feat(engine): 添加字幕窗口宽度记忆功能并优化字幕引擎关闭逻辑

- 添加 captionWindowWidth 属性，用于保存字幕窗口宽度
- 修改 CaptionEngine 中的 stop 和 kill 方法，优化字幕引擎关闭逻辑
- 更新 README，添加预备模型列表

.gitignore

@@ -5,7 +5,8 @@ out
 .eslintcache
 *.log*
 __pycache__
+.venv
 subenv
-caption-engine/build
-output.wav
-.venv
+engine/build
+engine/models
+engine/notebook

.npmrc

@@ -1,2 +1,2 @@
-# electron_mirror=https://npmmirror.com/mirrors/electron/
-# electron_builder_binaries_mirror=https://npmmirror.com/mirrors/electron-builder-binaries/
+electron_mirror=https://npmmirror.com/mirrors/electron/
+electron_builder_binaries_mirror=https://npmmirror.com/mirrors/electron-builder-binaries/

.vscode/settings.json

@@ -9,6 +9,6 @@
     "editor.defaultFormatter": "esbenp.prettier-vscode"
   },
   "python.analysis.extraPaths": [
-    "./caption-engine"
+    "./engine"
   ]
 }

README.md

@@ -2,12 +2,19 @@
     <img src="./build/icon.png" width="100px" height="100px"/>
     <h1 align="center">auto-caption</h1>
     <p>Auto Caption 是一个跨平台的实时字幕显示软件。</p>
+    <p>
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-0.6.0-blue"></a>
+      <a href="https://github.com/HiMeditator/auto-caption/issues"><img src="https://img.shields.io/github/issues/HiMeditator/auto-caption?color=orange"></a>
+      <img src="https://img.shields.io/github/languages/top/HiMeditator/auto-caption?color=royalblue">
+      <img src="https://img.shields.io/github/repo-size/HiMeditator/auto-caption?color=green">
+      <img src="https://img.shields.io/github/stars/HiMeditator/auto-caption?style=social">
+    </p>
     <p>
         | <b>简体中文</b>
         | <a href="./README_en.md">English</a>
         | <a href="./README_ja.md">日本語</a> |
     </p>
-    <p><i>v0.3.0版本已经发布。预计将添加本地字幕引擎的v1.0.0版本仍正在开发中...</i></p>
+    <p><i>v0.6.0 版本已经发布，对字幕引擎代码进行了大重构，提升了代码的可扩展性。更多的字幕引擎正在尝试开发中...</i></p>
 </div>
 
 ![](./assets/media/main_zh.png)
@@ -22,22 +29,39 @@
 
 [字幕引擎说明文档](./docs/engine-manual/zh.md)
 
-[项目 API 文档](./docs/api-docs/electron-ipc.md)
+[项目 API 文档](./docs/api-docs/)
+
+[更新日志](./docs/CHANGELOG.md)
 
 ## 📖 基本使用
 
-目前提供了 Windows 和 macOS 平台的可安装版本。如果要使用默认的 Gummy 字幕引擎，首先需要获取阿里云百炼平台的 API KEY，然后将 API KEY 添加到软件设置中或者配置到环境变量中（仅 Windows 平台支持读取环境变量中的 API KEY），这样才能正常使用该模型。
+软件已经适配了 Windows、macOS 和 Linux 平台。测试过的平台信息如下：
 
-![](./assets/media/api_zh.png)
+| 操作系统版本        | 处理器架构 | 获取系统音频输入 | 获取系统音频输出 |
+| ------------------ | ---------- | ---------------- | ---------------- |
+| Windows 11 24H2    | x64        | ✅               | ✅                |
+| macOS Sequoia 15.5 | arm64      | ✅需要额外配置     | ✅                |
+| Ubuntu 24.04.2     | x64        | ✅               | ✅                |
+| Kali Linux 2022.3  | x64        | ✅               | ✅                |
+| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
 
-**国际版的阿里云服务并没有提供 Gummy 模型，因此目前非中国用户无法使用默认字幕引擎。我正在开发新的本地字幕引擎，以确保所有用户都有默认字幕引擎可以使用。**
+macOS 平台和 Linux 平台获取系统音频输出需要进行额外设置，详见[Auto Caption 用户手册](./docs/user-manual/zh.md)。
 
-相关教程：
+> 国际版的阿里云服务并没有提供 Gummy 模型，因此目前非中国用户无法使用 Gummy 字幕引擎。
+
+如果要使用默认的 Gummy 字幕引擎（使用云端模型进行语音识别和翻译），首先需要获取阿里云百炼平台的 API KEY，然后将 API KEY 添加到软件设置中或者配置到环境变量中（仅 Windows 平台支持读取环境变量中的 API KEY），这样才能正常使用该模型。相关教程：
 
 - [获取 API KEY](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [将 API Key 配置到环境变量](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
 
-如果你想了解字幕引擎的工作原理，或者你想开发自己的字幕引擎，请参考[字幕引擎说明文档](./docs/engine-manual/zh.md)。
+> Vosk 模型的识别效果较差，请谨慎使用。
+
+如果要使用 Vosk 本地字幕引擎，首先需要在 [Vosk Models](https://alphacephei.com/vosk/models) 页面下载你需要的模型，并将模型解压到本地，并将模型文件夹的路径添加到软件的设置中。目前 Vosk 字幕引擎还不支持翻译字幕内容。
+
+![](./assets/media/vosk_zh.png)
+
+**如果你觉得上述字幕引擎不能满足你的需求，而且你会 Python，那么你可以考虑开发自己的字幕引擎。详细说明请参考[字幕引擎说明文档](./docs/engine-manual/zh.md)。**
+
 ## ✨ 特性
 
 - 跨平台、多界面语言支持
@@ -47,13 +71,9 @@
 - 字幕记录展示与导出
 - 生成音频输出或麦克风输入的字幕
 
-说明：
-- Windows 和 macOS 平台支持生成音频输出和麦克风输入的字幕，但是 **macOS 平台获取系统音频输出需要进行设置，详见[Auto Caption 用户手册](./docs/user-manual/zh.md)**
-- Linux 平台目前无法获取系统音频输出，仅支持生成麦克风输入的字幕
-
 ## ⚙️ 自带字幕引擎说明
 
-目前软件自带 1 个字幕引擎，正在规划 2 个新的引擎。它们的详细信息如下。
+目前软件自带 2 个字幕引擎，正在规划新的引擎。它们的详细信息如下。
 
 ### Gummy 字幕引擎（云端）
 
@@ -82,11 +102,17 @@ $$
 
 ### Vosk 字幕引擎（本地）
 
-预计基于 [vosk-api](https://github.com/alphacep/vosk-api) 进行开发，正在实验中。
+基于 [vosk-api](https://github.com/alphacep/vosk-api) 开发。目前只支持生成音频对应的原文，不支持生成翻译内容。
 
-### FunASR 字幕引擎（本地）
+### 新规划字幕引擎
+
+以下为备选模型，将根据模型效果和集成难易程度选择。
+
+- [faster-whisper](https://github.com/SYSTRAN/faster-whisper)
+- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)
+- [SenseVoice](https://github.com/FunAudioLLM/SenseVoice)
+- [FunASR](https://github.com/modelscope/FunASR)
 
-如果可行，将基于 [FunASR](https://github.com/modelscope/FunASR) 进行开发。还未进行调研和可行性验证。
 
 ## 🚀 项目运行
 
@@ -100,10 +126,10 @@ npm install
 
 ### 构建字幕引擎
 
-首先进入 `caption-engine` 文件夹，执行如下指令创建虚拟环境：
+首先进入 `engine` 文件夹，执行如下指令创建虚拟环境（需要使用大于等于 Python 3.10 的 Python 运行环境，建议使用 Python 3.12）：
 
 ```bash
-# in ./caption-engine folder
+# in ./engine folder
 python -m venv subenv
 # or
 python3 -m venv subenv
@@ -118,30 +144,47 @@ subenv/Scripts/activate
 source subenv/bin/activate
 ```
 
-然后安装依赖（注意如果是 Linux 或 macOS 环境，需要注释掉 `requirements.txt` 中的 `PyAudioWPatch`，该模块仅适用于 Windows 环境）。
-
-> 这一步可能会报错，一般是因为构建失败，需要根据报错信息安装对应的构建工具包。
+然后安装依赖（这一步在 macOS 和 Linux 可能会报错，一般是因为构建失败，需要根据报错信息进行处理）：
 
 ```bash
-pip install -r requirements.txt
+# Windows
+pip install -r requirements_win.txt
+# macOS
+pip install -r requirements_darwin.txt
+# Linux
+pip install -r requirements_linux.txt
+```
+
+如果在 Linux 系统上安装 `samplerate` 模块报错，可以尝试使用以下命令单独安装：
+
+```bash
+pip install samplerate --only-binary=:all:
 ```
 
 然后使用 `pyinstaller` 构建项目：
 
 ```bash
-pyinstaller --onefile main-gummy.py
+pyinstaller ./main.spec
 ```
 
-此时项目构建完成，在进入 `caption-engine/dist` 文件夹可见对应的可执行文件。即可进行后续操作。
+注意 `main.spec` 文件中 `vosk` 库的路径可能不正确，需要根据实际状况配置（与 Python 环境的版本相关）。
+
+```
+# Windows
+vosk_path = str(Path('./subenv/Lib/site-packages/vosk').resolve())
+# Linux or macOS
+vosk_path = str(Path('./subenv/lib/python3.x/site-packages/vosk').resolve())
+```
+
+此时项目构建完成，在进入 `engine/dist` 文件夹可见对应的可执行文件。即可进行后续操作。
 
 ### 运行项目
 
 ```bash
 npm run dev
 ```
-### 构建项目
 
-注意目前软件只在 Windows 和 macOS 平台上进行了构建和测试，无法保证软件在 Linux 平台下的正确性。
+### 构建项目
 
 ```bash
 # For windows
@@ -151,3 +194,15 @@ npm run build:mac
 # For Linux
 npm run build:linux
 ```
+
+注意，根据不同的平台需要修改项目根目录下 `electron-builder.yml` 文件中的配置内容：
+
+```yml
+extraResources:
+  # For Windows
+  - from: ./engine/dist/main.exe
+    to: ./engine/main.exe
+  # For macOS and Linux
+  # - from: ./engine/dist/main
+  #   to: ./engine/main
+```

README_en.md

@@ -2,12 +2,19 @@
     <img src="./build/icon.png" width="100px" height="100px"/>
     <h1 align="center">auto-caption</h1>
     <p>Auto Caption is a cross-platform real-time caption display software.</p>
+    <p>
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-0.6.0-blue"></a>
+      <a href="https://github.com/HiMeditator/auto-caption/issues"><img src="https://img.shields.io/github/issues/HiMeditator/auto-caption?color=orange"></a>
+      <img src="https://img.shields.io/github/languages/top/HiMeditator/auto-caption?color=royalblue">
+      <img src="https://img.shields.io/github/repo-size/HiMeditator/auto-caption?color=green">
+      <img src="https://img.shields.io/github/stars/HiMeditator/auto-caption?style=social">
+    </p>
     <p>
         | <a href="./README.md">简体中文</a>
         | <b>English</b>
         | <a href="./README_ja.md">日本語</a> |
     </p>
-    <p><i>Version v0.3.0 has been released. Version v1.0.0, which is expected to add a local caption engine, is still under development...</i></p>
+    <p><i>Version 0.6.0 has been released, featuring a major refactor of the subtitle engine code to improve code extensibility. More subtitle engines are being developed...</i></p>
 </div>
 
 ![](./assets/media/main_en.png)
@@ -22,22 +29,38 @@
 
 [Caption Engine Documentation](./docs/engine-manual/en.md)
 
-[Project API Documentation (Chinese)](./docs/api-docs/electron-ipc.md)
+[Project API Documentation (Chinese)](./docs/api-docs/)
+
+[Changelog](./docs/CHANGELOG.md)
 
 ## 📖 Basic Usage
 
-Currently, installable versions are provided for Windows and macOS platforms. To use the default Gummy caption engine, you first need to obtain an API KEY from Alibaba Cloud Bailian platform, then add the API KEY to the software settings or configure it in environment variables (only Windows platform supports reading API KEY from environment variables) to enable normal usage of this model.
+The software has been adapted for Windows, macOS, and Linux platforms. The tested platform information is as follows:
 
-![](./assets/media/api_en.png)
+| OS Version         | Architecture | System Audio Input | System Audio Output |
+| ------------------ | ------------ | ------------------ | ------------------- |
+| Windows 11 24H2    | x64          | ✅                 | ✅                   |
+| macOS Sequoia 15.5 | arm64        | ✅ Additional config required | ✅        |
+| Ubuntu 24.04.2     | x64          | ✅                 | ✅                   |
+| Kali Linux 2022.3  | x64          | ✅                 | ✅                   |
+| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
 
-**The international version of Alibaba Cloud services does not provide the Gummy model, so currently non-Chinese users cannot use the default caption engine. I'm developing a new local caption engine to ensure all users have a default caption engine available.**
+Additional configuration is required to capture system audio output on macOS and Linux platforms. See [Auto Caption User Manual](./docs/user-manual/en.md) for details.
 
-Related tutorials:
+> The international version of Alibaba Cloud services does not provide the Gummy model, so non-Chinese users currently cannot use the Gummy caption engine.
 
-- [Obtain API KEY (Chinese)](https://help.aliyun.com/zh/model-studio/get-api-key)
-- [Configure API Key in Environment Variables (Chinese)](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+To use the default Gummy caption engine (which uses cloud-based models for speech recognition and translation), you first need to obtain an API KEY from the Alibaba Cloud Bailian platform. Then add the API KEY to the software settings or configure it in environment variables (only Windows platform supports reading API KEY from environment variables) to properly use this model. Related tutorials:
 
-If you want to understand how the caption engine works, or if you want to develop your own caption engine, please refer to [Caption Engine Documentation](./docs/engine-manual/en.md).
+- [Obtaining API KEY (Chinese)](https://help.aliyun.com/zh/model-studio/get-api-key)
+- [Configuring API Key through Environment Variables (Chinese)](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+
+> The recognition performance of Vosk models is suboptimal, please use with caution.
+
+To use the Vosk local caption engine, first download your required model from [Vosk Models](https://alphacephei.com/vosk/models) page, extract the model locally, and add the model folder path to the software settings. Currently, the Vosk caption engine does not support translated captions.
+
+![](./assets/media/vosk_en.png)
+
+**If you find the above caption engines don't meet your needs and you know Python, you may consider developing your own caption engine. For detailed instructions, please refer to the [Caption Engine Documentation](./docs/engine-manual/en.md).**
 
 ## ✨ Features
 
@@ -48,13 +71,9 @@ If you want to understand how the caption engine works, or if you want to develo
 - Caption recording display and export
 - Generate captions for audio output or microphone input
 
-Notes:
-- Windows and macOS platforms support generating captions for both audio output and microphone input, but **macOS requires additional setup to capture system audio output. See [Auto Caption User Manual](./docs/user-manual/en.md) for details.**
-- Linux platform currently cannot capture system audio output, only supports generating subtitles for microphone input.
-
 ## ⚙️ Built-in Subtitle Engines
 
-Currently, the software comes with 1 subtitle engine, with 2 new engines planned. Details are as follows.
+Currently, the software comes with 2 subtitle engines, with new engines under development. Their detailed information is as follows.
 
