schakal00783andClaude Opus 5
d9554c590c
Die Markierung im Transkript stand auf einem Wort, gesprochen wurde eins vier Zeilen weiter oben (gemessen an #85: 24 s Vorlauf). Nicht die Ursache -- jeweils per Gegenprobe ausgeschlossen: die Wortzeiten (Ausschnitte bei 600/1240/3400 s einzeln transkribiert, enthalten exakt die Wörter der DB), MP3- vs WAV-Zeitachse (identisch), ffmpeg-Seek (trifft), ontimeupdate-Logik (korrekt). Ursache war der Sprung im Browser: in einer VBR-Datei gibt es keine feste Byte-pro-Sekunde-Regel, also nutzt er die Xing-Tabelle -- 100 Stützstellen, bei 63 Minuten ein 38-s-Raster. Er landet auf der Stützstelle davor, meldet über currentTime aber die angefragte Zeit. Nachgerechnet: Ziel 20:40 spielt ab 20:11,5 (-28,5 s). Fix: -b:a 64k -ar 48000 -ac 1 -write_xing 0 statt -qscale:a 3. Byte-Position proportional zur Zeit. Die Tabelle muss auch bei CBR weg, sie rastert auf 1/256 der Dateigröße (~15 s pro Stunde, Restfehler bis -6,4 s gemessen). Ohne sie rechnet der Decoder linear: Restfehler 0,02 s an neun Stichpunkten. lab/recode-cbr.sh schreibt den Altbestand einmalig um (Quelle WAV, sonst die MP3 selbst), lab/tocerr.py ist das Messwerkzeug dahinter. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
132 lines
6.2 KiB
Markdown
132 lines
6.2 KiB
Markdown
# 03 — Aufnahme-Pipeline
|
||
|
||
Vom Klick auf „Stop“ bis zur fertigen Analyse. Crash-sicher: Audio + DB-Zeile werden **vor** der langen
|
||
Verarbeitung persistiert; Transkription/Analyse laufen asynchron im Hintergrund (GUI pollt).
|
||
|
||
## Ablauf
|
||
|
||
```mermaid
|
||
sequenceDiagram
|
||
participant GUI as Web-GUI
|
||
participant SRV as server.js
|
||
participant REC as recorder.js
|
||
participant WH as Whisper (NPU-Encoder)
|
||
participant DI as diar.js (sherpa, CPU)
|
||
participant LLM as llm.js (Gemma, NPU)
|
||
participant DB as MariaDB
|
||
|
||
GUI->>SRV: (während der Aufnahme) POST /api/record/marker {name}
|
||
SRV->>REC: addMarker() → Namensmarker mit Offset im Puffer
|
||
GUI->>SRV: Stop
|
||
SRV->>REC: stopAndSave()
|
||
REC->>DB: WAV + MP3 + Zeile (status=transcribing)
|
||
SRV->>DB: addMarkers() → Tabelle markers
|
||
Note over REC: kehrt nach ~1,5 s zurück — GUI frei
|
||
REC->>REC: A76-Takt kappen (1,6 GHz)
|
||
REC->>WH: transcribeWav() [BatchedInferencePipeline, batch=8]
|
||
WH-->>REC: Wörter + Zeitstempel
|
||
REC->>DI: diarize(…, {markers}) [Timeout = Dauer × 2,5, min. 20 min]
|
||
Note over DI: v2: Fenster-Embeddings + gelernte Schwelle,<br/>Marker als must-/cannot-link (Kap. 04)
|
||
DI-->>REC: Sprecher-Segmente
|
||
REC->>DB: setTranscript (status=done)
|
||
SRV->>SRV: applyMarkers(): Cluster benennen + Stimmen lernen
|
||
REC->>REC: finally: Takt zurück
|
||
SRV->>LLM: analyzeRecording() (fire-and-forget, analysis_status=pending)
|
||
LLM->>DB: Titel/Summary/Teilnehmer/Todos (analysis_status=done, analysis_ms)
|
||
GUI->>SRV: Polling analysis_status
|
||
```
|
||
|
||
## Pfadwahl Transkription
|
||
|
||
```mermaid
|
||
flowchart TB
|
||
A["WAV fertig"] --> B{"Dauer ≤ 30 s?<br/>(SHORT_SEC)"}
|
||
B -- ja --> C["Warm-Daemon transcribe_daemon_cpu.py<br/>CPU-only, koexistiert mit residentem rkllm<br/>kein Modell-Swap → 10-s-Clip in ~53 s statt 120 s"]
|
||
B -- nein --> D["transcribe_cli: faster-whisper large-v3-turbo<br/>Encoder auf NPU, Decoder CPU, batch=8<br/>RTF ≈ 0,39"]
|
||
C --> E["Diarization"]
|
||
D --> E
|
||
```
|
||
|
||
- `TRANSCRIBER=npu` (Default) / `=cpu` als Fallback-Schalter in recorder.js.
|
||
- Whisper-Kalibrierung: medium beam1 hatte 11,3 % WER vs. large-v3 — beam5 schlechter, `--initial-prompt`
|
||
mit Begriffsliste **zerstört** den Output (Echo-Loop). Eigennamen-Korrektur passiert deshalb im Text-Layer (Glossar, Kap. 05).
