54s | 从零开始生成完整产物 |

### 转录 & 多模型功能测试

| # | 测试项 | 结果 | 耗时 | 备注 |
|---|--------|------|------|------|
| 7 | `--preload-models` 预下载 4 模型 | ✅ | ~120s | 共 2.1GB，缓存到 `~/.cache/whisper/` |
| 8 | 单模型转录（tiny + zh） | ✅ | 47s | 输出 9KB TXT |
| 9 | 单模型转录（base + zh） | ✅ | 58s | 输出 9KB TXT |
| 10 | 单模型转录（small + zh） | ✅ | 93s | 输出 9KB TXT |
| 11 | 单模型转录（medium + zh） | ✅ | 170s | 输出 9KB TXT，有标点符号 |
| 12 | `--all-models` 4 模型一次跑 | ✅ | 368s | 生成 4 个独立 txt |
| 13 | 多模型 manifest 记录 | ✅ | - | 4 条独立 key，互不覆盖 |
| 14 | 多模型 `--status` 展示 | ✅ | <1s | 每个模型独立行显示 |
| 15 | 断点续传（重跑跳过） | ✅ | <1s | 4/4 全部跳过 |
| 16 | `--output-suffix` 自定义后缀 | ✅ | 46s | `_custom` 生成独立 key + 独立 txt |
| 17 | 音频切分转录 | ✅ | 59s | 3 片段并转录后合并成完整 TXT |
| 18 | manifest 共享验证 | ✅ | - | 提取+转录记录并存互不干扰 |

### 已修复 Bug

**BUG-01**：切分模式下 MP3 为空文件（148 字节）
- **原因**：使用 `cat <file> | ffmpeg -i pipe:0` 时，MP4 的 `moov` atom 位于文件末尾需要 seek，pipe 不支持 seek 导致 ffmpeg 静默失败
- **修复**：改用 `ffmpeg -i <file>` 直接读取本地文件，同时增加输出文件非空校验（> 1KB）
- **验证**：切分后 3 个片段合计 890.4s ≈ 原视频 890.2s

**BUG-02**：`--output-suffix` 被 manifest 误跳过
- **原因**：初版 manifest key 只含 `model + path`，未含 `output_suffix`，导致同一模型换 suffix 后被判定为已完成
- **修复**：key 结构改为 `transcribe:<model>[:<suffix>]:<path>`，suffix 参与 key 判定
- **验证**：同一 tiny 模型，无 suffix 和 `_custom` suffix 生成独立 manifest 条目和独立 txt

### 性能参考（本次测试环境，CPU 转录）

| 阶段 | 输入 | 输出 | 耗时 | 吞吐 |
|------|------|------|------|------|
| 音频提取 | 37MB / 890s 视频 | 6.9MB MP3 | 4s | 223x realtime |
| 转录（tiny） | 6.9MB / 890s 音频 | 9KB TXT | 47s | 19x realtime |
| 转录（base） | 6.9MB / 890s 音频 | 9KB TXT | 58s | 15x realtime |
| 转录（small） | 6.9MB / 890s 音频 | 9KB TXT | 93s | 9.6x realtime |
| 转录（medium） | 6.9MB / 890s 音频 | 9KB TXT | 170s | 5.2x realtime |
| **多模型一次跑（4 model）** | 6.9MB / 890s 音频 | 4 个 9KB TXT | 368s | - |

> 上述数据为 CPU 转录性能。GPU 转录速度可提升 5-10x。

---

## 项目路线图

- [x] Phase 1: 音频提取（extract_audio.py）
- [x] Phase 2: 音频转录（transcribe_audio.py）
  - [x] 单模型转录
  - [x] 多模型批量对比（`--all-models`）
  - [x] 模型预下载（`--preload-models`）
  - [x] 输出后缀自定义（`--output-suffix`）
  - [x] 语言指定（`--language zh/en`）
- [ ] Phase 3: 内容归纳整理（summarize.py）- 待定
  - AI 分析文字内容 + 视频内容
  - 生成脑图、结构化文档

---

## 相关脚本

- `extract_audio.py` - 本地通用视频音频提取（本项目 Phase 1）
- `transcribe_audio.py` - 本地音频转录（本项目 Phase 2）