 ### Gummy Subtitle Engine (Cloud)
 
@@ -83,11 +102,16 @@ The engine only uploads data when receiving audio streams, so the actual upload
 
 ### Vosk Subtitle Engine (Local)
 
-Planned to be developed based on [vosk-api](https://github.com/alphacep/vosk-api), currently in experimentation.
+Developed based on [vosk-api](https://github.com/alphacep/vosk-api). Currently only supports generating original text from audio, does not support translation content.
 
-### FunASR Subtitle Engine (Local)
+### Planned New Subtitle Engines
 
-If feasible, will be developed based on [FunASR](https://github.com/modelscope/FunASR). Not yet researched or verified for feasibility.
+The following are candidate models that will be selected based on model performance and ease of integration.
+
+- [faster-whisper](https://github.com/SYSTRAN/faster-whisper)
+- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)
+- [SenseVoice](https://github.com/FunAudioLLM/SenseVoice)
+- [FunASR](https://github.com/modelscope/FunASR)
 
 ## 🚀 Project Setup
 
@@ -101,10 +125,10 @@ npm install
 
 ### Build Subtitle Engine
 
-First enter the `caption-engine` folder and execute the following commands to create a virtual environment:
+First enter the `engine` folder and execute the following commands to create a virtual environment (requires Python 3.10 or higher, with Python 3.12 recommended):
 
 ```bash
-# in ./caption-engine folder
+# in ./engine folder
 python -m venv subenv
 # or
 python3 -m venv subenv
@@ -119,21 +143,39 @@ subenv/Scripts/activate
 source subenv/bin/activate
 ```
 
-Then install dependencies (note: for Linux or macOS environments, you need to comment out `PyAudioWPatch` in `requirements.txt`, as this module is only for Windows environments).
-
-> This step may report errors, usually due to build failures. You need to install corresponding build tools based on the error messages.
+Then install dependencies (this step might result in errors on macOS and Linux, usually due to build failures, and you need to handle them based on the error messages):
 
 ```bash
-pip install -r requirements.txt
+# Windows
+pip install -r requirements_win.txt
+# macOS
+pip install -r requirements_darwin.txt
+# Linux
+pip install -r requirements_linux.txt
+```
+
+If you encounter errors when installing the `samplerate` module on Linux systems, you can try installing it separately with this command:
+
+```bash
+pip install samplerate --only-binary=:all:
 ```
 
 Then use `pyinstaller` to build the project:
 
 ```bash
-pyinstaller --onefile main-gummy.py
+pyinstaller ./main.spec
 ```
 
-After the build completes, you can find the executable file in the `caption-engine/dist` folder. Then proceed with subsequent operations.
+Note that the path to the `vosk` library in `main-vosk.spec` might be incorrect and needs to be configured according to the actual situation (related to the version of the Python environment).
+
+```
+# Windows
+vosk_path = str(Path('./subenv/Lib/site-packages/vosk').resolve())
+# Linux or macOS
+vosk_path = str(Path('./subenv/lib/python3.x/site-packages/vosk').resolve())
+```
+
+After the build completes, you can find the executable file in the `engine/dist` folder. Then proceed with subsequent operations.
 
 ### Run Project
 
@@ -143,8 +185,6 @@ npm run dev
 
 ### Build Project
 
-Note: Currently the software has only been built and tested on Windows and macOS platforms. Correct operation on Linux platform is not guaranteed.
-
 ```bash
 # For windows
 npm run build:win
@@ -153,3 +193,15 @@ npm run build:mac
 # For Linux
 npm run build:linux
 ```
+
+Note: You need to modify the configuration content in the `electron-builder.yml` file in the project root directory according to different platforms:
+
+```yml
+extraResources:
+  # For Windows
+  - from: ./engine/dist/main.exe
+    to: ./engine/main.exe
+  # For macOS and Linux
+  # - from: ./engine/dist/main
+  #   to: ./engine/main
+```

README_ja.md

@@ -2,12 +2,19 @@
     <img src="./build/icon.png" width="100px" height="100px"/>
     <h1 align="center">auto-caption</h1>
     <p>Auto Caption はクロスプラットフォームのリアルタイム字幕表示ソフトウェアです。</p>
+    <p>
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-0.6.0-blue"></a>
+      <a href="https://github.com/HiMeditator/auto-caption/issues"><img src="https://img.shields.io/github/issues/HiMeditator/auto-caption?color=orange"></a>
+      <img src="https://img.shields.io/github/languages/top/HiMeditator/auto-caption?color=royalblue">
+      <img src="https://img.shields.io/github/repo-size/HiMeditator/auto-caption?color=green">
+      <img src="https://img.shields.io/github/stars/HiMeditator/auto-caption?style=social">
+    </p>
     <p>
         | <a href="./README.md">简体中文</a>
         | <a href="./README_en.md">English</a>
         | <b>日本語</b> |
     </p>
-    <p><i>v0.3.0 バージョンがリリースされました。ローカル字幕エンジンを追加予定の v1.0.0 バージョンを現在開発中...</i></p>
+    <p><i>v0.6.0 バージョンがリリースされ、字幕エンジンコードが大規模にリファクタリングされ、コードの拡張性が向上しました。より多くの字幕エンジンの開発が試みられています...</i></p>
 </div>
 
 ![](./assets/media/main_ja.png)
@@ -22,20 +29,38 @@
 
 [字幕エンジン説明ドキュメント](./docs/engine-manual/ja.md)
 
-[プロジェクト API ドキュメント（中国語）](./docs/api-docs/electron-ipc.md)
+[プロジェクト API ドキュメント（中国語）](./docs/api-docs/)
 
-現在、Windows と macOS プラットフォーム向けのインストール可能なバージョンを提供しています。デフォルトの Gummy 字幕エンジンを使用するには、まず Alibaba Cloud Bailian プラットフォームから API KEY を取得し、その API KEY をソフトウェア設定に追加するか、環境変数に設定する必要があります（Windows プラットフォームのみ環境変数からの API KEY 読み取りをサポートしています）。
+[更新履歴](./docs/CHANGELOG.md)
 
-![](./assets/media/api_ja.png)
+## 📖 基本使い方
 
-**国際版の Alibaba Cloud サービスには Gummy モデルが提供されていないため、現在中国以外のユーザーはデフォルトの字幕エンジンを使用できません。すべてのユーザーがデフォルトの字幕エンジンを使用できるように、新しいローカル字幕エンジンを開発中です。**
+このソフトウェアはWindows、macOS、Linuxプラットフォームに対応しています。テスト済みのプラットフォーム情報は以下の通りです：
 
-関連チュートリアル：
+| OS バージョン | アーキテクチャ | システムオーディオ入力 | システムオーディオ出力 |
+| ------------------ | ------------ | ------------------ | ------------------- |
+| Windows 11 24H2    | x64          | ✅                 | ✅                   |
+| macOS Sequoia 15.5 | arm64        | ✅ 追加設定が必要    | ✅                   |
+| Ubuntu 24.04.2     | x64          | ✅                 | ✅                   |
+| Kali Linux 2022.3  | x64          | ✅                 | ✅                   |
+| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
+
+macOSおよびLinuxプラットフォームでシステムオーディオ出力を取得するには追加設定が必要です。詳細は[Auto Captionユーザーマニュアル](./docs/user-manual/ja.md)をご覧ください。
+
+> 阿里雲の国際版サービスでは Gummy モデルを提供していないため、現在中国以外のユーザーは Gummy 字幕エンジンを使用できません。
+
+デフォルトの Gummy 字幕エンジン（クラウドベースのモデルを使用した音声認識と翻訳）を使用するには、まず阿里雲百煉プラットフォームから API KEY を取得する必要があります。その後、API KEY をソフトウェア設定に追加するか、環境変数に設定します（Windows プラットフォームのみ環境変数からの API KEY 読み取りをサポート）。関連チュートリアル：
 
 - [API KEY の取得（中国語）](https://help.aliyun.com/zh/model-studio/get-api-key)
-- [環境変数への API Key 設定（中国語）](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+- [環境変数を通じて API Key を設定（中国語）](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
 
-字幕エンジンの動作原理を理解したい場合、または独自の字幕エンジンを開発したい場合は、[字幕エンジン説明ドキュメント](./docs/engine-manual/ja.md)を参照してください。
+> Vosk モデルの認識精度は低いため、注意してご使用ください。
+
+Vosk ローカル字幕エンジンを使用するには、まず [Vosk Models](https://alphacephei.com/vosk/models) ページから必要なモデルをダウンロードし、ローカルに解凍した後、モデルフォルダのパスをソフトウェア設定に追加してください。現在、Vosk 字幕エンジンは字幕の翻訳をサポートしていません。
+
+![](./assets/media/vosk_ja.png)
+
+**上記の字幕エンジンがご要望を満たさず、かつ Python の知識をお持ちの場合、独自の字幕エンジンを開発することも可能です。詳細な説明は[字幕エンジン説明書](./docs/engine-manual/ja.md)をご参照ください。**
 
 ## ✨ 特徴
 
@@ -46,13 +71,9 @@
 - 字幕記録の表示とエクスポート
 - オーディオ出力またはマイク入力からの字幕生成
 
-注記：
-- Windows と macOS プラットフォームはオーディオ出力とマイク入力の両方からの字幕生成をサポートしていますが、**macOS プラットフォームでシステムオーディオ出力を取得するには設定が必要です。詳細は[Auto Caption ユーザーマニュアル](./docs/user-manual/ja.md)をご覧ください。**
-- Linux プラットフォームは現在システムオーディオ出力を取得できず、マイク入力からの字幕生成のみをサポートしています。
-
 ## ⚙️ 字幕エンジン説明
 
-現在ソフトウェアには1つの字幕エンジンが組み込まれており、2つの新しいエンジンを計画中です。詳細は以下の通りです。
+現在、ソフトウェアには2つの字幕エンジンが搭載されており、新しいエンジンが計画されています。それらの詳細情報は以下の通りです。
 
 ### Gummy 字幕エンジン（クラウド）
 
@@ -81,11 +102,16 @@ $$
 
 ### Vosk字幕エンジン（ローカル）
 
-[vosk-api](https://github.com/alphacep/vosk-api) をベースに開発予定で、現在実験中です。
+[vosk-api](https://github.com/alphacep/vosk-api) をベースに開発されています。現在は音声に対応する原文の生成のみをサポートしており、翻訳コンテンツはサポートしていません。
 
-### FunASR字幕エンジン（ローカル）
+### 新規計画字幕エンジン
 
-可能であれば、[FunASR](https://github.com/modelscope/FunASR) をベースに開発予定です。まだ調査と実現可能性の検証を行っていません。
+以下は候補モデルであり、モデルの性能と統合の容易さに基づいて選択されます。
+
+- [faster-whisper](https://github.com/SYSTRAN/faster-whisper)
+- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)
+- [SenseVoice](https://github.com/FunAudioLLM/SenseVoice)
+- [FunASR](https://github.com/modelscope/FunASR)
 
 ## 🚀 プロジェクト実行
 
@@ -99,10 +125,10 @@ npm install
 
 ### 字幕エンジンの構築
 
-まず `caption-engine` フォルダに入り、以下のコマンドを実行して仮想環境を作成します：
+まず `engine` フォルダに入り、以下のコマンドを実行して仮想環境を作成します（Python 3.10 以上が必要で、Python 3.12 が推奨されます）：
 
 ```bash
-# ./caption-engine フォルダ内
+# ./engine フォルダ内
 python -m venv subenv
 # または
 python3 -m venv subenv
@@ -117,21 +143,39 @@ subenv/Scripts/activate
 source subenv/bin/activate
 ```
 
-その後、依存関係をインストールします（Linux または macOS 環境の場合、`requirements.txt` 内の `PyAudioWPatch` をコメントアウトする必要があります。このモジュールは Windows 環境専用です）。
-
-> このステップでエラーが発生する場合があります。一般的にはビルド失敗が原因で、エラーメッセージに基づいて対応するビルドツールパッケージをインストールする必要があります。
+次に依存関係をインストールします（このステップでは macOS と Linux でエラーが発生する可能性があります。通常はビルド失敗によるもので、エラーメッセージに基づいて対処する必要があります）：
 
 ```bash
-pip install -r requirements.txt
+# Windows
+pip install -r requirements_win.txt
+# macOS
+pip install -r requirements_darwin.txt
+# Linux
+pip install -r requirements_linux.txt
+```
+
+Linux システムで `samplerate` モジュールのインストールに問題が発生した場合、以下のコマンドで個別にインストールを試すことができます：
+
+```bash
+pip install samplerate --only-binary=:all:
 ```
 
 その後、`pyinstaller` を使用してプロジェクトをビルドします：
 
 ```bash
-pyinstaller --onefile main-gummy.py
+pyinstaller ./main.spec
 ```
 
-これでプロジェクトのビルドが完了し、`caption-engine/dist` フォルダ内に対応する実行可能ファイルが確認できます。その後、次の操作に進むことができます。
+`main-vosk.spec` ファイル内の `vosk` ライブラリのパスが正しくない可能性があるため、実際の状況（Python 環境のバージョンに関連）に応じて設定する必要があります。
+
+```
+# Windows
+vosk_path = str(Path('./subenv/Lib/site-packages/vosk').resolve())
+# Linux または macOS
+vosk_path = str(Path('./subenv/lib/python3.x/site-packages/vosk').resolve())
+```
+
+これでプロジェクトのビルドが完了し、`engine/dist` フォルダ内に対応する実行可能ファイルが確認できます。その後、次の操作に進むことができます。
 