|
||
|
||
## Zustandsmodell einer Aufnahme
|
||
|
||
```mermaid
|
||
stateDiagram-v2
|
||
[*] --> recording
|
||
recording --> transcribing: stopAndSave() — WAV/MP3/Zeile SOFORT persistiert
|
||
transcribing --> done_transcript: Transkript + Diarization gespeichert
|
||
transcribing --> failed: Absturz/Fehler → GUI zeigt Retry
|
||
failed --> transcribing: POST /retranscribe
|
||
done_transcript --> analyzing: analysis_status=pending
|
||
analyzing --> analyzed: analysis_status=done (analysis_ms gesetzt)
|
||
analyzing --> analysis_error: GUI-Button "Erneut versuchen"
|
||
analysis_error --> analyzing: POST /reanalyze bzw. /reanalyze-llm
|
||
```
|
||
|
||
- Hängende `transcribing`-Zeile = Absturz mitten in der Diarization (Transkript wird erst NACH Diar gespeichert)
|
||
→ kein Auto-Resume, GUI-Button „Neu transkribieren“.
|
||
- **NPU-Lock:** alle schweren Jobs (transcribe / analyze / re-diarize) laufen seriell durch `withNpuLock` —
|
||
zwei gleichzeitig fertig werdende Aufnahmen haben sich sonst gegenseitig zerlegt.
|
||
- **Takt-Cap gilt für ALLE drei schweren Pfade:** `transcribeWav`, `rediarize` UND seit 2026-07-16 auch
|
||
`analyzeRecording` (LLM lief vorher ungedeckelt auf 95–97 °C, Kap. 05).
|
||
- **GUI-Anzeige „⏱ Analysezeit“:** `analysis_started_at`/`analysis_ms` in der DB; beim Polling auf
|
||
`analysis_status` achten, NICHT auf `status` (sonst wirkt die Summary „leer“).
|
||
|
||
## Wiedergabe-MP3: konstante Bitrate, keine Xing-Tabelle
|
||
|
||
Die WAV ist die Arbeitskopie (Whisper, Diarization), die MP3 ist nur fürs Abspielen im Browser —
|
||
`highpass=f=80` gegen Rumpeln, `loudnorm` für gleichmäßige Lautstärke. Beim Codec sind aber **zwei
|
||
Einstellungen nicht verhandelbar**, sonst läuft die Wortmarkierung im Transkript aus dem Takt:
|
||
|
||
```
|
||
-codec:a libmp3lame -b:a 64k -ar 48000 -ac 1 -write_xing 0
|
||
```
|
||
|
||
**Kein VBR** (früher `-qscale:a 3`) und **keine Xing-Tabelle**. Der Grund liegt im Sprung, nicht in der
|
||
Wiedergabe:
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
A["Klick auf 20:40<br/>audio.currentTime = 1240"] --> B{Wie findet der<br/>Browser das Byte?}
|
||
B -->|"VBR: Xing-Tabelle<br/>100 Stützstellen ≈ 38 s Raster"| C["landet bei 20:11,5<br/>meldet aber 20:40"]
|
||
B -->|"CBR ohne Tabelle:<br/>Byte = Zeit × Bitrate"| D["landet bei 20:40,0<br/>Fehler 0,02 s"]
|
||
C --> E["Ton hinkt 28 s nach,<br/>Markierung läuft voraus"]
|
||
D --> F["synchron"]
|
||
```
|
||
|
||
Nachgemessen an #85 (63 min): ein Sprung auf 20:40 spielte in Wahrheit ab **20:11,5 (−28,5 s)** — genau
|
||
das Bild, das der Nutzer meldete („markiert ist ein Wort vier Zeilen unter dem, was ich höre"). Die
|
||
Wortzeitstempel selbst waren dabei korrekt; per Gegenprobe transkribierte Ausschnitte an t = 600/1240/3400 s
|
||
enthielten exakt die Wörter, die die Datenbank dort führt.
|
||
|
||
Die Tabelle muss auch bei CBR weg: sie speichert Byte-Positionen in 1/256 der Dateigröße, was bei einer
|
||
Stunde Audio rund 15 s Rundung sind (gemessen: bis −6,4 s Restfehler). Ohne sie rechnet der Decoder
|
||
linear — bei konstanter Bitrate exakt.
|
||
|
||
64 kbit CBR entspricht praktisch der bisherigen Durchschnittsrate (68 kbit); #85 schrumpfte von 32,3 auf
|
||
30,3 MB. Der Altbestand wurde einmalig mit `lab/recode-cbr.sh` umgeschrieben (Quelle: die WAV, wo noch
|
||
vorhanden — sonst die MP3 selbst, dann ohne erneute Filter).
|
||
|
||
## API-Endpunkte (Auszug)
|
||
|
||
| Endpunkt | Zweck |
|
||
|---|---|
|
||
| `POST /api/recordings/:id/retranscribe` | Hängende/fehlgeschlagene Transkription neu starten |
|
||
| `POST /api/recordings/:id/reanalyze` `{numSpeakers?}` | Diarization **immer** neu (leer/0 = automatisch, Zahl = Anzahl gepinnt) + LLM neu |
|
||
| `POST /api/recordings/:id/reanalyze-llm` | Nur LLM neu, Diarization/Wörter bleiben |
|
||
| `POST /api/recordings/:id/speaker` `{speaker,name,enroll}` | Sprecher benennen + optional Stimme lernen |
|
||
| `/api/glossary` (CRUD) | Eigennamen-Glossar |
|
||
|
||
## Performance-Kennzahlen (71-min-Referenz #69)
|
||
|
||
| Schritt | Wert |
|
||
|---|---|
|
||
| Transkription (NPU, batch=8) | RTF ≈ 0,39 |
|
||
| Diarization (CPU) | RTF ≈ 0,19 |
|
||
| Komplett E2E | RTF ≈ 0,9 |
|
||
| LLM-Analyse (Gemma, 10 Chunks + Reduce) | ~20 min |
|
||
| Kurzclip (10 s) komplett | ~53 s |
|