11 種標準工作流程步驟詳解
DuRT 3.0 的工作流程引擎基於模組化 DAG 管線設計，實裝了 11 大標準步驟類型。每個步驟都遵循嚴格的強型別資料契約，您可以自由組合輸入源、辨識引擎、大模型處理、語音配音與成果交付，打造一鍵執行的端到端自動化管線。
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ 1. 媒體與音訊輸入 │ ──> │ 2. ASR 與即時同傳 │ ──> │ 3. AI 潤飾與生成 │ ──> │ 4. 配音與成果交付 │
└──────────────────┘ └──────────────────┘ └──────────────────┘ └──────────────────┘第一組：輸入源步驟 (Inputs)
1. monitorCapture — 聲音與螢幕錄製監聽
- 職責：透過 macOS ScreenCaptureKit 與 CoreAudio 即時擷取 Safari、Zoom、YouTube、Google Meet 或麥克風聲音。
- 輸出連接埠資料型別：
audioStream（即時音訊採樣串流） - 關鍵配置：系統聲音內錄、麥克風收音、硬體/DSP AEC 回音消除（防止喇叭外放聲音被二次辨識）。
2. mediaInput — 本機檔案與網路直鏈擷取
- 職責：匯入本機
.mp4,.mov,.mkv,.mp3,.m4a,.wav媒體檔案，或直接解析輸入 YouTube/Bilibili 等網路影片直鏈。 - 輸出連接埠資料型別：
mediaFile（實體音訊檔案） - 關鍵配置：音視訊自動分離解復用，格式自適應標準化轉碼。
3. subtitleInput — 字幕與文字匯入
- 職責：直接匯入既有的
.srt,.vtt字幕檔案或引用往期任務成果，無需重新跑語音辨識，直接交由下游 AI 步驟繼續加工。 - 輸出連接埠資料型別：
subtitleTrack（時序字幕軌） - 關鍵配置：文字編碼自適應檢測、時間軸平移對齊偏移量。
第二組：語音辨識 (ASR) 與即時同傳
4. realtimeASR — 即時串流語音辨識
- 職責：以毫秒級極低延遲輸出串流字詞增量（delta）與定稿整句（sentence），驅動懸浮視窗即時出字。
- 輸入連接埠資料型別：
audioStream - 輸出連接埠資料型別：
subtitleStream（即時串流字幕） - 支援引擎：Apple 原生離線辨識、OneASR 聚合閘道、OpenAI Realtime。
5. mediaASR — 媒體檔案轉錄與說話者分離
- 職責：高精度離線轉錄整段音視訊，產生毫秒級字詞級時間戳記與無監督說話者區分（Speaker 1、Speaker 2）。
- 輸入連接埠資料型別：
mediaFile - 输出連接埠資料型別：
subtitleTrack（時序字幕軌） - 支援引擎：Apple 原生離線轉錄、OneASR 聚合閘道（Whisper/SenseVoice/Paraformer）、OpenAI Whisper API。
6. realtimeTranslation — 即時逐句串流同傳
- 職責：跟隨 ASR 辨識結果逐句翻譯，即時在懸浮視窗中呈現原文與譯文雙語字幕。
- 輸入連接埠資料型別：
subtitleStream - 輸出連接埠資料型別：
subtitleStream（雙語串流字幕） - 支援引擎：macOS 15 Apple 原生離線神經翻譯、DeepSeek API、OpenAI。
第三組：AI 後處理、生成與交付
7. subtitleRefinement — 字幕排版與精修
- 職責：消除「嗯、啊」口語語氣詞，規範標點分段，智慧控制每條字幕在 5~8 秒的黃金閱讀長度，保留原始起止毫秒時間戳記。
- 輸入連接埠資料型別：
subtitleTrack - 輸出連接埠資料型別：
subtitleTrack（精修字幕軌）
8. fullTranslation — 全文精準翻譯
- 職責：在嚴格保留字幕編號與起止時間戳記的前提下，呼叫大模型或專業翻譯引擎譯為 50+ 目標語言，產生高品質雙語字幕。
- 輸入連接埠資料型別：
subtitleTrack - 輸出連接埠資料型別：
subtitleTrack（雙語字幕軌）
9. contentCreation — 會議記錄與文案衍生
- 職責：根據轉錄全文，呼叫大型語言模型自動提煉結構化會議摘要、關鍵決策、待辦清單 (Action Items)，或衍生社群貼文與心智圖大綱。
- 輸入連接埠資料型別：
subtitleTrack或document - 輸出連接埠資料型別：
document（Markdown/TXT 結構化文稿）
10. textToSpeech — 語音合成與角色配音
- 職責：將潤飾或翻譯後的字幕轉換為自然人聲配音伴奏（支援 OpenAI TTS、小米 MIMO、OneTTS），產生高保真音訊。
- 輸入連接埠資料型別：
subtitleTrack - 輸出連接埠資料型別：
mediaFile（合成配音音訊檔案）
11. exportArtifact — 成果交付與多雲同步
- 職責：將最終產生的字幕、文稿與音訊成果一鍵儲存或分發至遠端：
- 本機匯出：
.srt,.vtt,.json,.txt,.md,.mp3 - 雲端與自動化交付：S3 相容物件儲存（R2 / OSS / MinIO）、WebDAV 網盤（堅果雲 / 群暉）、本機與 NAS 目錄、Notion 資料庫、Obsidian 知識庫、自訂 HTTP Webhook。
- 本機匯出：
- 輸入連接埠資料型別：
subtitleTrack、document、mediaFile - 輸出連接埠資料型別：
deliverable（交付成果憑條）