 ### プロジェクト実行
 
@@ -141,8 +185,6 @@ npm run dev
 
 ### プロジェクト構築
 
-現在、ソフトウェアは Windows と macOS プラットフォームでのみ構築とテストが行われており、Linux プラットフォームでの正しい動作は保証できません。
-
 ```bash
 # Windows 用
 npm run build:win
@@ -151,3 +193,15 @@ npm run build:mac
 # Linux 用
 npm run build:linux
 ```
+
+注意: プラットフォームに応じて、プロジェクトルートディレクトリにある `electron-builder.yml` ファイルの設定内容を変更する必要があります:
+
+```yml
+extraResources:
+  # Windows 用
+  - from: ./engine/dist/main.exe
+    to: ./engine/main.exe
+  # macOS と Linux 用
+  # - from: ./engine/dist/main
+  #   to: ./engine/main
+```

caption-engine/audio2text/__init__.py

@@ -1,2 +0,0 @@
-from dashscope.common.error import InvalidParameter
-from .gummy import GummyTranslator

caption-engine/audioprcs/__init__.py

@@ -1 +0,0 @@
-from .process import mergeChunkChannels, resampleRawChunk

caption-engine/audioprcs/process.py

@@ -1,49 +0,0 @@
-import samplerate
-import numpy as np
-
-def mergeChunkChannels(chunk, channels):
-    """
-    将当前多通道音频数据块转换为单通道音频数据块
-
-    Args:
-        chunk: (bytes)多通道音频数据块
-        channels: 通道数
-
-    Returns:
-        (bytes)单通道音频数据块
-    """
-    # (length * channels,)
-    chunk_np = np.frombuffer(chunk, dtype=np.int16)
-    # (length, channels)
-    chunk_np = chunk_np.reshape(-1, channels)
-    # (length,)
-    chunk_mono_f = np.mean(chunk_np.astype(np.float32), axis=1)
-    chunk_mono = np.round(chunk_mono_f).astype(np.int16)
-    return chunk_mono.tobytes()
-
-
-def resampleRawChunk(chunk, channels, orig_sr, target_sr, mode="sinc_best"):
-    """
-    将当前多通道音频数据块转换成单通道音频数据块，然后进行重采样
-
-    Args:
-        chunk: (bytes)多通道音频数据块
-        channels: 通道数
-        orig_sr: 原始采样率
-        target_sr: 目标采样率
-        mode: 重采样模式，可选：'sinc_best' | 'sinc_medium' | 'sinc_fastest' | 'zero_order_hold' | 'linear'
-
-    Return:
-        (bytes)单通道音频数据块
-    """
-    # (length * channels,)
-    chunk_np = np.frombuffer(chunk, dtype=np.int16)
-    # (length, channels)
-    chunk_np = chunk_np.reshape(-1, channels)
-    # (length,)
-    chunk_mono_f = np.mean(chunk_np.astype(np.float32), axis=1)
-    chunk_mono = chunk_mono_f.astype(np.int16)
-    ratio = target_sr / orig_sr
-    chunk_mono_r =  samplerate.resample(chunk_mono, ratio, converter_type=mode)
-    chunk_mono_r = np.round(chunk_mono_r).astype(np.int16)
-    return chunk_mono_r.tobytes()

caption-engine/main-gummy.py

@@ -1,58 +0,0 @@
-import sys
-import argparse
-
-if sys.platform == 'win32':
-    from sysaudio.win import AudioStream
-elif sys.platform == 'darwin':
-    from sysaudio.darwin import AudioStream
-elif sys.platform == 'linux':
-    from sysaudio.linux import AudioStream
-else:
-    raise NotImplementedError(f"Unsupported platform: {sys.platform}")
-
-from audioprcs import mergeChunkChannels
-from audio2text import InvalidParameter, GummyTranslator
-
-
-def convert_audio_to_text(s_lang, t_lang, audio_type, chunk_rate, api_key):
-    sys.stdout.reconfigure(line_buffering=True) # type: ignore
-    stream = AudioStream(audio_type, chunk_rate)
-
-    if t_lang == 'none':
-        gummy = GummyTranslator(stream.RATE, s_lang, None, api_key)
-    else:
-        gummy = GummyTranslator(stream.RATE, s_lang, t_lang, api_key)
-
-    stream.openStream()
-    gummy.start()
-
-    while True:
-        try:
-            chunk = stream.read_chunk()
-            chunk_mono = mergeChunkChannels(chunk, stream.CHANNELS)
-            try:
-                gummy.send_audio_frame(chunk_mono)
-            except InvalidParameter:
-                gummy.start()
-                gummy.send_audio_frame(chunk_mono)
-        except KeyboardInterrupt:
-            stream.closeStream()
-            gummy.stop()
-            break
-
-
-if __name__ == "__main__":
-    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
-    parser.add_argument('-s', '--source_language', default='en', help='Source language code')
-    parser.add_argument('-t', '--target_language', default='zh', help='Target language code')
-    parser.add_argument('-a', '--audio_type', default=0, help='Audio stream source: 0 for output audio stream, 1 for input audio stream')
-    parser.add_argument('-c', '--chunk_rate', default=20, help='The number of audio stream chunks collected per second.')
-    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
-    args = parser.parse_args()
-    convert_audio_to_text(
-        args.source_language,
-        args.target_language,
-        int(args.audio_type),
-        int(args.chunk_rate),
-        args.api_key
-    )

caption-engine/sysaudio/linux.py

@@ -1,73 +0,0 @@
-"""获取 Linux 系统音频输入流"""
-
-import pyaudio
-
-
-class AudioStream:
-    """
-    获取系统音频流
-
-    初始化参数：
-        audio_type: 0-系统音频输出流（不支持，不会生效），1-系统音频输入流（默认）
-        chunk_rate: 每秒采集音频块的数量，默认为20
-    """
-    def __init__(self, audio_type=1,  chunk_rate=20):
-        self.audio_type = audio_type
-        self.mic = pyaudio.PyAudio()
-        self.device = self.mic.get_default_input_device_info()
-        self.stream = None
-        self.SAMP_WIDTH = pyaudio.get_sample_size(pyaudio.paInt16)
-        self.FORMAT = pyaudio.paInt16
-        self.CHANNELS = self.device["maxInputChannels"]
-        self.RATE = int(self.device["defaultSampleRate"])
-        self.CHUNK = self.RATE // chunk_rate
-        self.INDEX = self.device["index"]
-
-    def printInfo(self):
-        dev_info = f"""
-        采样输入设备：
-            - 设备类型：{ "音频输入（Linux平台目前仅支持该项）" }
-            - 序号：{self.device['index']}
-            - 名称：{self.device['name']}
-            - 最大输入通道数：{self.device['maxInputChannels']}
-            - 默认低输入延迟：{self.device['defaultLowInputLatency']}s
-            - 默认高输入延迟：{self.device['defaultHighInputLatency']}s
-            - 默认采样率：{self.device['defaultSampleRate']}Hz
-
-        音频样本块大小：{self.CHUNK}
-        样本位宽：{self.SAMP_WIDTH}
-        采样格式：{self.FORMAT}
-        音频通道数：{self.CHANNELS}
-        音频采样率：{self.RATE}
-        """
-        print(dev_info)
-
-    def openStream(self):
-        """
-        打开并返回系统音频输出流
-        """
-        if self.stream: return self.stream
-        self.stream = self.mic.open(
-            format = self.FORMAT,
-            channels = int(self.CHANNELS),
-            rate = self.RATE,
-            input = True,
-            input_device_index = int(self.INDEX)
-        )
-        return self.stream
-
-    def read_chunk(self):
-        """
-        读取音频数据
-        """
-        if not self.stream: return None
-        return self.stream.read(self.CHUNK)
-
-    def closeStream(self):
-        """
-        关闭系统音频输出流
-        """
-        if self.stream is None: return
-        self.stream.stop_stream()
-        self.stream.close()
-        self.stream = None

docs/CHANGELOG.md

@@ -29,6 +29,7 @@
 
 ### 新增功能
 
+- 添加长字幕内容隐藏功能 (#1)
 - 添加多界面语言支持（中文、英语、日语）
 - 添加暗色主题
 
@@ -40,7 +41,7 @@
 
 ### 修复bug
 
-- 添加字幕引擎长时间空置后报错的问题
+- 添加字幕引擎长时间空置后报错的问题 (#2)
 
 ### 新增文档
 
@@ -48,63 +49,99 @@
 - 新增英语、日语字幕引擎说明文档和用户手册
 - 新增 electron ipc api 文档
 
+## v0.3.0
 
+2025-07-09
 
+对字幕引擎代码进行了重构，软件适配了 macOS 平台，添加了新功能。
 
-Here are the translations of the selected macOS audio output configuration section:
+### 新增功能
 
-### English Translation:
-```markdown
-### Capturing System Audio Output on macOS
+- 添加软件内设置 API KEY 的功能
+- 添加字幕字体粗细和文本阴影的设置
+- 添加复制字幕记录到剪贴板的功能 (#3)
 
-The subtitle engine cannot directly capture system audio output on macOS platform and requires additional driver installation. The current subtitle engine uses [BlackHole](https://github.com/ExistentialAudio/BlackHole). First open Terminal and execute one of the following commands (recommended to choose the first one):
+### 优化体验
 
-```bash
-brew install blackhole-2ch
-brew install blackhole-16ch
-brew install blackhole-64ch
-```
+- 字幕时间记录精确到毫秒
+- 更详细的说明文档（添加字幕引擎规格说明、用户文档和字幕引擎文档更新） (#4)
+- 适配 macOS 平台
+- 字幕窗口有了更大的顶置优先级
+- 预览窗口可以实时显示最新的字幕内容
 
-After installation completes, open `Audio MIDI Setup` (searchable via `cmd + space`). Check if BlackHole appears in the device list - if not, restart your computer.
+### 修复bug
 
-Once BlackHole is confirmed installed, in the `Audio MIDI Setup` page, click the plus (+) button at bottom left and select "Create Multi-Output Device". Include both BlackHole and your desired audio output destination in the outputs. Finally, set this multi-output device as your default audio output device.
+- 修复使用系统主题时暗色系统载入为亮色的问题
 
-Now the subtitle engine can capture system audio output and generate subtitles.
-```
+## v0.4.0
 
-### Japanese Translation:
-```markdown
-### macOSでのシステムオーディオ出力の取得方法
+2025-07-11
 
-字幕エンジンはmacOSプラットフォームで直接システムオーディオ出力を取得できず、追加のドライバーインストールが必要です。現在の字幕エンジンでは[BlackHole](https://github.com/ExistentialAudio/BlackHole)を使用しています。まずターミナルを開き、以下のいずれかのコマンドを実行してください（最初のオプションを推奨します）：
+添加了 Vosk 本地字幕引擎，更新了项目文档，继续优化使用体验。
 
-```bash
-brew install blackhole-2ch
-brew install blackhole-16ch
-brew install blackhole-64ch
-```
+### 新增功能
 
-インストール完了後、`オーディオMIDI設定`（`cmd + space`で検索可能）を開きます。デバイスリストにBlackHoleが表示されているか確認してください - 表示されていない場合はコンピュータを再起動してください。
+- 添加了基于 Vosk 的字幕引擎， **当前 Vosk 字幕引擎暂不支持翻译**
+- 更新用户界面，增加 Vosk 引擎选项和模型路径设置
 
-BlackHoleのインストールが確認できたら、`オーディオMIDI設定`ページで左下のプラス(+)ボタンをクリックし、「マルチ出力デバイスを作成」を選択します。出力にBlackHoleと希望するオーディオ出力先の両方を含めてください。最後に、このマルチ出力デバイスをデフォルトのオーディオ出力デバイスに設定します。
+### 优化体验
 
-これで字幕エンジンがシステムオーディオ出力をキャプチャし、字幕を生成できるようになります。
-```
+- 字幕窗口右上角图标的颜色改为和字幕原文字体颜色一致
 
-Key translation notes:
-1. Technical terms:
-   - "Audio MIDI Setup" → "オーディオMIDI設定" (Japanese)
-   - "Multi-Output Device" → "マルチ出力デバイス" (Japanese)
-   - Maintained "BlackHole" and "brew" commands as-is
+## v0.5.0
 
-2. Structure:
-   - Kept the same section hierarchy with ### headers
-   - Preserved all code blocks and formatting
-   - Maintained the step-by-step instruction flow
+2025-07-15
 
-3. Localization:
-   - Used appropriate Japanese technical terms
-   - Adjusted phrasing for natural reading in each language
-   - Kept all terminal commands and interface elements unchanged
+为软件本体添加了更多功能、适配了 Linux。
 
-Both translations accurately convey the technical procedures while adapting naturally to their target languages.
+### 新增功能
+
+- 适配了 Linux 平台
+- 新增修改字幕时间功能，可调整字幕时间
+- 支持导出 srt 格式的字幕记录
+- 支持显示字幕引擎状态（pid、ppid、CPU占用率、内存占用、运行时间）
+
+### 优化体验
+
+- 调整字幕窗口右上角图标为竖向排布
+- 过滤 Gummy 字幕引擎输出的不完整字幕
+
+## v0.5.1
+
+2025-07-17
+
+### 修复 bug
+
+- 修复无法调用自定义字幕引擎的 bug
+- 修复自定义字幕引擎的参数失效 bug
+
+## v0.6.0
+
+2025-07-29
+
+### 新增功能
+
+- 新增字幕记录排序功能，可选择字幕记录正序或倒叙显示
+
+### 优化体验
+
+- 减小了软件安装包的体积
+- 微调字幕引擎设置界面布局
+- 交换窗口界面信息弹窗和错误弹窗的位置，防止提示信息挡住操作
+- 提高程序健壮性，完全避免字幕引擎进程成为孤儿进程
+- 修改字幕引擎文档，添加更详细的开发说明
+
+### 项目优化
+
+- 重构字幕引擎，提示字幕引擎代码的可扩展性和可读性
+- 合并 Gummy 和 Vosk 引擎为单个可执行文件
+- 字幕引擎和主程序添加 Socket 通信，完全避免字幕引擎成为孤儿进程
+
+## v0.7.0
+
+2025-08-xx
+
+### 新增功能
+
+- 添加字幕窗口宽度记忆，重新打开时与上次字幕窗口宽度一致
+- 在尝试关闭字幕引擎 4s 后字幕引擎仍未关闭，则强制关闭字幕引擎

docs/TODO.md

@@ -8,13 +8,25 @@
 - [x] 添加对自带字幕引擎的详细规格说明 *2025/07/07*
 - [x] 添加复制字幕到剪贴板功能 *2025/07/08*
 - [x] 适配 macOS 平台 *2025/07/08*
+- [x] 添加字幕文字描边 *2025/07/09*
+- [x] 添加基于 Vosk 的字幕引擎 *2025/07/09*
+- [x] 适配 Linux 平台 *2025/07/13*
+- [x] 字幕窗口右上角图标改为竖向排布 *2025/07/14*
+- [x] 可以调整字幕时间轴 *2025/07/14*
+- [x] 可以导出 srt 格式的字幕记录 *2025/07/14*
+- [x] 可以获取字幕引擎的系统资源消耗情况 *2025/07/15*
+- [x] 添加字幕记录按时间降序排列选择 *2025/07/26*
+- [x] 重构字幕引擎 *2025/07/28*
+- [x] 优化前端界面提示消息 *2025/07/29*
 
 ## 待完成
 
-- [ ] 添加字幕文字描边
-- [ ] 添加本地字幕引擎
-  - [ ] 添加基于 Vosk 的字幕引擎
-  - [ ] 验证 / 添加基于 FunASR 的字幕引擎
+- [ ] 验证 / 添加基于 sherpa-onnx 的字幕引擎
+
+## 后续计划
+
+- [ ] 添加 Ollama 模型用于本地字幕引擎的翻译
+- [ ] 验证 / 添加基于 FunASR 的字幕引擎
 - [ ] 减小软件不必要的体积
 
