小奥录音更新：实时字幕500ms、说话人分离优化、导出pdf、加入安全认证等-三亩地-编程学习日记

关于小奥录音 OddMinutes

小奥录音是一个开源的智能音频会议系统，支持实时录音、AI 转录、智能摘要生成和音字联动功能，也支持导入已有的音频进行转录、总结。跟 Meetily 一样，支持全链路私有化部署，完全离线运行。

Slogan：让会议的每一分钟，都被听见、被记录、被理解 —— OddMinutes 小奥录音

项目地址：https://github.com/oddmeta/oddminutes
文档地址：https://oddmeta.net/docs/oddminutes/

安装：pip install oddminutes
运行：oddminutes
Web前端: http://localhost:9011

最近两个周末，一边改 OddASR，一边陆陆续续的用 OddASR 再来一点点完善小奥录音的各项功能，今天向pypi发布了个阶段性的版本v0.1.10。然后这里汇总一下与上个版本相比做的一些修改、调整与完善，简单讲的话主要就是：围绕实时字幕、导出功能、说话人识别、AI纪要等核心体验进行了一些升级。具体看下面。

一、新功能

1. 实时字幕上线（500ms 超低延迟）

结合最新版 OddASR，小奥录音加入了实时字幕功能，首字时延低至500ms！

字幕风格参照主流音乐播放器，支持拖动调整字幕显示位置
默认不启用，可在系统设置中手动开启
录音控制面板新增「显示字幕」按钮，一键控制字幕显隐

2. 导出功能全新重构

导出功能经过彻底重设计：

点击导出按钮后弹出选择框，可自由勾选导出内容：音频文件、会议文本、AI摘要
导出前自动检查数据库中是否已有对应的 PDF 文件，智能判断是否需要重新生成
勾选的导出文件自动打包成ZIP提供下载，文件名用会议名称（中文文件名兼容）
导出的 PDF 新增页眉小奥录音 Logo + Slogan、页脚副标题与官网地址
PDF 支持水印，包含产品标识与导出时的登录用户信息，防泄漏更安心
导出接口必须登录后才能操作

3. 说话人能力增强

利用最新版本的 OddASR，对说话人分离功能进行了一些优化，可指定本会议中最多有多少人发言，包括自动检测说话人的最大数据和实际分离的数量，同时转写后生成的说话人0，说话人1，说话人2也可支持在界面上修改名字，并支持同一说话人修改后，在整个会议里批量改名更新。

说话人名字编辑：转录文本界面双击说话人即可编辑名字；若某说话人修改了名字，会提示是否将本会议中所有相同说话人的名称一并替换，界面与数据库同步更新
离线说话人分离人数配置：根据 OddASR 接口支持，可指定本会议中最多有多少人发言（offlinePresetSpkNum/offlineMaxNumSpks）

需要配合OddASR v2.5.5 才能支持，要体验此功能，需先升级一下 OddASR。

pipinstall-Uoddasr

4. AI 纪要全面升级

这些功能都是我自己这几天使用中一点点完善的，有的问题是受限于硬件配置（受限于大模型最大上下文，AI摘要的时候切片进行摘要，然后再合并成一个完整的摘要）。

AI摘要滑动窗口可配置：块大小 5000、重叠 1000、步进 4000 三个参数可在系统设置中调整并持久化
AI摘要面板全新改版：从卡片列表样式重设计为正式的报告/纪要文档样式，包含报告头部（会议名、生成时间、元信息）与精致排版，支持打印/PDF 导出
启动自动初始化模板：启动时自动检测 AI 摘要模板是否存在，缺失时自动补全初始化数据

5. 用户体系接入

这个功能的主要目的是想保护一下数据，原先的时候没有用户、权限的管理，启动了OddMinutes后就直接可以看到所有会议，感觉这样不太安全，也没有什么隐私，所以就顺手给加了个简易的用户认证子系统。

所有数据表加入user 属性
所有业务 API（会议、录音、转写、摘要等）现在均需要携带有效的 Token才能访问
正在评估中国电信 API 数据结构规划新版本适配（只是看到了一个中国电信的API文档，感觉有点意思，但是没实际需求，所以做不做什么时候做，要看心情）

二、体验优化

一些勉强可以称得上优化的调整。

转录文本分段优化：按句号、问号、感叹号智能分段，避免同一人超长语音堆挤成超大段落
编辑模式重构：编辑按钮移动到每个 segment，悬浮时显示，支持逐段编辑；编辑未保存的内容会在界面标出
编辑后播放定位修复：编辑状态下点播放，文字位置重新计算，准确定位到当前片段
音频收发日志优化：音频收发与流式转写 WebSocket 状态日志更清晰
通知历史优化：标题中增加会议名称，方便快速定位
Tailwind 本地化：将 CDN 引入的 Tailwind 改为本地资源，离线环境也可用
静音裁剪开关：音频转 MP3 后是否去首尾静音改为配置项控制

三、Bug 修复

使用中发现的一堆杂七杂八的问题，一个个修复了一下。

静音裁剪过度剪切：修复裁剪导致大量有效音频内容被误剪的问题（FFmpeg 7.x 兼容处理）
音频进度条无法拖动：新增修复功能，重新编码 MP3 修复 VBR 头信息与 seek 表，解决浏览器播放进度条定位不准的问题
AI 摘要无法重新生成：修复生成一半服务端退出后无法再次生成的问题
Linux 版本号异常：修复 Linux 环境下检测到版本号为 0.0.0 的问题
系统通知错误：修复修改系统配置时通知标题误显示为会议名称的问题
会议标题更新：更新标题前先判断是否有变化，避免无效触发

四、工程与部署

打包优化：构建 wheel 时排除编译临时文件（__pycache__/.pyc），避免 “is not a supported wheel on this platform” 等跨平台安装报错
版本检查：新增自动检测新版本功能（从 PyPI 获取最新版本），方便及时更新

五、下期预告

中国电信 API 版本适配（别期待，做不做看心情）
持续打磨实时字幕与导出体验

感谢大家的关注与支持！有任何问题或建议，欢迎留言反馈 🙌