第三章  转录与四引擎

3.1 导入媒体

在“基本设置”页点击“导入音视频”，或按 Ctrl+O，选择一个或多个文件。也可以把文件拖入路径框。

Voxly 资源管理器右键转录明确支持：
  音频：MP3、WAV、FLAC、M4A、AAC、WMA、OGG
  视频：MP4、MOV、AVI、MKV、WMV

主窗口会先用 FFmpeg 提取或标准化音频，再交给所选转录引擎。

3.2 Whisper

Whisper 是默认引擎，适合多语言和不同显卡环境。Voxly 根据硬件选择运行目录：
  - data\GPU-n：NVIDIA CUDA
  - data\GPU-a：AMD Vulkan
  - data\CPU：CPU

开启 GPU 时会优先使用与显卡匹配的引擎；匹配引擎缺失时会回退到 CPU。AMD 模式会使用更保守的参数并关闭不兼容优化，以减少 Vulkan 架构或驱动差异导致的异常。

Whisper 可在“依赖管理”中选择、下载、导入或移除模型。Voxly 当前提供两个服务器模型：
  - ggml-large-v3-turbo.bin：默认且推荐，速度和准确率综合更好。
  - ggml-medium.bin：兼容选择，适合保留旧版结果习惯，也支持 Whisper 原生语音翻译。

已有任意 Whisper .bin 模型的用户升级后不会被强制下载或替换；完全没有模型时，首次准备 Whisper 默认下载 Large V3 Turbo。

3.3 Qwen3-ASR

Qwen3-ASR 使用 Qwen3-ASR 0.6B 转录，并使用 Qwen3-ForcedAligner 0.6B 生成词级时间戳。首次使用需要在“依赖管理”中下载独立运行时和模型。

Qwen3-ASR 官方当前提供 0.6B 和 1.7B，没有比 0.6B 更小的官方版本；Voxly 当前接入 0.6B。升级到 2.9.2 后，如果启动检查发现旧版 Qwen 部署，会自动清理并要求重新下载，以免旧 Python 包与当前部署方式混用。

Qwen 支持自动检测，以及中文、英文、粤语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语。其他语言请改用 Whisper。

Windows 下 Qwen 支持 NVIDIA CUDA 和 CPU，不支持 AMD GPU。主窗口遇到 CUDA 不可用或显存不足时会询问是否改用 CPU 重试；资源管理器右键转录会自动回退到 CPU。

3.4 SenseVoice

SenseVoice 是轻量多语种引擎，支持中文、英文、粤语、日语和韩语。它启动较快、内存占用较低，适合低配置电脑、纯 CPU 设备和长时间批量任务。当前不使用 NVIDIA 或 AMD GPU 加速。

3.5 FireRedASR2

FireRedASR2 重点面向中文、方言、会议和实时语音。它同样使用 CPU，不依赖 NVIDIA 或 AMD GPU；前台会议转录和后台按住说话也使用这套本地引擎。程序显示“正在加载实时转录引擎”时会在后台预加载，减少首次按键后的等待。

3.6 语言选择

“自动检测”适合语言未知的素材。已知语言时直接指定通常更稳定。切换引擎后，语言列表会自动改为该引擎支持的范围；不受支持的选择会恢复为自动检测。

3.7 开始、取消和断点处理

点击“开始转录”或按 Ctrl+R。转录期间可点击“取消”中止。批量文件按顺序处理，字幕编辑页用分页方式管理不同文件。为避免正在运行的引擎结果与人工修改互相覆盖，批量转录期间字幕列表暂时不可编辑；正常完成后会自动进入字幕编辑页并定位到可编辑字幕。

开始前会检查所有待处理文件的基础文件名。如果两个文件只有扩展名或原目录不同，例如 video.mp4 和 video.wav，它们仍会写入同名字幕文件，因此 Voxly 会阻止本批任务并要求重命名或分批输出。

如果输出目录中已经存在同名结果，Whisper、Qwen3-ASR、SenseVoice 和 FireRedASR2 使用同一套提示：选择“是”跳过已有完整输出，选择“否”重新转录并覆盖，选择“取消”停止本次任务；默认按钮为取消，避免误覆盖。只有当前选择的每一种输出格式都存在且文件非空，才会被视为已完成。写入时先生成临时文件，再替换同名结果，减少中断造成的文件损坏。

取消或异常时，已完成文件和可恢复任务会尽量保留。Voxly 只读取原音视频，不会修改原文件。

3.8 输出格式

输出格式由“偏好设置 > 输出格式”控制，可同时生成 SRT、TXT、VTT、JSON 和 LRC。至少要选择一种格式。

主窗口输出目录留空时使用程序目录下的 output 文件夹。资源管理器右键转录默认把 SRT 和 TXT 写到原媒体所在文件夹。

3.9 资源占用

Whisper CPU 子进程会降低进程优先级，Qwen 使用分段处理和推理模式减少峰值资源。缩短 Qwen 分段时长可降低显存峰值并更早显示进度，但会增加分段次数。SenseVoice 和 FireRedASR2 采用本地 ONNX CPU 推理，适合控制长期资源开销。转录过程中不会循环播放等待音效。