 ## 遥远的未来

docs/api-docs/caption-engine.md

@@ -0,0 +1,109 @@
+# caption engine api-doc
+
+本文档主要介绍字幕引擎和 Electron 主进程进程的通信约定。
+
+## 原理说明
+
+本项目的 Python 进程通过标准输出向 Electron 主进程发送数据。Python 进程标准输出 (`sys.stdout`) 的内容一定为一行一行的字符串。且每行字符串均可以解释为一个 JSON 对象。每个 JSON 对象一定有 `command` 参数。
+
+Electron 主进程通过 TCP Socket 向 Python 进程发送数据。发送的数据均是转化为字符串的对象，对象格式一定为：
+
+```js
+{
+  command: string,
+  content: string
+}
+```
+
+## 标准输出约定
+
+> 数据传递方向：字幕引擎进程 => Electron 主进程
+
+当 JSON 对象的 `command` 参数为下列值时，表示的对应的含义：
+
+### `connect`
+
+```js
+{
+  command: "connect",
+  content: ""
+}
+```
+
+字幕引擎 TCP Socket 服务已经准备好，命令 Electron 主进程连接字幕引擎 Socket 服务
+
+### `kill`
+
+```js
+{
+  command: "connect",
+  content: ""
+}
+```
+
+命令 Electron 主进程强制结束字幕引擎进程。
+
+### `caption`
+
+```js
+{
+  command: "caption",
+  index: number,
+  time_s: string,
+  time_t: string,
+  text: string,
+  translation: string
+}
+```
+
+Python 端监听到的音频流转换为的字幕数据。
+
+### `print`
+
+```js
+{
+  command: "print",
+  content: string
+}
+```
+
+输出 Python 端打印的内容。
+
+### `info`
+
+```js
+{
+  command: "info",
+  content: string
+}
+```
+
+Python 端打印的提示信息，比起 `print`，该信息更希望 Electron 端的关注。
+
+### `usage`
+
+```js
+{
+  command: "usage",
+  content: string
+}
+```
+
+Gummy 字幕引擎结束时打印计费消耗信息。
+
+## TCP Socket
+
+> 数据传递方向：Electron 主进程 => 字幕引擎进程
+
+当 JSON 对象的 `command` 参数为下列值时，表示的对应的含义：
+
+### `stop`
+
+```js
+{
+  command: "stop",
+  content: ""
+}
+```
+
+命令当前字幕引擎停止监听并结束任务。

docs/api-docs/electron-ipc.md

@@ -44,6 +44,32 @@
 - 发送：无数据
 - 接收：`string`
 
+### `control.folder.select`
+
+**介绍：** 打开文件夹选择器，并将用户选择的文件夹路径返回给前端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：**
+
+- 发送：无数据
+- 接收：`string`
+
+### `control.engine.info`
+
+**介绍：** 获取字幕引擎的资源消耗情况
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：**
+
+- 发送：无数据
+- 接收：`EngineInfo`
+
 ## 前端 ==> 后端
 
 ### `control.uiLanguage.change`
@@ -210,13 +236,13 @@
 
 ### `control.engine.started`
 
-**介绍：** 引擎启动成功
+**介绍：** 引擎启动成功，参数为引擎的进程 ID
 
 **发起方：** 后端
 
 **接收方：** 前端控制窗口
 
-**数据类型：** 无数据
+**数据类型：** `number`
 
 ### `control.engine.stopped`
 

docs/engine-manual/en.md

@@ -1,152 +1,199 @@
-# Caption Engine Documentation
+# Caption Engine Documentation  
 
-Corresponding Version: v0.3.0
+Corresponding Version: v0.6.0  
 
-![](../../assets/media/structure_en.png)
+![](../../assets/media/structure_en.png)  
 
-## Introduction to the Caption Engine
+## Introduction to the Caption Engine  
 
-The so-called caption engine is actually a subprogram that captures real-time streaming data from the system's audio input (recording) or output (playing sound) and calls an audio-to-text model to generate captions for the corresponding audio. The generated captions are converted into a JSON-formatted string and passed to the main program through standard output (it must be ensured that the string read by the main program can be correctly interpreted as a JSON object). The main program reads and interprets the caption data, processes it, and then displays it on the window.
+The so-called caption engine is essentially a subprogram that continuously captures real-time streaming data from the system's audio input (microphone) or output (speakers) and invokes an audio-to-text model to generate corresponding captions for the audio. The generated captions are converted into JSON-formatted string data and passed to the main program via standard output (ensuring the string can be correctly interpreted as a JSON object by the main program). The main program reads and interprets the caption data, processes it, and displays it in the window.  
 
-## Functions Required by the Caption Engine
+**The communication standard between the caption engine process and the Electron main process is: [caption engine api-doc](../api-docs/caption-engine.md).**  
 
-### Audio Acquisition
+## Workflow  
 
-First, your caption engine needs to capture streaming data from the system's audio input (recording) or output (playing sound). If using Python for development, you can use the PyAudio library to obtain microphone audio input data (cross-platform). Use the PyAudioWPatch library to get system audio output (Windows platform only).
+The communication flow between the main process and the caption engine:  
 
-Generally, the captured audio stream data consists of short audio chunks, and the size of these chunks should be adjusted according to the model. For example, Alibaba Cloud's Gummy model performs better with 0.05-second audio chunks compared to 0.2-second ones.
+### Starting the Engine  
 
-### Audio Processing
+- **Main Process**: Uses `child_process.spawn()` to launch the caption engine process.  
+- **Caption Engine Process**: Creates a TCP Socket server thread. After creation, it outputs a JSON object string via standard output, containing a `command` field with the value `connect`.  
+- **Main Process**: Monitors the standard output of the caption engine process, attempts to split it line by line, parses it into a JSON object, and checks if the `command` field value is `connect`. If so, it connects to the TCP Socket server.  
 
-The acquired audio stream may need preprocessing before being converted to text. For instance, Alibaba Cloud's Gummy model can only recognize single-channel audio streams, while the collected audio streams are typically dual-channel, thus requiring conversion from dual-channel to single-channel. Channel conversion can be achieved using methods in the NumPy library.
+### Caption Recognition  
 
-You can directly use the audio acquisition (`caption-engine/sysaudio`) and audio processing (`caption-engine/audioprcs`) modules I have developed.
+- **Caption Engine Process**: The main thread monitors system audio output, sends audio data chunks to the caption engine for parsing, and outputs the parsed caption data object strings via standard output.  
+- **Main Process**: Continues to monitor the standard output of the caption engine and performs different operations based on the `command` field of the parsed object.  
 
-### Audio to Text Conversion
+### Closing the Engine  
 
-After obtaining the appropriate audio stream, you can convert it into text. This is generally done using various models based on your requirements.
+- **Main Process**: When the user closes the caption engine via the frontend, the main process sends a JSON object string with the `command` field set to `stop` to the caption engine process via Socket communication.  
+- **Caption Engine Process**: Receives the object string, parses it, and if the `command` field is `stop`, sets the global variable `thread_data.status` to `stop`.  
+- **Caption Engine Process**: The main thread's loop for monitoring system audio output ends when `thread_data.status` is not `running`, releases resources, and terminates.  
+- **Main Process**: Detects the termination of the caption engine process, performs corresponding cleanup, and provides feedback to the frontend.  
 
-A nearly complete implementation of a caption engine is as follows:
+## Implemented Features  
 
-```python
-import sys
-import argparse
+The following features are already implemented and can be reused directly.  
 
-# Import system audio acquisition module
-if sys.platform == 'win32':
-    from sysaudio.win import AudioStream
-elif sys.platform == 'darwin':
-    from sysaudio.darwin import AudioStream
-elif sys.platform == 'linux':
-    from sysaudio.linux import AudioStream
-else:
-    raise NotImplementedError(f"Unsupported platform: {sys.platform}")
+### Standard Output  
 
-# Import audio processing functions
-from audioprcs import mergeChunkChannels
-# Import audio-to-text module
-from audio2text import InvalidParameter, GummyTranslator
+Supports printing general information, commands, and error messages.  
 
+Example:  
 
-def convert_audio_to_text(s_lang, t_lang, audio_type, chunk_rate, api_key):
-    # Set standard output to line buffering
-    sys.stdout.reconfigure(line_buffering=True) # type: ignore
+```python  
+from utils import stdout, stdout_cmd, stdout_obj, stderr  
+stdout("Hello") # {"command": "print", "content": "Hello"}\n  
+stdout_cmd("connect", "8080") # {"command": "connect", "content": "8080"}\n  
+stdout_obj({"command": "print", "content": "Hello"})  
+stderr("Error Info")  
+```  
 
-    # Create instances for audio acquisition and speech-to-text
-    stream = AudioStream(audio_type, chunk_rate)
-    if t_lang == 'none':
-        gummy = GummyTranslator(stream.RATE, s_lang, None, api_key)
-    else:
-        gummy = GummyTranslator(stream.RATE, s_lang, t_lang, api_key)
+### Creating a Socket Service  
 
-    # Start instances
-    stream.openStream()
-    gummy.start()
+This Socket service listens on a specified port, parses content sent by the Electron main program, and may modify the value of `thread_data.status`.  
 
-    while True:
-        try:
-            # Read audio stream data
-            chunk = stream.read_chunk()
-            chunk_mono = mergeChunkChannels(chunk, stream.CHANNELS)
-            try:
-                # Call the model for translation
-                gummy.send_audio_frame(chunk_mono)
-            except InvalidParameter:
-                gummy.start()
-                gummy.send_audio_frame(chunk_mono)
-        except KeyboardInterrupt:
-            stream.closeStream()
-            gummy.stop()
-            break
-```
+Example:  
 
-### Data Transmission
+```python  
+from utils import start_server  
+from utils import thread_data  
+port = 8080  
+start_server(port)  
+while thread_data == 'running':  
+    # do something  
+    pass  
+```  
 
-After obtaining the text of the current audio stream, it needs to be transmitted to the main program. The caption engine process passes the caption data to the Electron main process through standard output.
+### Audio Capture  
 
-The content transmitted must be a JSON string, where the JSON object must contain the following parameters:
+The `AudioStream` class captures audio data and is cross-platform, supporting Windows, Linux, and macOS. Its initialization includes two parameters:  
 
-```typescript
-export interface CaptionItem {
-  index: number, // Caption sequence number
-  time_s: string, // Caption start time
-  time_t: string, // Caption end time
-  text: string, // Caption content
-  translation: string // Caption translation
-}
-```
+- `audio_type`: The type of audio to capture. `0` for system output audio (speakers), `1` for system input audio (microphone).  
+- `chunk_rate`: The frequency of audio data capture, i.e., the number of audio chunks captured per second.  
 
-**It is essential to ensure that each time we output caption JSON data, the buffer is flushed, ensuring that the string received by the Electron main process can always be interpreted as a JSON object.**
+The class includes three methods:  
 
-If using Python, you can refer to the following method to pass data to the main program:
+- `open_stream()`: Starts audio capture.  
+- `read_chunk() -> bytes`: Reads an audio chunk.  
+- `close_stream()`: Stops audio capture.  
 
-```python
-# caption-engine\main-gummy.py
-sys.stdout.reconfigure(line_buffering=True)
+Example:  
 
-# caption-engine\audio2text\gummy.py
-...
-    def send_to_node(self, data):
-        """
-        Send data to the Node.js process
-        """
-        try:
-            json_data = json.dumps(data) + '\n'
-            sys.stdout.write(json_data)
-            sys.stdout.flush()
-        except Exception as e:
-            print(f"Error sending data to Node.js: {e}", file=sys.stderr)
-...
-```
+```python  
+from sysaudio import AudioStream  
+audio_type = 0  
+chunk_rate = 20  
+stream = AudioStream(audio_type, chunk_rate)  
+stream.open_stream()  
+while True:  
+    data = stream.read_chunk()  
+    # do something with data  
+    pass  
+stream.close_stream()  
+```  
 
-Data receiver code is as follows:
+### Audio Processing  
 
+The captured audio stream may require preprocessing before conversion to text. Typically, multi-channel audio needs to be converted to mono, and resampling may be necessary. This project provides three audio processing functions:  
 
-```typescript
-// src\main\utils\engine.ts
-...
-    this.process.stdout.on('data', (data) => {
-      const lines = data.toString().split('\n');
-      lines.forEach((line: string) => {
-        if (line.trim()) {
-          try {
-            const caption = JSON.parse(line);
-            addCaptionLog(caption);
-          } catch (e) {
-            controlWindow.sendErrorMessage('Unable to parse the output from the caption engine as a JSON object: ' + e)
-            console.error('[ERROR] Error parsing JSON:', e);
-          }
-        }
-      });
-    });
+- `merge_chunk_channels(chunk: bytes, channels: int) -> bytes`: Converts a multi-channel audio chunk to mono.  
+- `resample_chunk_mono(chunk: bytes, channels: int, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes`: Converts a multi-channel audio chunk to mono and resamples it.  
+- `resample_mono_chunk(chunk: bytes, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes`: Resamples a mono audio chunk.  
 
