让语音模型承担识别。
本地与云端转写共用接口，支持指定语言或自动识别。不同引擎的结果进入同一套阅读与回听流程。
VOX / 高性能语音平台
一段声音，从输入到用上，完成得怎么样？
性能PERFORMANCE=准确率ACCURACY×效率PRODUCTIVITY×速度SPEED
识别得准，让一次投入产生更多价值，并更快用上结果。
01 / ACCURACY · 准确率
识别能力有来源，
关键内容可核对。
从模型、输入和时间戳三个环节，
让文字与真实声音保持联系。
音频 / 视频 → 16 kHz 单声道 WAV
云端识别ElevenLabsScribe v2
本地识别Whisperwhisper.cpp
统一结果 正文 + 段落时间戳
原始声音↔按句回听↔转写正文
把媒体准备好，再交给模型。
ffmpeg 统一采样率与声道，减少输入格式差异造成的处理问题，让录音与视频都能进入流程。
时间戳要能真正定位到那句话。
本地转写读取真实 segment 时间；云端逐词时间合并为句段。用户点击正文，可以回到原声核对。
02 / PRODUCTIVITY · 效率
一次输入，
产出可以反复使用。
Productivity有效产出 ÷ 用户投入少整理、少切换、少重复处理。
INPUT录制 / 上传
录音可先试听，确认后提交。
后台自动衔接转码与转写。
转写稿
浏览、复制，理解内容。
定位回听
按句找到原声与上下文。
生词候选
英文词汇提取与释义。
TXT / SRT
把文字和带时间戳的字幕带走。
历史内容库
下次找回，继续阅读与回听。
↺
原始文件与结果关联保存。按名称或 ID 找回，让同一份输入服务下一次学习和工作；不再需要时，也可以管理和删除。
03 / SPEED · 速度
不同的任务，
走适合它们的处理路径。
从传输、排队到计算，
把等待拆开，才能针对瓶颈优化。
共同准备上传 → 转码标准音轨 · 按时长分流
≤ 10 分钟
短转写队列transcribe-short
→
云端 workerElevenLabs · Scribe v2
> 10 分钟
长转写队列transcribe-long
→
本地 workerwhisper.cpp
让长短转写分别排队。
独立队列与消费者，让短任务无需与长转写争用同一队列。转码与存储仍是共享环节，阈值可配置。
模型常驻，轻量起步。
本地模型在 worker 启动时加载，后续任务复用。镜像默认 Tiny，通过 MODEL_PATH 可换模型，按质量与耗时选择配置。
模型的速度与准确率取舍 ↗云端与本地分工，控制调用量。
长音频在本地处理，减少长录音的云端调用量。哪类任务积压，就增加哪类 worker；同时评估本地资源与总成本。
文件直达存储，结果独立加载。
媒体字节不绕经 API 网关。前端分别加载播放器、转写稿与生词，已就绪的内容可以先用，点击句子就能回听。
从 EFFICIENT GO 得到的启发
先定义目标，
再用数据检验设计。
设计灵感来自 Bartłomiej Płotka 的 《Efficient Go: Data-Driven Performance Optimization》↗。把性能落到可观察的目标上，再寻找值得优化的环节。
Vox 用 Accuracy × Productivity × Speed 表达产品目标：识别质量、产出与投入、端到端耗时。架构服务于这些目标，Git 历史记录每一步选择。
公式表达三者共同影响体验；具体评估分别记录字词错误率、使用投入与处理时延。
从第一段录音，到完整的平台
每一项能力，都有它的来路。
沿着真实提交，看模型、服务拆分、队列和学习体验怎样一步步长出来。