# 技术选型与可行性分析报告## 1. 核心引擎选型**推荐方案：Transformers.js + ONNX Runtime Web**理由：这是 Hugging Face 的官方 JS 实现，支持直接在浏览器端运行 .wasm 格式的深度学习模型。## 2. 关键架构建议⚠️ **风险预警：** AI 推理是计算密集型任务，如果在主线程运行，会导致 UI 界面完全冻结（假死）。**解决方案：** 必须采用 Web Worker 架构。将 AI 模型加载和推理逻辑完全隔离在后台线程，通过 postMessage 与主界面通信。## 3. 模型演进路线**Phase 1 (验证)：** 使用 Xenova/whisper-tiny (约 40MB)。速度快，但中文识别可能出现幻觉（如输出繁体或乱码）。**Phase 2 (生产)：** 升级为 Xenova/whisper-small (约 240MB)。中文准确率不仅大幅提升，且支持自动标点。## 4. 数据流设计```Input (MP3/WAV) -> AudioContext (重采样至 16kHz) -> Web Worker -> Whisper Model -> Text/Timestamps```## 5. 技术实施计划### 阶段一：基础架构搭建- [ ] 搭建 Web Worker 通信框架- [ ] 实现音频文件处理和重采样逻辑- [ ] 集成 Transformers.js 库### 阶段二：核心功能开发  - [ ] 实现 whisper-tiny 模型加载和语音识别- [ ] 开发时间戳生成功能- [ ] 构建主界面与 Worker 通信机制### 阶段三：优化升级- [ ] 升级到 whisper-small 模型- [ ] 优化中文识别准确率- [ ] 添加自动标点功能### 阶段四：生产部署- [ ] 性能测试和优化- [ ] 错误处理和用户体验优化- [ ] 生产环境部署## 6. 风险评估与应对| 风险类型 | 风险描述 | 应对措施 ||---------|---------|---------|| 性能风险 | 模型推理导致界面冻结 | Web Worker 隔离，进度反馈 || 兼容性风险 | 浏览器对 WebAssembly 支持不一 | 渐进式降级，兼容性检测 || 模型风险 | 中文识别准确率不足 | 模型升级，后处理优化 || 网络风险 | 模型下载失败或缓慢 | 本地缓存，CDN 加速 |## 7. 成功指标- ✅ 语音识别准确率 > 85%- ✅ 界面响应时间 < 100ms  - ✅ 模型加载时间 < 30秒- ✅ 支持主流音频格式- ✅ 跨浏览器兼容性

// [worker.js] 开启时间戳与语言锁定const transcriptionOptions = {    task: 'transcribe',// 关键升级：开启时间戳，返回 [start, end] 数据    return_timestamps: true,    chunk_length_s: 30,    ...options};

// [index.html] 渲染带时间戳的字幕列表renderTranscript(chunks) {    const container = document.getElementById('transcript');    const player = document.getElementById('audioPlayer');    container.innerHTML = '';
    chunks.forEach(chunk => {        if (!chunk.text.trim()) return;
        const div = document.createElement('div');        div.className = 'transcript-line';        const [start, end] = chunk.timestamp; // 获取时间戳                // 显示格式化的时间标签        div.innerHTML = `<span class="timestamp">[${this.fmtTime(start)}]</span>${chunk.text}`;                // 核心交互：点击文字，播放器跳转到对应时间        div.onclick = () => {             player.currentTime = start;             player.play();         };
        container.appendChild(div);    });}

// 语言锁定逻辑：防止模型把中文误翻译成英文if (transcriptionOptions.language === 'chinese') {    transcriptionOptions.language = 'zh'; // 强制使用 'zh' 代码}

// [worker.js] 双模型独立调度架构self.addEventListener('message', async (event) => {const { type, data } = event.data;
switch (type) {case'load_asr': // 仅加载听觉模型 (Whisper)，速度快            await handleLoadASR();break;
case'load_llm': // 用户点击开关后，才加载大脑模型 (Qwen)，按需占用内存            await handleLoadLLM();break;
case'generate':            await handleTranscription(data);break;
case'summarize':            await handleSummarization(data);break;    }});

// [worker.js] 内置 Prompt 工程const messages = [    {         role: "system",         content: "你是一个专业的会议秘书。请根据以下会议记录，提取核心摘要、关键点和待办事项(Todo)。"    },    { role: "user", content: text }];
// 构建符合 Qwen 模型规范的提示词格式const prompt = `<|im_start|>system\n${messages[0].content}<|im_end|>\n<|im_start|>user\n${messages[1].content}<|im_end|>\n<|im_start|>assistant\n`;

// [worker.js] 进度条防御性代码function createProgressCallback(modelName){    return (data) => {        let percent = 0;        if (data.total && data.loaded) {            percent = (data.loaded / data.total) * 100;        }
        // 防御性编程：如果算出来是 NaN (因为缺少 content-length)，则设为 -1        if (isNaN(percent) || !isFinite(percent)) {            percent = -1;         }
        self.postMessage({            status: 'progress',            progress: percent, // 前端根据 -1 显示"下载中..."而非"NaN%"            message: percent >= 0                ? `正在下载 ${modelName}: ${percent.toFixed(1)}%`                 : `正在下载 ${modelName} (数据量较大)...`        });    };}