-    this.process.stderr.on('data', (data) => {
-      controlWindow.sendErrorMessage('Caption engine error: ' + data)
-      console.error(`[ERROR] Subprocess Error: ${data}`);
-    });
-...
-```
+## Features to Be Implemented in the Caption Engine  
 
-## Reference Code
+### Audio-to-Text Conversion  
 
-The `main-gummy.py` file under the `caption-engine` folder in this project serves as the entry point for the default caption engine. The `src\main\utils\engine.ts` file contains the server-side code for acquiring and processing data from the caption engine. You can read and understand the implementation details and the complete execution process of the caption engine as needed.
+After obtaining a suitable audio stream, it needs to be converted to text. Typically, various models (cloud-based or local) are used for this purpose. Choose the appropriate model based on requirements.  
+
+This part is recommended to be encapsulated as a class with three methods:  
+
+- `start(self)`: Starts the model.  
+- `send_audio_frame(self, data: bytes)`: Processes the current audio chunk data. **The generated caption data is sent to the Electron main process via standard output.**  
+- `stop(self)`: Stops the model.  
+
+Complete caption engine examples:  
+
+- [gummy.py](../../engine/audio2text/gummy.py)  
+- [vosk.py](../../engine/audio2text/vosk.py)  
+
+### Caption Translation  
+
+Some speech-to-text models do not provide translation. If needed, a translation module must be added.  
+
+### Sending Caption Data  
+
+After obtaining the text for the current audio stream, it must be sent to the main program. The caption engine process passes caption data to the Electron main process via standard output.  
+
+The content must be a JSON string, with the JSON object including the following parameters:  
+
+```typescript  
+export interface CaptionItem {  
+  command: "caption",  
+  index: number, // Caption sequence number  
+  time_s: string, // Start time of the current caption  
+  time_t: string, // End time of the current caption  
+  text: string, // Caption content  
+  translation: string // Caption translation  
+}  
+```  
+
+**Note: Ensure the buffer is flushed after each JSON output to guarantee the Electron main process receives a string that can be parsed as a JSON object.**  
+
+It is recommended to use the project's `stdout_obj` function for sending.  
+
+### Command-Line Parameter Specification  
+
+Custom caption engine settings are provided via command-line arguments. The current project uses the following parameters:  
+
+```python  
+import argparse  
+if __name__ == "__main__":  
+    parser = argparse.ArgumentParser(description='Convert system audio stream to text')  
+    # Common parameters  
+    parser.add_argument('-e', '--caption_engine', default='gummy', help='Caption engine: gummy or vosk')  
+    parser.add_argument('-a', '--audio_type', default=0, help='Audio stream source: 0 for output, 1 for input')  
+    parser.add_argument('-c', '--chunk_rate', default=20, help='Number of audio stream chunks collected per second')  
+    parser.add_argument('-p', '--port', default=8080, help='The port to run the server on, 0 for no server')  
+    # Gummy-specific parameters  
+    parser.add_argument('-s', '--source_language', default='en', help='Source language code')  
+    parser.add_argument('-t', '--target_language', default='zh', help='Target language code')  
+    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')  
+    # Vosk-specific parameters  
+    parser.add_argument('-m', '--model_path', default='', help='The path to the vosk model.')  
+```  
+
+For example, to use the Gummy model with Japanese as the source language, Chinese as the target language, and system audio output captions with 0.1s audio chunks, the command-line arguments would be:  
+
+```bash  
+python main.py -e gummy -s ja -t zh -a 0 -c 10 -k <dashscope-api-key>  
+```  
+
+## Additional Notes  
+
+### Communication Standards  
+
+[caption engine api-doc](../api-docs/caption-engine.md)  
+
+### Program Entry  
+
+[main.py](../../engine/main.py)  
+
+### Development Recommendations  
+
+Apart from audio-to-text conversion, it is recommended to reuse the existing code. In this case, the following additions are needed:  
+
+- `engine/audio2text/`: Add a new audio-to-text class (file-level).  
+- `engine/main.py`: Add new parameter settings and workflow functions (refer to `main_gummy` and `main_vosk` functions).  
+
+### Packaging  
+
+After development and testing, the caption engine must be packaged into an executable. Typically, `pyinstaller` is used. If the packaged executable reports errors, check for missing dependencies.  
+
+### Execution  
+
+With a functional caption engine, it can be launched in the caption software window by specifying the engine's path and runtime arguments.  
+
+![](../img/02_en.png)  

docs/engine-manual/ja.md

@@ -1,124 +1,201 @@
-# 字幕エンジンの説明文書
+# 字幕エンジン説明ドキュメント
 
-対応バージョン：v0.3.0
+対応バージョン：v0.6.0
 
 この文書は大規模モデルを使用して翻訳されていますので、内容に正確でない部分があるかもしれません。
 
 ![](../../assets/media/structure_ja.png)
 
-## 字幕エンジンの紹介
+## 字幕エンジン紹介
 
-所謂字幕エンジンは実際にはサブプログラムであり、システムの音声入力（録音）または出力（音声再生）のストリーミングデータをリアルタイムで取得し、音声からテキストへの変換モデルを使って対応する音声の字幕を生成します。生成された字幕はJSON形式の文字列データに変換され、標準出力を通じてメインプログラムに渡されます（メインプログラムが読み取った文字列が正しいJSONオブジェクトとして解釈されることが保証される必要があります）。メインプログラムは字幕データを読み取り、解釈して処理し、ウィンドウ上に表示します。
+字幕エンジンとは、システムのオーディオ入力（マイク）または出力（スピーカー）のストリーミングデータをリアルタイムで取得し、音声を文字に変換するモデルを呼び出して対応する字幕を生成するサブプログラムです。生成された字幕はJSON形式の文字列データに変換され、標準出力を介してメインプログラムに渡されます（メインプログラムが受け取る文字列が正しくJSONオブジェクトとして解釈できる必要があります）。メインプログラムは字幕データを読み取り、解釈して処理した後、ウィンドウに表示します。
 
-## 字幕エンジンが必要な機能
+**字幕エンジンプロセスとElectronメインプロセス間の通信は、[caption engine api-doc](../api-docs/caption-engine.md)に準拠しています。**
 
-### 音声の取得
+## 実行フロー
 
-まず、あなたの字幕エンジンはシステムの音声入力（録音）または出力（音声再生）のストリーミングデータを取得する必要があります。Pythonを使用して開発する場合、PyAudioライブラリを使ってマイクからの音声入力データを取得できます（全プラットフォーム共通）。また、WindowsプラットフォームではPyAudioWPatchライブラリを使ってシステムの音声出力を取得することもできます。
+メインプロセスと字幕エンジンの通信フロー：
 
-一般的に取得される音声ストリームデータは、比較的短い時間間隔の音声ブロックで構成されています。モデルに合わせて音声ブロックのサイズを調整する必要があります。例えば、アリババクラウドのGummyモデルでは、0.05秒の音声ブロックを使用した認識結果の方が0.2秒の音声ブロックよりも優れています。
+### エンジンの起動
 
-### 音声の処理
+- メインプロセス：`child_process.spawn()`を使用して字幕エンジンプロセスを起動
+- 字幕エンジンプロセス：TCP Socketサーバースレッドを作成し、作成後に標準出力にJSONオブジェクトを文字列化して出力。このオブジェクトには`command`フィールドが含まれ、値は`connect`
+- メインプロセス：字幕エンジンプロセスの標準出力を監視し、標準出力を行ごとに分割してJSONオブジェクトとして解析し、オブジェクトの`command`フィールドの値が`connect`かどうかを判断。`connect`の場合はTCP Socketサーバーに接続
 
-取得した音声ストリームは、テキストに変換する前に前処理が必要な場合があります。例えば、アリババクラウドのGummyモデルは単一チャンネルの音声ストリームしか認識できませんが、収集された音声ストリームは通常二重チャンネルであるため、二重チャンネルの音声ストリームを単一チャンネルに変換する必要があります。チャンネル数の変換はNumPyライブラリのメソッドを使って行うことができます。
+### 字幕認識
 
-あなたは私によって開発された音声の取得（`caption-engine/sysaudio`）と音声の処理（`caption-engine/audioprcs`）モジュールを直接使用することができます。
+- 字幕エンジンプロセス：メインスレッドでシステムオーディオ出力を監視し、オーディオデータブロックを字幕エンジンに送信して解析。字幕エンジンはオーディオデータブロックを解析し、標準出力を介して解析された字幕データオブジェクト文字列を送信
+- メインプロセス：字幕エンジンの標準出力を引き続き監視し、解析されたオブジェクトの`command`フィールドに基づいて異なる操作を実行
 
-### 音声からテキストへの変換
+### エンジンの停止
 
-適切な音声ストリームを得た後、それをテキストに変換することができます。通常、様々なモデルを使って音声ストリームをテキストに変換します。必要に応じてモデルを選択することができます。
+- メインプロセス：ユーザーがフロントエンドで字幕エンジンを停止する操作を実行すると、メインプロセスはSocket通信を介して字幕エンジンプロセスに`command`フィールドが`stop`のオブジェクト文字列を送信
+- 字幕エンジンプロセス：メインエンジンプロセスから送信された字幕データオブジェクト文字列を受信し、文字列をオブジェクトとして解析。オブジェクトの`command`フィールドが`stop`の場合、グローバル変数`thread_data.status`の値を`stop`に設定
+- 字幕エンジンプロセス：メインスレッドでシステムオーディオ出力をループ監視し、`thread_data.status`の値が`running`でない場合、ループを終了し、リソースを解放して実行を終了
+- メインプロセス：字幕エンジンプロセスの終了を検出した場合、対応する処理を実行し、フロントエンドにフィードバック
 
-ほぼ完全な字幕エンジンの実装例：
+## プロジェクトで実装済みの機能
+
+以下の機能はすでに実装されており、直接再利用できます。
+
+### 標準出力
+
+通常情報、コマンド、エラー情報を出力できます。
+
+サンプル：
 
 ```python
-import sys
-import argparse
-
-# システム音声の取得に関する設定
-if sys.platform == 'win32':
-    from sysaudio.win import AudioStream
-elif sys.platform == 'darwin':
-    from sysaudio.darwin import AudioStream
-elif sys.platform == 'linux':
-    from sysaudio.linux import AudioStream
-else:
-    raise NotImplementedError(f"Unsupported platform: {sys.platform}")
-
-# 音声処理関数のインポート
-from audioprcs import mergeChunkChannels
-# 音声からテキストへの変換モジュールのインポート
-from audio2text import InvalidParameter, GummyTranslator
-
-
-def convert_audio_to_text(s_lang, t_lang, audio_type, chunk_rate, api_key):
-    # 標準出力をラインバッファリングに設定
-    sys.stdout.reconfigure(line_buffering=True) # type: ignore
-
-    # 音声の取得と音声からテキストへの変換のインスタンスを作成
-    stream = AudioStream(audio_type, chunk_rate)
-    if t_lang == 'none':
-        gummy = GummyTranslator(stream.RATE, s_lang, None, api_key)
-    else:
-        gummy = GummyTranslator(stream.RATE, s_lang, t_lang, api_key)
-
-    # インスタンスを開始
-    stream.openStream()
-    gummy.start()
-
-    while True:
-        try:
-            # 音声ストリームデータを読み込む
-            chunk = stream.read_chunk()
-            chunk_mono = mergeChunkChannels(chunk, stream.CHANNELS)
-            try:
-                # モデルを使って翻訳を行う
-                gummy.send_audio_frame(chunk_mono)
-            except InvalidParameter:
-                gummy.start()
-                gummy.send_audio_frame(chunk_mono)
-        except KeyboardInterrupt:
-            stream.closeStream()
-            gummy.stop()
-            break
+from utils import stdout, stdout_cmd, stdout_obj, stderr
+stdout("Hello") # {"command": "print", "content": "Hello"}\n
+stdout_cmd("connect", "8080") # {"command": "connect", "content": "8080"}\n
+stdout_obj({"command": "print", "content": "Hello"})
+stderr("Error Info")
 ```
 
-### データの伝送
+### Socketサービスの作成
 
-現在の音声ストリームのテキストを得たら、それをメインプログラムに渡す必要があります。字幕エンジンプロセスは標準出力を通じて電子メール主プロセスに字幕データを渡します。
+このSocketサービスは指定されたポートを監視し、Electronメインプログラムから送信された内容を解析し、`thread_data.status`の値を変更する可能性があります。
 
-渡す内容はJSON文字列でなければなりません。JSONオブジェクトには以下のパラメータを含める必要があります：
+サンプル：
+
+```python
+from utils import start_server
+from utils import thread_data
+port = 8080
+start_server(port)
+while thread_data == 'running':
+    # 何か処理
+    pass
+```
+
+### オーディオ取得
+
+`AudioStream`クラスはオーディオデータを取得するために使用され、Windows、Linux、macOSでクロスプラットフォームで実装されています。このクラスの初期化には2つのパラメータが含まれます：
+
+- `audio_type`：取得するオーディオのタイプ。0はシステム出力オーディオ（スピーカー）、1はシステム入力オーディオ（マイク）
+- `chunk_rate`：オーディオデータの取得頻度。1秒あたりに取得するオーディオブロックの数
+
+このクラスには3つのメソッドがあります：
+
+- `open_stream()`：オーディオ取得を開始
+- `read_chunk() -> bytes`：1つのオーディオブロックを読み取り
+- `close_stream()`：オーディオ取得を閉じる
+
+サンプル：
+
+```python
+from sysaudio import AudioStream
+audio_type = 0
+chunk_rate = 20
+stream =  AudioStream(audio_type, chunk_rate)
+stream.open_stream()
+while True:
+    data = stream.read_chunk()
+    # データで何か処理
+    pass
+stream.close_stream()
+```
+
+### オーディオ処理
+
+取得したオーディオストリームは、文字に変換する前に前処理が必要な場合があります。一般的に、マルチチャンネルオーディオをシングルチャンネルオーディオに変換し、リサンプリングが必要な場合もあります。このプロジェクトでは、3つのオーディオ処理関数を提供しています：
+
+- `merge_chunk_channels(chunk: bytes, channels: int) -> bytes`：マルチチャンネルオーディオブロックをシングルチャンネルオーディオブロックに変換
+- `resample_chunk_mono(chunk: bytes, channels: int, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes`：現在のマルチチャンネルオーディオデータブロックをシングルチャンネルオーディオデータブロックに変換し、リサンプリングを実行
+- `resample_mono_chunk(chunk: bytes, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes`：現在のシングルチャンネルオーディオブロックをリサンプリング
+
+## 字幕エンジンで実装が必要な機能
+
+### オーディオから文字への変換
+
+適切なオーディオストリームを取得した後、オーディオストリームを文字に変換する必要があります。一般的に、さまざまなモデル（クラウドまたはローカル）を使用してオーディオストリームを文字に変換します。要件に応じて適切なモデルを選択する必要があります。
+
+この部分はクラスとしてカプセル化することをお勧めします。以下の3つのメソッドを実装する必要があります：
+
+- `start(self)`：モデルを起動
+- `send_audio_frame(self, data: bytes)`：現在のオーディオブロックデータを処理し、**生成された字幕データを標準出力を介してElectronメインプロセスに送信**
+- `stop(self)`：モデルを停止
+
+完全な字幕エンジンの実例：
+
+- [gummy.py](../../engine/audio2text/gummy.py)
+- [vosk.py](../../engine/audio2text/vosk.py)
+
+### 字幕翻訳
+
+一部の音声文字変換モデルは翻訳を提供していません。必要がある場合、翻訳モジュールを追加する必要があります。
+
+### 字幕データの送信
+
+現在のオーディオストリームのテキストを取得した後、そのテキストをメインプログラムに送信する必要があります。字幕エンジンプロセスは標準出力を介して字幕データをElectronメインプロセスに渡します。
+
+送信する内容はJSON文字列でなければなりません。JSONオブジェクトには以下のパラメータを含める必要があります：
 
 ```typescript
 export interface CaptionItem {
-  index: number, // 字幕番号
-  time_s: string, // 現在の字幕開始時間
-  time_t: string, // 現在の字幕終了時間
-  text: string, // 字幕内容
-  translation: string // 字幕翻訳
+  command: "caption",
+  index: number, // 字幕のシーケンス番号
+  time_s: string, // 現在の字幕の開始時間
+  time_t: string, // 現在の字幕の終了時間
+  text: string, // 字幕の内容
+  translation: string // 字幕の翻訳
 }
 ```
 
-**必ず、字幕JSONデータを出力するたびにバッファをフラッシュし、electron主プロセスが受け取る文字列が常にJSONオブジェクトとして解釈できるようにする必要があります。**
+**JSONデータを出力するたびにバッファをフラッシュし、electronメインプロセスが受信する文字列が常にJSONオブジェクトとして解釈できるようにする必要があります。**
 
