EchoSRT 字幕工作台

EchoSRT 是一个音视频字幕自动化提取与翻译工具。提供WebUI，支持本地 GPU/CPU 推理以及云端 API 处理，提供一站式、全自动流水线解决方案。

• 双引擎语音识别 (ASR)：
  • 本地引擎：内置 faster-whisper，自动探测 NVIDIA CUDA 硬件加速或回退 CPU 模式，支持 VAD 静音过滤、Beam Size 等高阶参数。
  • 云端引擎：支持 OpenAI 格式的语音 API，针对超大文件实现了突破 25MB 限制的物理切片与时间戳重排机制。
• 大语言模型智能翻译 (LLM)：基于并发信号量 (asyncio.Semaphore) 实现字幕分块异步翻译。支持 DeepSeek、ChatGPT 等任意兼容 OpenAI 接口的模型，结合上下文自动润色，生成“熟肉”字幕。
• 自动化非阻塞流水线：后端基于 FastAPI + asyncio.Queue 实现多任务调度，支持批量下发处理。
• 可视化 Web 工作台：Vue 3 前端，提供实时 WebSocket 状态同步、滚动日志输出与看板式资产管理。
• 强大的分流代理机制：支持按模块（模型下载 / 云端 ASR / LLM 翻译）独立接管 HTTP/SOCKS5 网络代理。
• 多平台 Docker 部署：提供 CPU 和 GPU 独立镜像，支持快捷部署。

已提供云端预编译镜像，在项目根目录下直接使用 docker-compose 启动：

# 启动 CPU 节点（适合绝大多数无显卡的家用 NAS 或服务器）
docker-compose up -d echosrt-cpu

# 或者：启动 GPU 节点（需在宿主机安装 NVIDIA Container Toolkit 及驱动）
docker-compose up -d echosrt-gpu

使用 docker run 命令启动预编译镜像：

# CPU 版本
docker run -d --name echosrt-cpu \
  -p 8000:8000 \
  -v $(pwd)/workspace:/app/workspace \
  -v $(pwd)/models:/app/models \
  ghcr.io/siveci/echosrt:cpu-latest

# GPU 版本 (需增加 --gpus all 参数)
docker run -d --name echosrt-gpu \
  --gpus all \
  -p 8000:8000 \
  -v $(pwd)/workspace:/app/workspace \
  -v $(pwd)/models:/app/models \
  ghcr.io/siveci/echosrt:gpu-latest

# 构建 CPU 镜像
docker build -t echosrt:cpu-local -f Dockerfile .

# 构建 GPU 镜像
docker build -t echosrt:gpu-local -f Dockerfile.gpu .

#构建完成后，将上述 `docker run` 命令中的镜像名称替换为构建的镜像名后运行

# 1. 安装 FFmpeg
# Windows: 下载 FFmpeg 并在项目根目录创建 bin/ffmpeg/bin/ 放入 ffmpeg.exe
# Linux: sudo apt install ffmpeg

# 2. 安装 Python 依赖
pip install -r requirements.txt

# 3. 启动后台服务与 WebUI
python app.py

(注：命令行交互，运行 python main.py)

• 浏览器打开http://127.0.0.1:8000或http://[远程IP]:8000进入工作台
• 访问 /docs 查看 API 接口文档。。

• 在 [任务工作区] 拖拽上传视频或音频文件，系统支持批量排队上传，音频文件将自动经过 FFmpeg 进行标准化 16kHz 单声道重采样。
• 勾选任务并点击“执行全量工作流”，后端会在后台自动串行执行提音、识别、翻译。

• 本地模式：对于含有大量环境噪音的视频，建议在「高级设置 -> 阈值过滤」中开启 VAD 智能静音过滤，减少模型的“幻觉”复读并提升推理速度。
• 云端模式：长音频切片上传过程全自动完成，如果使用非官方的第三方代理接口，请注意调整大文件网络超时时间。

• 填入 API Base URL 和 API Key。
• 自定义 Prompt 强制大模型输出特定风格（例如语气、设定、特定角色人名映射等）。

├── api/                # FastAPI 路由、服务逻辑与任务 Worker 车间
│   ├── routers/        # Web API 接口
│   ├── services/       # 配置层与文件流操作
│   └── workers/        # 异步队列消费进程
├── core/               # 底层算法库
├── frontend/           # 前端代码与静态资源
├── config/             # 配置文件目录
├── models/             # Faster-Whisper 离线模型文件
├── workspace/          # 音视频及字幕任务产物存储区
├── app.py              # WebUI & API 后端启动入口
├── main.py             # CLI 命令行交互入口
├── docker-compose.yml  
└── Dockerfile          

💡 Docker 权限说明：如果在 NAS (如群晖、Unraid 等) 上部署遇到读写权限的问题，增加环境变量 -e PUID=1000 和 -e PGID=1000 (替换为实际的 UID/GID)，容器将会自动对齐挂载目录的读写权限。

• 分流代理控制：云端识别API和LLM 翻译API可独立选择是否使用全局代理。（v1.0.0 实装）
• API 多方案管理系统：支持预设多套 API 配置及快速切换。（v1.1.0 实装）
• 媒体库扫描与状态自愈：支持一次性全量扫描并根据磁盘状态自愈。（v1.1.0 实装）
• 下载与资产管理标准化：统一了全局带进度条的下载交互逻辑。（v1.1.0 实装）
• API 自动轮询与故障自愈：在遇到可恢复错误（如 HTTP 429/401）时，自动切换方案池中的下一个可用方案，并支持断点接管。
• LLM 翻译断点续传：翻译模块增加“断点续传/缓存”机制，避免长视频翻译意外中断后从头开始。
• 任务插队机制：后端队列基于 PriorityQueue 重构，允许紧急任务无视先来后到，直接插入队列最前端。
• 全局队列进度透明化：“流水线看板”中应直接显示具体的进度百分比与子状态（如“正在提音 45%”）。
• 智能静音切片 (VAD 切分)：解决超长音频一刀切断导致时间轴断裂与薛定谔“幻觉”的问题，支持静音区安全切片。
• 模型适用语言标注：在模型下拉列表中，增加 Whisper 模型的适用识别语言标注。
• 空间管理优化：提供“清理中间产物”选项，并在面板显示任务占用的磁盘空间大小。
• WebSocket 断线重连：加入断线自动重连机制，并结合长轮询作为兜底。
• 模型下载进度显示优化：优化后台拉取巨型模型时的数据量和进度条动态显示体验。

1. 合法使用：本项目仅供技术研究、个人视频剪辑与字幕制作辅助使用。
2. 接口规范：请用户自行准备合规的 LLM API 及云端识别 API，确保使用不违反当地法律法规及服务商的使用条款。
3. 开源许可：本项目基于 MIT 协议开源，完全免费，由第三方模型引起的任何输出内容问题概不负责。