11 种标准工作流步骤详解

DuRT 3.0 的工作流引擎基于模块化 DAG 管道设计，实装了 11 大标准步骤类型。每个步骤都遵循严格的强类型数据契约，您可以自由组合输入源、识别引擎、大模型处理、语音配音与成果交付，打造一键执行的端到端自动化管线。

┌──────────────────┐     ┌──────────────────┐     ┌──────────────────┐     ┌──────────────────┐
│ 1. 媒体与音频输入  │ ──> │ 2. ASR 与实时同传  │ ──> │ 3. AI 润色与生成   │ ──> │ 4. 配音与成果交付  │
└──────────────────┘     └──────────────────┘     └──────────────────┘     └──────────────────┘

---

第一组：输入源步骤 (Inputs)

1. monitorCapture — 声音与屏幕录制监听

• 职责：通过 macOS ScreenCaptureKit 与 CoreAudio 实时捕获 Safari、Zoom、YouTube、腾讯会议或麦克风声音。
• 输出端口数据类型：audioStream（实时音频采样流）
• 关键配置：系统声音内录、麦克风拾音、硬件/DSP AEC 回声消除（防止喇叭外放声音被二次识别）。

2. mediaInput — 本地文件与网络直链提取

• 职责：导入本地 .mp4, .mov, .mkv, .mp3, .m4a, .wav 媒体文件，或直接解析输入 YouTube/Bilibili 等网络视频直链。
• 输出端口数据类型：mediaFile（物理媒体实体文件）
• 关键配置：音视频自动分离解复用，格式自适应标准化转码。

3. subtitleInput — 字幕与文本导入

• 职责：直接导入既有的 .srt, .vtt 字幕文件或引用往期任务成果，无需重新跑语音识别，直接交由下游 AI 步骤继续加工。
• 输出端口数据类型：subtitleTrack（时序字幕轨）
• 关键配置：文本编码自适应检测、时间轴平移对齐偏移量。

---

第二组：语音识别 (ASR) 与实时同传

4. realtimeASR — 实时流式语音识别

• 职责：以毫秒级极低延迟输出流式字词增量（delta）与定稿整句（sentence），驱动悬浮窗实时出字。
• 输入端口数据类型：audioStream
• 输出端口数据类型：subtitleStream（实时流式字幕）
• 支持引擎：Apple 原生离线识别、OneASR 聚合网关、OpenAI Realtime。

5. mediaASR — 媒体文件转录与说话人分离

• 职责：高精度离线转录整段音视频，生成毫秒级词级别时间戳与无监督说话人区分（Speaker 1、Speaker 2）。
• 输入端口数据类型：mediaFile
• 输出端口数据类型：subtitleTrack（时序字幕轨）
• 支持引擎：Apple 原生离线转录、OneASR 聚合网关（Whisper/SenseVoice/Paraformer）、OpenAI Whisper API。

6. realtimeTranslation — 实时逐句流式同传

• 职责：跟随 ASR 识别结果逐句翻译，实时在悬浮窗中呈现原文与译文双语字幕。
• 输入端口数据类型：subtitleStream
• 输出端口数据类型：subtitleStream（双语流式字幕）
• 支持引擎：macOS 15 Apple 原生离线神经翻译、DeepSeek API、OpenAI。

---

第三组：AI 后处理、生成与交付

7. subtitleRefinement — 字幕排版与精修

• 职责：消除“嗯、啊”口语口癖，规范标点分段，智能控制每条字幕在 5~8 秒的黄金阅读长度，保留原始起止毫秒时间戳。
• 输入端口数据类型：subtitleTrack
• 输出端口数据类型：subtitleTrack（精修字幕轨）

8. fullTranslation — 全文精准翻译

• 职责：在严格保留字幕编号与起止时间戳的前提下，调用大模型或专业翻译引擎译为 50+ 目标语言，生成高质量双语字幕。
• 输入端口数据类型：subtitleTrack
• 输出端口数据类型：subtitleTrack（双语字幕轨）

9. contentCreation — 会议纪要与文案衍生

• 职责：根据转录全文，调用大语言模型自动提炼结构化会议摘要、关键决策、待办清单 (Action Items)，或衍生社交推文与脑图大纲。
• 输入端口数据类型：subtitleTrack 或 document
• 输出端口数据类型：document（Markdown/TXT 结构化文稿）

10. textToSpeech — 语音合成与角色配音

• 职责：将润色或翻译后的字幕转换为自然人声配音伴奏（支持 OpenAI TTS、小米 MIMO、OneTTS），生成高保真音频。
• 输入端口数据类型：subtitleTrack
• 输出端口数据类型：mediaFile（合成配音音频文件）

11. exportArtifact — 成果交付与多云同步

• 职责：将最终生成的字幕、文稿与音视频成果一键落盘或分发至远端：
  • 本地导出：.srt, .vtt, .json, .txt, .md, .mp3
  • 云端与自动化交付：S3 兼容对象存储（R2 / OSS / MinIO）、WebDAV 网盘（坚果云 / 群晖）、本地与 NAS 目录、Notion 数据库、Obsidian 知识库、自定义 HTTP Webhook。
• 输入端口数据类型：subtitleTrack、document、mediaFile
• 输出端口数据类型：deliverable（交付成果凭条）