-Python言語を使用する場合、以下の方法でデータをメインプログラムに渡すことができます：
+プロジェクトで既に実装されている`stdout_obj`関数を使用して送信することをお勧めします。
+
+### コマンドラインパラメータの指定
+
+カスタム字幕エンジンの設定はコマンドラインパラメータで指定するため、字幕エンジンのパラメータを設定する必要があります。このプロジェクトで現在使用されているパラメータは以下のとおりです：
 
 ```python
-# caption-engine\main-gummy.py
-sys.stdout.reconfigure(line_buffering=True)
-
-# caption-engine\audio2text\gummy.py
-...
-    def send_to_node(self, data):
-        """
-        Node.jsプロセスにデータを送信する
-        """
-        try:
-            json_data = json.dumps(data) + '\n'
-            sys.stdout.write(json_data)
-            sys.stdout.flush()
-        except Exception as e:
-            print(f"Error sending data to Node.js: {e}", file=sys.stderr)
-...
+import argparse
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='システムオーディオストリームをテキストに変換')
+    # 共通
+    parser.add_argument('-e', '--caption_engine', default='gummy', help='字幕エンジン: gummyまたはvosk')
+    parser.add_argument('-a', '--audio_type', default=0, help='オーディオストリームソース: 0は出力、1は入力')
+    parser.add_argument('-c', '--chunk_rate', default=20, help='1秒あたりに収集するオーディオストリームブロックの数')
+    parser.add_argument('-p', '--port', default=8080, help='サーバーを実行するポート、0はサーバーなし')
+    # gummy専用
+    parser.add_argument('-s', '--source_language', default='en', help='ソース言語コード')
+    parser.add_argument('-t', '--target_language', default='zh', help='ターゲット言語コード')
+    parser.add_argument('-k', '--api_key', default='', help='GummyモデルのAPI KEY')
+    # vosk専用
+    parser.add_argument('-m', '--model_path', default='', help='voskモデルのパス')
 ```
 
-データ受信側のコードは
+たとえば、このプロジェクトの字幕エンジンでGummyモデルを使用し、原文を日本語、翻訳を中国語に指定し、システムオーディオ出力の字幕を取得し、毎回0.1秒のオーディオデータをキャプチャする場合、コマンドラインパラメータは以下のようになります：
+
+```bash
+python main.py -e gummy -s ja -t zh -a 0 -c 10 -k <dashscope-api-key>
+```
+
+## その他
+
+### 通信規格
+
+[caption engine api-doc](../api-docs/caption-engine.md)
+
+### プログラムエントリ
+
+[main.py](../../engine/main.py)
+
+### 開発の推奨事項
+
+オーディオから文字への変換以外は、このプロジェクトのコードを直接再利用することをお勧めします。その場合、追加する必要がある内容は：
+
+- `engine/audio2text/`：新しいオーディオから文字への変換クラスを追加（ファイルレベル）
+- `engine/main.py`：新しいパラメータ設定とプロセス関数を追加（`main_gummy`関数と`main_vosk`関数を参照）
+
+### パッケージ化
+
+字幕エンジンの開発とテストが完了した後、字幕エンジンを実行可能ファイルにパッケージ化する必要があります。一般的に`pyinstaller`を使用してパッケージ化します。パッケージ化された字幕エンジンファイルの実行でエラーが発生した場合、依存ライブラリが不足している可能性があります。不足している依存ライブラリを確認してください。
+
+### 実行
+
+使用可能な字幕エンジンを取得したら、字幕ソフトウェアウィンドウで字幕エンジンのパスと字幕エンジンの実行コマンド（パラメータ）を指定して字幕エンジンを起動できます。
+
+![](../img/02_ja.png)

docs/engine-manual/zh.md

@@ -1,93 +1,138 @@
 # 字幕引擎说明文档
 
-对应版本：v0.3.0
+对应版本：v0.6.0
 
 ![](../../assets/media/structure_zh.png)
 
 ## 字幕引擎介绍
 
-所谓的字幕引擎实际上是一个子程序，它会实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。生成的字幕转换为 JSON 格式的字符串数据，并通过标准输出传递给主程序（需要保证主程序读取到的字符串可以被正确解释为 JSON 对象）。主程序读取并解释字幕数据，处理后显示在窗口上。
+所谓的字幕引擎实际上是一个子程序，它会实时获取系统音频输入（麦克风）或输出（扬声器）的流式数据，并调用音频转文字的模型生成对应音频的字幕。生成的字幕转换为 JSON 格式的字符串数据，并通过标准输出传递给主程序（需要保证主程序读取到的字符串可以被正确解释为 JSON 对象）。主程序读取并解释字幕数据，处理后显示在窗口上。
 
-## 字幕引擎需要实现的功能
+**字幕引擎进程和 Electron 主进程之间的通信遵循的标准为：[caption engine api-doc](../api-docs/caption-engine.md)。**
+
+## 运行流程
+
+主进程和字幕引擎通信的流程：
+
+### 启动引擎
+
+- 主进程：使用 `child_process.spawn()` 启动字幕引擎进程
+- 字幕引擎进程：创建 TCP Socket 服务器线程，创建后在标准输出中输出转化为字符串的 JSON 对象，该对象中包含 `command` 字段，值为 `connect`
+- 主进程：监听字幕引擎进程的标准输出，尝试将标准输出按行分割，解析为 JSON 对象，并判断对象的 `command` 字段值是否为 `connect`，如果是则连接 TCP Socket 服务器
+
+### 字幕识别
+
+- 字幕引擎进程：在主线程监听系统音频输出，并将音频数据块发送给字幕引擎解析，字幕引擎解析音频数据块，通过标准输出发送解析的字幕数据对象字符串
+- 主进程：继续监听字幕引擎的标准输出，并根据解析的对象的 `command` 字段采取不同的操作
+
+### 关闭引擎
+
+- 主进程：当用户在前端操作关闭字幕引擎时，主进程通过 Socket 通信给字幕引擎进程发送 `command` 字段为 `stop` 的对象字符串
+- 字幕引擎进程：接收主引擎进程发送的字幕数据对象字符串，将字符串解析为对象，如果对象的 `command` 字段为 `stop`，则将全局变量 `thread_data.status` 的值设置为 `stop`
+- 字幕引擎进程：主线程循环监听系统音频输出，当 `thread_data.status` 的值不为 `running` 时，则结束循环，释放资源，结束运行
+- 主进程：如果检测到字幕引擎进程结束，进行相应处理，并向前端反馈
+
+
+## 项目已经实现的功能
+
+以下功能已经实现，可以直接复用。
+
+### 标准输出
+
+可以输出普通信息、命令和错误信息。
+
+样例：
+
+```python
+from utils import stdout, stdout_cmd, stdout_obj, stderr
+stdout("Hello") # {"command": "print", "content": "Hello"}\n
+stdout_cmd("connect", "8080") # {"command": "connect", "content": "8080"}\n
+stdout_obj({"command": "print", "content": "Hello"})
+stderr("Error Info")
+```
+
+### 创建 Socket 服务
+
+该 Socket 服务会监听指定端口，会解析 Electron 主程序发送的内容，并可能改变 `thread_data.status` 的值。
+
+样例：
+
+```python
+from utils import start_server
+from utils import thread_data
+port = 8080
+start_server(port)
+while thread_data == 'running':
+    # do something
+    pass
+```
 
 ### 音频获取
 
-首先，你的字幕引擎需要获取系统音频输入（录音）或输出（播放声音）的流式数据。如果使用 Python 开发，可以使用 PyAudio 库获取麦克风音频输入数据（全平台通用）。使用 PyAudioWPatch 库获取系统音频输出（仅适用于 Windows 平台）。
+`AudioStream` 类用于获取音频数据，实现是跨平台的，支持 Windows、Linux 和 macOS。该类初始化包含两个参数：
 
-一般获取的音频流数据实际上是一个一个的时间比较短的音频块，需要根据模型调整音频块的大小。比如阿里云的 Gummy 模型使用 0.05 秒大小的音频块识别效果优于使用 0.2 秒大小的音频块。
+- `audio_type`: 获取音频类型，0 表示系统输出音频（扬声器），1 表示系统输入音频（麦克风）
+- `chunk_rate`: 音频数据获取频率，每秒音频获取的音频块的数量
+
+该类包含三个方法：
+
+- `open_stream()`: 开启音频获取
+- `read_chunk() -> bytes`: 读取一个音频块
+- `close_stream()`: 关闭音频获取
+
+样例：
+
+```python
+from sysaudio import AudioStream
+audio_type = 0
+chunk_rate = 20
+stream =  AudioStream(audio_type, chunk_rate)
+stream.open_stream()
+while True:
+    data = stream.read_chunk()
+    # do something with data
+    pass
+stream.close_stream()
+```
 
 ### 音频处理
 
-获取到的音频流在转文字之前可能需要进行预处理。比如阿里云的 Gummy 模型只能识别单通道的音频流，而收集的音频流一般是双通道的，因此要将双通道音频流转换为单通道。通道数的转换可以使用 NumPy 库中的方法实现。
+获取到的音频流在转文字之前可能需要进行预处理。一般需要将多通道音频转换为单通道音频，还可能需要进行重采样。本项目提供了三个音频处理函数：
 
-你可以直接使用我开发好的音频获取（`caption-engine/sysaudio`）和音频处理（`caption-engine/audioprcs`）模块。
+- `merge_chunk_channels(chunk: bytes, channels: int) -> bytes`： 将多通道音频块转换为单通道音频块
+- `resample_chunk_mono(chunk: bytes, channels: int, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes`：将当前多通道音频数据块转换成单通道音频数据块，然后进行重采样
+- `resample_mono_chunk(chunk: bytes, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes`：将当前单通道音频块进行重采样
+
+## 字幕引擎需要实现的功能
 
 ### 音频转文字
 
-在得到了合适的音频流后，就可以将音频流转换为文字了。一般使用各种模型来实现音频流转文字。可根据需求自行选择模型。
+在得到了合适的音频流后，需要将音频流转换为文字了。一般使用各种模型（云端或本地）来实现音频流转文字。需要根据需求选择合适的模型。
 
-一个接近完整的字幕引擎实例如下：
+这部分建议封装为一个类，需要实现三个方法：
 
-```python
-import sys
-import argparse
+- `start(self)`：启动模型
+- `send_audio_frame(self, data: bytes)`：处理当前音频块数据，**生成的字幕数据通过标准输出发送给 Electron 主进程**
+- `stop(self)`：停止模型
 
-# 引入系统音频获取勒
-if sys.platform == 'win32':
-    from sysaudio.win import AudioStream
-elif sys.platform == 'darwin':
-    from sysaudio.darwin import AudioStream
-elif sys.platform == 'linux':
-    from sysaudio.linux import AudioStream
-else:
-    raise NotImplementedError(f"Unsupported platform: {sys.platform}")
+完整的字幕引擎实例如下：
 
-# 引入音频处理函数
-from audioprcs import mergeChunkChannels
-# 引入音频转文本模块
-from audio2text import InvalidParameter, GummyTranslator
+- [gummy.py](../../engine/audio2text/gummy.py)
+- [vosk.py](../../engine/audio2text/vosk.py)
 
+### 字幕翻译
 
-def convert_audio_to_text(s_lang, t_lang, audio_type, chunk_rate, api_key):
-    # 设置标准输出为行缓冲
-    sys.stdout.reconfigure(line_buffering=True) # type: ignore
+有的语音转文字模型并不提供翻译，如果有需求，需要再添加一个翻译模块。
 
-    # 创建音频获取和语音转文字实例
-    stream = AudioStream(audio_type, chunk_rate)
-    if t_lang == 'none':
-        gummy = GummyTranslator(stream.RATE, s_lang, None, api_key)
-    else:
-        gummy = GummyTranslator(stream.RATE, s_lang, t_lang, api_key)
+### 字幕数据发送
 
-    # 启动实例
-    stream.openStream()
-    gummy.start()
-
-    while True:
-        try:
-            # 读取音频流数据
-            chunk = stream.read_chunk()
-            chunk_mono = mergeChunkChannels(chunk, stream.CHANNELS)
-            try:
-                # 调用模型进行翻译
-                gummy.send_audio_frame(chunk_mono)
-            except InvalidParameter:
-                gummy.start()
-                gummy.send_audio_frame(chunk_mono)
-        except KeyboardInterrupt:
-            stream.closeStream()
-            gummy.stop()
-            break
-```
-
-### 数据传递
-
-在获取到当前音频流的文字后，需要将文字传递给主程序。字幕引擎进程通过标准输出将字幕数据传递给 electron 主进程。
+在获取到当前音频流的文字后，需要将文字发送给主程序。字幕引擎进程通过标准输出将字幕数据传递给 Electron 主进程。
 
 传递的内容必须是 JSON 字符串，其中 JSON 对象需要包含的参数如下：
 
 ```typescript
 export interface CaptionItem {
+  command: "caption",
   index: number, // 字幕序号
   time_s: string, // 当前字幕开始时间
   time_t: string, // 当前字幕结束时间
@@ -96,57 +141,60 @@ export interface CaptionItem {
 }
 ```
 
-**注意必须确保咱们一起每输出一次字幕 JSON 数据就得刷新缓冲区，确保 electron 主进程每次接收到的字符串都可以被解释为 JSON 对象。**
+**注意必须确保每输出一次字幕 JSON 数据就得刷新缓冲区，确保 electron 主进程每次接收到的字符串都可以被解释为 JSON 对象。**
 
-如果使用 python 语言，可以参考以下方式将数据传递给主程序：
+建议使用项目已经实现的 `stdout_obj` 函数来发送。
+
+### 命令行参数的指定
+
+自定义字幕引擎的设置提供命令行参数指定，因此需要设置好字幕引擎的参数，本项目目前用到的参数如下：
 
 ```python
-# caption-engine\main-gummy.py
-sys.stdout.reconfigure(line_buffering=True)
-
-# caption-engine\audio2text\gummy.py
-...
-    def send_to_node(self, data):
-        """
-        将数据发送到 Node.js 进程
-        """
-        try:
-            json_data = json.dumps(data) + '\n'
-            sys.stdout.write(json_data)
-            sys.stdout.flush()
-        except Exception as e:
-            print(f"Error sending data to Node.js: {e}", file=sys.stderr)
-...
+import argparse
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
+    # both
+    parser.add_argument('-e', '--caption_engine', default='gummy', help='Caption engine: gummy or vosk')
+    parser.add_argument('-a', '--audio_type', default=0, help='Audio stream source: 0 for output, 1 for input')
+    parser.add_argument('-c', '--chunk_rate', default=20, help='Number of audio stream chunks collected per second')
+    parser.add_argument('-p', '--port', default=8080, help='The port to run the server on, 0 for no server')
+    # gummy only
+    parser.add_argument('-s', '--source_language', default='en', help='Source language code')
+    parser.add_argument('-t', '--target_language', default='zh', help='Target language code')
+    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
+    # vosk only
+    parser.add_argument('-m', '--model_path', default='', help='The path to the vosk model.')
 ```
 
