- 使用异步队列处理 LLM 翻译，避免阻塞
- 看起来干扰严重的情况下短音频转录事件太多，导致幻觉增多 + 队列堆积，也许还是需要在转录之前进行初筛【看起来基于时间的分割不太合理，还是要依赖 VAD 的结果】【看起来
if audio_buffer.n_samples() - cont_non_speech >= 5000:效果不错】 - 添加
initial_prompt以提高转录精度 [NEXT] - 翻译可选携带上下文 [NEXT]
- 研究为什么有时候会丢句（是 whisper 的 non-speech 阈值问题吗？），对当前的启发式算法进行进一步研究和改进
- 探究 LLM 对于混合语言的支持（例如 Gemini），并研究微调的可能性
- 在足够长的静音时重置所有模型、迭代器的状态
- 抄一下这里 的过滤器
- 增加 YouTube 的直播流获取功能
- 增加延迟监控
- 增加歌段检测，避免转录翻译
- 研究 Bilibili / YouTube 的各种直播流的延迟并选择最佳的直播流
- 实验并增加 Azure 语音识别后端 [NEXT]
- 增加 SenseVoice (Small) 作为转录后端，提供低开销选择 [NEXT]
- 增加 Gemini 作为转录后端代替 [DONE 2025/01/18]
- 看起来 Gemini 转录有时候会输出无关内容，应当想办法加以过滤
- 增加 OpenAI Whisper 及其兼容 API 作为转录后端代替（无显卡的情况下）[DONE 2025/01/15]
- 增加音频相关方便调试的工具
- 应使用应用层缓冲，而不是使用系统管道缓冲，因为系统管道缓冲的容量有限
- 发现不使用复杂的 VAD 逻辑，仅简单静音超时切分就能获得较完整的转录，但幻觉也会增多（看起来难以处理复杂场景，需要进一步研究） => 已经实现一种基于静音超时的截断逻辑（在静音段的中间折断），效果较好，但幻觉仍然存在