「听记」v0.4：我用 Kimi K3 给听记加了实时转录

「听记」v0.4 这次更新，核心就一件事：实时转录。

v0.3 把历史会议管起来之后，大家自然就问了：能不能不等录完再处理，开会时就能边说边出字？巧了，Kimi K3 刚发布，就用它全程折腾了一把，v0.4 把这个能力补上了。

v0.4 改了什么

很简单：实时转录。开会时打开浏览器，点「开始实时记录」，麦克风里的声音会实时转成文字显示在页面上。点停止后，它会把录音存成 wa v，把原文存成 json，然后进入和上传录音一样的整理流程：校对、整理、生成结构化纪要。

两种模式做了区分：

• 标准模式：内置 FunASR 流式引擎，macOS / WSL / Linux 都能用，不需要额外配置
• 增强模式：基于 GPU 的 Fun-ASR-Nano vLLM sidecar，方言、口音、远场识别更准，但环境要求更高，放在 v0.5 再提供

v0.4 先把标准模式做扎实，保证开箱即用。

实时转录是怎么跑起来的

流程不复杂：

1. 浏览器采集麦克风音频
2. 通过 WebSocket 把音频流发给后端
3. 后端用 FunASR 的流式模型 paraformer-zh-streaming 逐段识别
4. 识别结果实时返回前端，页面一行一行显示出来
5. 停止后，后端把整段录音保存下来，再用离线 ASR 跑一遍，得到准确的说话人和时间戳

所以实时页面上的文字更像是草稿，最终质量得靠停止后的离线那一遍。

踩了 4 个坑

浏览器有个安全规则：麦克风权限只给 localhost 或 HTTPS。如果你在局域网用 http://192.168.x.x:8000 打开，浏览器直接拒绝授权，点「开始」没反应。解决方式是在 config.yaml 里打开 SSL：

server: ssl: enabled: true

重启后 run.sh 会自动生成自签名证书到 certs/ 目录，局域网设备通过 https://<服务器IP>:8000/live 访问。首次访问浏览器会提示证书不受信任，点继续就行。

一开始实时字幕把一大段没标点的文字全堆在 partial 区域，根本没法读。流式模型返回的是原始识别文本，标点要自己补。问题报给 K3，K3 加了 ct-punc 标点模型给流出的文字实时打标点，同时把 partial 显示区域限制成最多 60 个字符的滑动窗口。页面不会挤成一团，眼睛能跟得上。

WSL 有 GPU，但增强模式需要单独启动一个 sidecar 服务。有用户看到增强模式选不了，以为是 bug。v0.4 的处理是直接：增强模式标成"v0.5 提供"，前端选择器灰色禁用，点不了。README 和 WSL 部署指南也同步更新，避免误解。

实时流式模型只管识别文字，不管说话人分离。刚开始在实时字幕里会硬显示"说话人0"，其实是误导。既然区分不了，索性就把实时页面的说话人标签去掉了，只显示文字。最终准确的说话人信息由停止后的离线 ASR 来生成，那一步的说话人分离是 OK 的。

Kimi K3 在这个过程中做了什么

整个跨前后端的完整功能都是 K3 来做的：

• 理解 FunASR 流式模型的 API 签名，设计合适的 chunk 大小和缓存策略
• 设计浏览器和后端之间的 WebSocket 协议
• 写实时字幕的增量更新逻辑，处理 partial 和 final 的衔接
• 同步改 README、WSL 部署指南、CLAUDE.md，保证文档和代码一致
• 检查多文件之间有没有漏掉的地方，比如 cache-buster 有没有 bump

负责拍板方案、验证效果、决定哪些功能进 v0.4、哪些放到 v0.5。Kimi K3 负责把这些决定落地成代码，同时提醒哪里漏了——比如文档有没有同步、cache-buster 有没有 bump。实时转录涉及 app/stream.py、app/main.py、app/asr.py、static/live.js、README、WSL 部署指南等七八个文件，改完代码还得保证文档不脱节。得益于 Kimi K3 的 1M 上下文和超强的编码能力，能在一次对话里记住所有改过的文件，同步更新相关段落，还是很强的。

升级 / 试用

用着 v0.3 的，直接 git pull 然后重启就行，数据目录和配置都不动。新用户：

git clone https://github.com/baigong-ai/Tingji.gitcd Tingjicp config.yaml.example config.yamlbash scripts/download_models.sh./run.sh

打开 http://localhost:8000，首页点「实时记录」就能试。如果要在局域网其他设备上开麦，记得按上面说的开启 SSL。

v0.4 已做和待做

v0.4 做完的：

• 实时流式转录（标准模式）
• 局域网 HTTPS 自签名证书支持
• 实时字幕标点 + 滑动窗口显示
• 增强模式明确标为 v0.5 提供
• 实时页面去掉误导性的"说话人0"标签

还没做的（接着排）：

• 增强模式（GPU sidecar）
• 说话人手动合并 / 拆分
• 纪要二次编辑保存
• docx 导出
• 议程章节切分