-数据接收端代码如下：
+比如对于本项目的字幕引擎，我想使用 Gummy 模型，指定原文为日语，翻译为中文，获取系统音频输出的字幕，每次截取 0.1s 的音频数据，那么命令行参数如下：
 
-
-```typescript
-// src\main\utils\engine.ts
-...
-    this.process.stdout.on('data', (data) => {
-      const lines = data.toString().split('\n');
-      lines.forEach((line: string) => {
-        if (line.trim()) {
-          try {
-            const caption = JSON.parse(line);
-            addCaptionLog(caption);
-          } catch (e) {
-            controlWindow.sendErrorMessage('字幕引擎输出内容无法解析为 JSON 对象：' + e)
-            console.error('[ERROR] Error parsing JSON:', e);
-          }
-        }
-      });
-    });
-
-    this.process.stderr.on('data', (data) => {
-      controlWindow.sendErrorMessage('字幕引擎错误：' + data)
-      console.error(`[ERROR] Subprocess Error: ${data}`);
-    });
-...
+```bash
+python main.py -e gummy -s ja -t zh -a 0 -c 10 -k <dashscope-api-key>
 ```
 
-## 参考代码
+## 其他
 
-本项目 `caption-engine` 文件夹下的 `main-gummy.py` 文件为默认字幕引擎的入口代码。`src\main\utils\engine.ts` 为服务端获取字幕引擎数据和进行处理的代码。可以根据需要阅读了解字幕引擎的实现细节和完整运行过程。
+### 通信规范
+
+[caption engine api-doc](../api-docs/caption-engine.md)
+
+### 程序入口
+
+[main.py](../../engine/main.py)
+
+### 开发建议
+
+除音频转文字外，其他建议直接复用本项目代码。如果这样，那么需要添加的内容为：
+
+- `engine/audio2text/`：添加新的音频转文字类（文件级别）
+- `engine/main.py`：添加新参数设置、流程函数（参考 `main_gummy` 函数和 `main_vosk` 函数）
+
+### 打包
+
+在完成字幕引擎的开发和测试后，需要将字幕引擎打包成可执行文件。一般使用 `pyinstaller` 进行打包。如果打包好的字幕引擎文件执行报错，可能是打包漏掉了某些依赖库，请检查是否缺少了依赖库。
+
+### 运行
+
+有了可以使用的字幕引擎，就可以在字幕软件窗口中通过指定字幕引擎的路径和字幕引擎的运行指令（参数）来启动字幕引擎了。
+
+![](../img/02_zh.png)

docs/user-manual/en.md

@@ -1,39 +1,55 @@
 # Auto Caption User Manual
 
-Corresponding Version: v0.3.0
+Corresponding Version: v0.6.0
+
+**Note: Due to limited personal resources, the English and Japanese documentation files for this project (except for the README document) will no longer be maintained. The content of this document may not be consistent with the latest version of the project. If you are willing to help with translation, please submit relevant Pull Requests.**
 
 ## Software Introduction
 
 Auto Caption is a cross-platform caption display software that can real-time capture system audio input (recording) or output (playback) streaming data and use an audio-to-text model to generate captions for the corresponding audio. The default caption engine provided by the software (using Alibaba Cloud Gummy model) supports recognition and translation in nine languages (Chinese, English, Japanese, Korean, German, French, Russian, Spanish, Italian).
 
-Currently, the default caption engine of the software only has full functionality on Windows and macOS platforms. Additional configuration is required to capture system audio output on macOS.
+The default caption engine currently has full functionality on Windows, macOS, and Linux platforms. Additional configuration is required to capture system audio output on macOS.
 
-On Linux platforms, it can only generate captions for audio input (microphone), and currently does not support generating captions for audio output (playback).
+The following operating system versions have been tested and confirmed to work properly. The software cannot guarantee normal operation on untested OS versions.
+
+| OS Version         | Architecture | Audio Input Capture | Audio Output Capture |
+| ------------------ | ------------ | ------------------- | -------------------- |
+| Windows 11 24H2    | x64          | ✅                   | ✅                    |
+| macOS Sequoia 15.5 | arm64        | ✅ Additional config required  | ✅          |
+| Ubuntu 24.04.2     | x64          | ✅                   | ✅                    |
+| Kali Linux 2022.3  | x64          | ✅                   | ✅                    |
+| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
 
 ![](../../assets/media/main_en.png)
 
 ### Software Limitations
 
-To use the default caption service, you need to obtain an API KEY from Alibaba Cloud.
+To use the Gummy caption engine, you need to obtain an API KEY from Alibaba Cloud.
 
 Additional configuration is required to capture audio output on macOS platform.
 
 The software is built using Electron, so the software size is inevitably large.
 
-## Software Usage
+## Preparation for Using Gummy Engine
 
-### Preparing the Alibaba Cloud Model Studio API KEY
+To use the default caption engine provided by the software (Alibaba Cloud Gummy), you need to obtain an API KEY from the Alibaba Cloud Bailian platform. Then add the API KEY to the software settings or configure it in environment variables (only Windows platform supports reading API KEY from environment variables).
 
-To use the default caption engine (Alibaba Cloud Gummy), you need to obtain an API KEY from the Alibaba Cloud Model Studio and configure it in your local environment variables.
+**The international version of Alibaba Cloud services does not provide the Gummy model, so non-Chinese users currently cannot use the default caption engine.**
 
-**The international version of Alibaba Cloud does not provide the Gummy model, so non-Chinese users currently cannot use the default caption engine. I am trying to develop a new local caption engine to ensure that all users have access to a default caption engine.**
+Alibaba Cloud provides detailed tutorials for this part, which can be referenced:
 
-Alibaba Cloud provides detailed tutorials for this:
+- [Obtaining API KEY (Chinese)](https://help.aliyun.com/zh/model-studio/get-api-key)
+- [Configuring API Key through Environment Variables (Chinese)](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
 
-- [Obtain API KEY (Chinese)](https://help.aliyun.com/zh/model-studio/get-api-key)
-- [Configure API Key in Environment Variables (Chinese)](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+## Preparation for Using Vosk Engine
 
-### Capturing System Audio Output on macOS
+To use the Vosk local caption engine, first download your required model from the [Vosk Models](https://alphacephei.com/vosk/models) page. Then extract the downloaded model package locally and add the corresponding model folder path to the software settings. Currently, the Vosk caption engine does not support translated caption content.
+
+![](../../assets/media/vosk_en.png)
+
+## Capturing System Audio Output on macOS
+
+> Based on the [Setup Multi-Output Device](https://github.com/ExistentialAudio/BlackHole/wiki/Multi-Output-Device) tutorial
 
 The caption engine cannot directly capture system audio output on macOS platform and requires additional driver installation. The current caption engine uses [BlackHole](https://github.com/ExistentialAudio/BlackHole). First open Terminal and execute one of the following commands (recommended to choose the first one):
 
@@ -43,12 +59,44 @@ brew install blackhole-16ch
 brew install blackhole-64ch
 ```
 
+![](../img/03.png)
+
 After installation completes, open `Audio MIDI Setup` (searchable via `cmd + space`). Check if BlackHole appears in the device list - if not, restart your computer.
 
+![](../img/04.png)
+
 Once BlackHole is confirmed installed, in the `Audio MIDI Setup` page, click the plus (+) button at bottom left and select "Create Multi-Output Device". Include both BlackHole and your desired audio output destination in the outputs. Finally, set this multi-output device as your default audio output device.
 
+![](../img/05.png)
+
 Now the caption engine can capture system audio output and generate captions.
 
+## Getting System Audio Output on Linux
+
+First execute in the terminal:
+
+```bash
+pactl list short sources
+```
+
+If you see output similar to the following, no additional configuration is needed:
+
+```bash
+220     alsa_output.pci-0000_02_02.0.3.analog-stereo.monitor    PipeWire        s16le 2ch 48000Hz       SUSPENDED
+221     alsa_input.pci-0000_02_02.0.3.analog-stereo     PipeWire        s16le 2ch 48000Hz       SUSPENDED
+```
+
+Otherwise, install `pulseaudio` and `pavucontrol` using the following commands:
+
+```bash
+# For Debian/Ubuntu etc.
+sudo apt install pulseaudio pavucontrol
+# For CentOS etc.
+sudo yum install pulseaudio pavucontrol
+```
+
+## Software Usage
+
 ### Modifying Settings
 
 Caption settings can be divided into three categories: general settings, caption engine settings, and caption style settings. Note that changes to general settings take effect immediately. For the other two categories, after making changes, you need to click the "Apply" option in the upper right corner of the corresponding settings module for the changes to take effect. If you click "Cancel Changes," the current modifications will not be saved and will revert to the previous state.
@@ -65,13 +113,13 @@ The following image shows the caption display window, which displays the latest
 
 ### Exporting Caption Records
 
-In the caption control window, you can see the records of all collected captions. Click the "Export Caption Records" button to export the caption records as a JSON file.
+In the caption control window, you can see the records of all collected captions. Click the "Export Log" button to export the caption records as a JSON or SRT file.
 
 ## Caption Engine
 
-The so-called caption engine is actually a subprocess that real-time captures system audio input (recording) or output (playback) streaming data and uses an audio-to-text model to generate captions for the corresponding audio. The generated captions are output as JSON data converted to strings and returned to the main program. The main program reads the caption data, processes it, and displays it in the window.
+The so-called caption engine is essentially a subprogram that captures real-time streaming data from system audio input (recording) or output (playback), and invokes speech-to-text models to generate corresponding captions. The generated captions are converted into JSON-formatted strings and passed to the main program through standard output. The main program reads the caption data, processes it, and displays it in the window.
 
-The software provides a default caption engine. If you need other caption engines, you can call them by enabling the custom engine option (other engines need to be developed specifically for this software). The engine path is the path to the custom caption engine on your computer, and the engine command is the runtime parameters for the custom caption engine, which need to be filled out according to the rules of the specific caption engine.
+The software provides two default caption engines. If you need other caption engines, you can invoke them by enabling the custom engine option (other engines need to be specifically developed for this software). The engine path refers to the location of the custom caption engine on your computer, while the engine command represents the runtime parameters of the custom caption engine, which should be configured according to the rules of that particular caption engine.
 
 ![](../img/02_en.png)
 

docs/user-manual/ja.md

@@ -1,41 +1,58 @@
 # Auto Caption ユーザーマニュアル
 
-対応バージョン：v0.3.0
+対応バージョン：v0.6.0
 
 この文書は大規模モデルを使用して翻訳されていますので、内容に正確でない部分があるかもしれません。
 
+**注意：個人のリソースが限られているため、このプロジェクトの英語および日本語のドキュメント（README ドキュメントを除く）のメンテナンスは行われません。このドキュメントの内容は最新版のプロジェクトと一致しない場合があります。翻訳のお手伝いをしていただける場合は、関連するプルリクエストを提出してください。**
+
 ## ソフトウェアの概要
 
 Auto Caption は、クロスプラットフォームの字幕表示ソフトウェアで、システムの音声入力（録音）または出力（音声再生）のストリーミングデータをリアルタイムで取得し、音声からテキストに変換するモデルを利用して対応する音声の字幕を生成します。このソフトウェアが提供するデフォルトの字幕エンジン（アリババクラウド Gummy モデルを使用）は、9つの言語（中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、スペイン語、イタリア語）の認識と翻訳をサポートしています。
 
-現在、ソフトウェアのデフォルト字幕エンジンは Windows と macOS プラットフォームでのみ完全な機能を有しています。macOS でシステムオーディオ出力を取得するには追加の設定が必要です。
+現在のデフォルト字幕エンジンは Windows、macOS、Linux プラットフォームで完全な機能を有しています。macOSでシステムのオーディオ出力を取得するには追加設定が必要です。
 
-Linux プラットフォームでは、オーディオ入力（マイク）からの字幕生成のみ可能で、現在オーディオ出力（再生音）からの字幕生成はサポートしていません。
+以下のオペレーティングシステムバージョンで正常動作を確認しています。記載以外の OS での正常動作は保証できません。
+
+| OS バージョン        | アーキテクチャ | オーディオ入力取得 | オーディオ出力取得 |
+| ------------------- | ------------- | ------------------ | ------------------ |
+| Windows 11 24H2     | x64           | ✅                  | ✅                  |
+| macOS Sequoia 15.5  | arm64         | ✅ 追加設定が必要      | ✅                  |
+| Ubuntu 24.04.2      | x64           | ✅                  | ✅                  |
+| Kali Linux 2022.3   | x64           | ✅                  | ✅                  |
+| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
 
 ![](../../assets/media/main_ja.png)
 
 ### ソフトウェアの欠点
 
-デフォルトの字幕サービスを使用するには、アリババクラウドの API KEY を取得する必要があります。
+Gummy 字幕エンジンを使用するには、アリババクラウドの API KEY を取得する必要があります。
 
 macOS プラットフォームでオーディオ出力を取得するには追加の設定が必要です。
 
 ソフトウェアは Electron で構築されているため、そのサイズは避けられないほど大きいです。
 
-## ソフトウェアの使用方法
+## Gummyエンジン使用前の準備
 
-### 百炼プラットフォームの API KEY の準備
+ソフトウェアが提供するデフォルトの字幕エンジン（Alibaba Cloud Gummy）を使用するには、Alibaba Cloud百煉プラットフォームからAPI KEYを取得する必要があります。その後、API KEYをソフトウェア設定に追加するか、環境変数に設定します（Windowsプラットフォームのみ環境変数からのAPI KEY読み取りをサポート）。
 
-ソフトウェアが提供するデフォルトの字幕エンジン（アリババクラウド Gummy）を使用するには、アリババクラウド百炼プラットフォームから API KEY を取得し、ローカル環境変数に設定する必要があります。
+**Alibaba Cloudの国際版サービスではGummyモデルを提供していないため、現在中国以外のユーザーはデフォルトの字幕エンジンを使用できません。**
 
-**アリババクラウドの国際版には Gummy モデルが提供されていないため、中国以外のユーザーは現在、デフォルトの字幕エンジンを使用できません。すべてのユーザーが利用できるように、新しいローカルの字幕エンジンを開発中です。**
-
-アリババクラウドは詳細なチュートリアルを提供していますので、以下のリンクを参照してください：
+この部分についてAlibaba Cloudは詳細なチュートリアルを提供しており、以下を参照できます：
 
 - [API KEY の取得（中国語）](https://help.aliyun.com/zh/model-studio/get-api-key)
-- [環境変数を通じて API Key を設定する（中国語）](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+- [環境変数を通じて API Key を設定（中国語）](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+
+## Voskエンジン使用前の準備
+
+Voskローカル字幕エンジンを使用するには、まず[Vosk Models](https://alphacephei.com/vosk/models)ページから必要なモデルをダウンロードしてください。その後、ダウンロードしたモデルパッケージをローカルに解凍し、対応するモデルフォルダのパスをソフトウェア設定に追加します。現在、Vosk字幕エンジンは字幕の翻訳をサポートしていません。
+
+![](../../assets/media/vosk_ja.png)
+
+## macOS でのシステムオーディオ出力の取得方法
+
+> [マルチ出力デバイスの設定](https://github.com/ExistentialAudio/BlackHole/wiki/Multi-Output-Device) チュートリアルに基づいて作成
 
-### macOS でのシステムオーディオ出力の取得方法
 
 字幕エンジンは macOS プラットフォームで直接システムオーディオ出力を取得できず、追加のドライバーインストールが必要です。現在の字幕エンジンでは [BlackHole](https://github.com/ExistentialAudio/BlackHole) を使用しています。まずターミナルを開き、以下のいずれかのコマンドを実行してください（最初のオプションを推奨します）：
 
@@ -45,12 +62,44 @@ brew install blackhole-16ch
 brew install blackhole-64ch
 ```
 
+![](../img/03.png)
+
 インストール完了後、`オーディオMIDI設定`（`cmd + space`で検索可能）を開きます。デバイスリストにBlackHoleが表示されているか確認してください - 表示されていない場合はコンピュータを再起動してください。
 
+![](../img/04.png)
+
 BlackHoleのインストールが確認できたら、`オーディオ MIDI 設定`ページで左下のプラス(+)ボタンをクリックし、「マルチ出力デバイスを作成」を選択します。出力に BlackHole と希望するオーディオ出力先の両方を含めてください。最後に、このマルチ出力デバイスをデフォルトのオーディオ出力デバイスに設定します。
 
+![](../img/05.png)
+
 これで字幕エンジンがシステムオーディオ出力をキャプチャし、字幕を生成できるようになります。
 
+## Linux でシステムオーディオ出力を取得する
+
+まずターミナルで以下を実行してください:
+
+```bash
+pactl list short sources
+```
+
+以下のような出力が確認できれば追加設定は不要です:
+
+```bash
+220     alsa_output.pci-0000_02_02.0.3.analog-stereo.monitor    PipeWire        s16le 2ch 48000Hz       SUSPENDED
+221     alsa_input.pci-0000_02_02.0.3.analog-stereo     PipeWire        s16le 2ch 48000Hz       SUSPENDED
+```
+
+それ以外の場合は、以下のコマンドで`pulseaudio`と`pavucontrol`をインストールしてください:
+
+```bash
+# Debian/Ubuntu系の場合
+sudo apt install pulseaudio pavucontrol
+# CentOS系の場合
+sudo yum install pulseaudio pavucontrol
+```
+
+## ソフトウェアの使い方
+
 ### 設定の変更
 
 字幕の設定は3つのカテゴリーに分かれます：一般的な設定、字幕エンジンの設定、字幕スタイルの設定。注意すべき点として、一般的な設定の変更は即座に適用されます。しかし、他の2つの設定については、変更後に該当する設定モジュール右上の「適用」オプションをクリックすることで初めて変更が有効になります。「変更を取り消す」を選択すると、現在の変更は保存されず、前回の状態に戻ります。
@@ -67,13 +116,13 @@ BlackHoleのインストールが確認できたら、`オーディオ MIDI 設
 
 ### 字幕記録のエクスポート
 
-字幕制御ウィンドウでは、現在収集されたすべての字幕の記録を見ることができます。「字幕記録をエクスポート」ボタンをクリックすると、字幕記録をJSONファイルとしてエクスポートできます。
+「エクスポート」ボタンをクリックすると、字幕記録を JSON または SRT ファイル形式で出力できます。
 
 ## 字幕エンジン
 
-字幕エンジンとは、実際にはサブプログラムであり、システムの音声入力（録音）または出力（音声再生）のストリーミングデータをリアルタイムで取得し、音声からテキストに変換するモデルを利用して対応する音声の字幕を生成します。生成された字幕はIPC経由で文字列に変換されたJSONデータとして出力され、メインプログラムに返されます。メインプログラムは字幕データを読み取り、処理してウィンドウ上に表示します。
+字幕エンジンとは、システムのオーディオ入力（録音）または出力（再生音）のストリーミングデータをリアルタイムで取得し、音声テキスト変換モデルを呼び出して対応する字幕を生成するサブプログラムです。生成された字幕は JSON 形式の文字列に変換され、標準出力を通じてメインプログラムに渡されます。メインプログラムは字幕データを読み取り、処理した後、ウィンドウに表示します。
 
-ソフトウェアはデフォルトの字幕エンジンを提供しており、他の字幕エンジンが必要な場合は、カスタムエンジンオプションを開いて他の字幕エンジンを呼び出すことができます（他のエンジンはこのソフトウェアに対して開発する必要があります）。エンジンパスは、あなたのコンピュータ上のカスタム字幕エンジンのパスであり、エンジンコマンドはカスタム字幕エンジンの実行パラメータです。これらの部分は、その字幕エンジンの規則に従って記入する必要があります。
+ソフトウェアには2つのデフォルトの字幕エンジンが用意されています。他の字幕エンジンが必要な場合、カスタムエンジンオプションを有効にすることで呼び出すことができます（他のエンジンはこのソフトウェア向けに特別に開発する必要があります）。エンジンパスはコンピュータ上のカスタム字幕エンジンの場所を指し、エンジンコマンドはカスタム字幕エンジンの実行パラメータを表します。これらは該当する字幕エンジンの規則に従って設定する必要があります。
 
 ![](../img/02_ja.png)
 

docs/user-manual/zh.md

@@ -1,42 +1,53 @@
 # Auto Caption 用户手册
 
-对应版本：v0.3.0
+对应版本：v0.6.0
 
 ## 软件简介
 
 Auto Caption 是一个跨平台的字幕显示软件，能够实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。软件提供的默认字幕引擎（使用阿里云 Gummy 模型）支持九种语言（中、英、日、韩、德、法、俄、西、意）的识别与翻译。
 
-目前软件默认字幕引擎只有在 Windows 和 macOS 平台下才拥有完整功能，在 macOS 要获取系统音频输出需要额外配置。
+目前软件默认字幕引擎在 Windows、 macOS 和 Linux 平台下均拥有完整功能，在 macOS 要获取系统音频输出需要额外配置。
 
-在 Linux 平台下只能生成音频输入（麦克风）的字幕，暂不支持音频输出（播放声音）的字幕生成。
+测试过可正常运行的操作系统信息如下，软件不能保证在非下列版本的操作系统上正常运行。
+
+| 操作系统版本        | 处理器架构 | 获取系统音频输入 | 获取系统音频输出 |
+| ------------------ | ---------- | ---------------- | ---------------- |
+| Windows 11 24H2    | x64        | ✅                | ✅                |
+| macOS Sequoia 15.5 | arm64      | ✅需要额外配置    | ✅                |
+| Ubuntu 24.04.2     | x64        | ✅    | ✅                |
+| Kali Linux 2022.3     | x64        | ✅    | ✅                |
+| Kylin Server V10 SP3 | x64 | ✅ | ✅ |
 
 ![](../../assets/media/main_zh.png)
 
 ### 软件缺点
 
-要使用默认字幕服务需要获取阿里云的 API KEY。
+要使用默认的 Gummy 字幕引擎需要获取阿里云的 API KEY。
 
 在 macOS 平台获取音频输出需要额外配置。
 
 软件使用 Electron 构建，因此软件体积不可避免的较大。
 
-## 软件使用
-
-### 准备阿里云百炼平台 API KEY
+## Gummy 引擎使用前准备
 
 要使用软件提供的默认字幕引擎（阿里云 Gummy），需要从阿里云百炼平台获取 API KEY，然后将 API KEY 添加到软件设置中或者配置到环境变量中（仅 Windows 平台支持读取环境变量中的 API KEY）。
 
-![](../../assets/media/api_zh.png)
-
-**国际版的阿里云服务并没有提供 Gummy 模型，因此目前非中国用户无法使用默认字幕引擎。我正在开发新的本地字幕引擎，以确保所有用户都有默认字幕引擎可以使用。**
+**国际版的阿里云服务并没有提供 Gummy 模型，因此目前非中国用户无法使用默认字幕引擎。**
 
 这部分阿里云提供了详细的教程，可参考：
 
 - [获取 API KEY](https://help.aliyun.com/zh/model-studio/get-api-key)
-
 - [将 API Key 配置到环境变量](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
 
-### macOS 获取系统音频输出
+## Vosk 引擎使用前准备
+
+如果要使用 Vosk 本地字幕引擎，首先需要在 [Vosk Models](https://alphacephei.com/vosk/models) 页面下载你需要的模型。然后将下载的模型安装包解压到本地，并将对应的模型文件夹的路径添加到软件的设置中。目前 Vosk 字幕引擎还不支持翻译字幕内容。
+
+![](../../assets/media/vosk_zh.png)
+
+## macOS 获取系统音频输出
+
+> 基于 [Setup Multi-Output Device](https://github.com/ExistentialAudio/BlackHole/wiki/Multi-Output-Device) 教程编写
 
 字幕引擎无法在 macOS 平台直接获取系统的音频输出，需要安装额外的驱动。目前字幕引擎采用的是 [BlackHole](https://github.com/ExistentialAudio/BlackHole)。首先打开终端，执行以下命令中的其中一个（建议选择第一个）：
 
@@ -46,12 +57,44 @@ brew install blackhole-16ch
 brew install blackhole-64ch
 ```
 
+![](../img/03.png)
+
 安装完成后打开 `音频 MIDI 设置`（`cmd + space` 打开搜索，可以搜索到）。观察设备列表中是否有 BlackHole 设备，如果没有需要重启电脑。
 
+![](../img/04.png)
+
 在确定安装好 BlackHole 设备后，在 `音频 MIDI 设置` 页面，点击左下角的加号，选择“创建多输出设备”。在输出中包含 BlackHole 和你想要的音频输出目标。最后将该多输出设备设置为默认音频输出设备。
 
+![](../img/05.png)
+
 现在字幕引擎就能捕获系统的音频输出并生成字幕了。
 
+## Linux 获取系统音频输出
+
+首先在控制台执行：
+
+```bash
+pactl list short sources
+```
+
+如果有以下类似的输出内容则无需额外配置：
+
+```bash
+220     alsa_output.pci-0000_02_02.0.3.analog-stereo.monitor    PipeWire        s16le 2ch 48000Hz       SUSPENDED
+221     alsa_input.pci-0000_02_02.0.3.analog-stereo     PipeWire        s16le 2ch 48000Hz       SUSPENDED
+```
+
+否则，执行以下命令安装 `pulseaudio` 和 `pavucontrol`：
+
+```bash
+# Debian or Ubuntu, etc.
+sudo apt install pulseaudio pavucontrol
+# CentOS, etc.
+sudo yum install pulseaudio pavucontrol
+```
+
+## 软件使用
+
 ### 修改设置
 
 字幕设置可以分为三类：通用设置、字幕引擎设置、字幕样式设置。需要注意的是，修改通用设置是立即生效的。但是对于其他两类设置，修改后需要点击对应设置模块右上角的“应用”选项，更改才会真正生效。如果点击“取消更改”那么当前修改将不会被保存，而是回退到上次修改的状态。
@@ -68,13 +111,13 @@ brew install blackhole-64ch
 
 ### 字幕记录的导出
 
-在字幕控制窗口中可以看到当前收集的所有字幕的记录，点击“导出字幕记录”按钮，即可将字幕记录导出为 JSON 文件。
+在字幕控制窗口中可以看到当前收集的所有字幕的记录，点击“导出字幕”按钮，即可将字幕记录导出为 JSON 或 SRT 文件。
 
 ## 字幕引擎
 
-所谓的字幕引擎实际上是一个子程序，它会实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。生成的字幕通过 IPC 输出为转换为字符串的 JSON 数据，并返回给主程序。主程序读取字幕数据，处理后显示在窗口上。
+所谓的字幕引擎实际上是一个子程序，它会实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。生成的字幕通过转换为字符串的 JSON 数据，并通过标准输出传递给主程序。主程序读取字幕数据，处理后显示在窗口上。
 
-软件提供了一个默认的字幕引擎，如果你需要其他的字幕引擎，可以通过打开自定义引擎选项来调用其他字幕引擎（其他引擎需要针对该软件进行开发）。其中引擎路径是自定义字幕引擎在你的电脑上的路径，引擎指令是自定义字幕引擎的运行参数，这部分需要按该字幕引擎的规则进行填写。
+软件提供了两个默认的字幕引擎，如果你需要其他的字幕引擎，可以通过打开自定义引擎选项来调用其他字幕引擎（其他引擎需要针对该软件进行开发）。其中引擎路径是自定义字幕引擎在你的电脑上的路径，引擎指令是自定义字幕引擎的运行参数，这部分需要按该字幕引擎的规则进行填写。
 
 ![](../img/02_zh.png)
 

electron-builder.yml

@@ -6,17 +6,23 @@ files:
   - '!**/.vscode/*'
   - '!src/*'
   - '!electron.vite.config.{js,ts,mjs,cjs}'
-  - '!{.eslintcache,eslint.config.mjs,.prettierignore,.prettierrc.yaml,dev-app-update.yml,CHANGELOG.md,README.md}'
+  - '!{.eslintcache,eslint.config.mjs,.prettierignore,.prettierrc.yaml,dev-app-update.yml,CHANGELOG.md}'
+  - '!{LICENSE,README.md,README_en.md,README_ja.md}'
   - '!{.env,.env.*,.npmrc,pnpm-lock.yaml}'
   - '!{tsconfig.json,tsconfig.node.json,tsconfig.web.json}'
+  - '!engine/*'
+  - '!docs/*'
+  - '!assets/*'
 extraResources:
-  from: ./caption-engine/dist/main-gummy
-  to: ./caption-engine/main-gummy
-asarUnpack:
-  - resources/**
+  # For Windows
+  - from: ./engine/dist/main.exe
+    to: ./engine/main.exe
+  # For macOS and Linux
+  # - from: ./engine/dist/main
+  #   to: ./engine/main
 win:
   executableName: auto-caption
-  icon: resources/icon.png
+  icon: build/icon.png
 nsis:
   artifactName: ${name}-${version}-setup.${ext}
   shortcutName: ${productName}

engine-test/gummy.ipynb

@@ -1,221 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "from dashscope.audio.asr import * # type: ignore\n",
-    "import pyaudiowpatch as pyaudio\n",
-    "import numpy as np\n",
-    "\n",
-    "\n",
-    "def getDefaultSpeakers(mic: pyaudio.PyAudio, info = True):\n",
-    "    \"\"\"\n",
-    "    获取默认的系统音频输出的回环设备\n",
-    "    Args:\n",
-    "        mic (pyaudio.PyAudio): pyaudio对象\n",
-    "        info (bool, optional): 是否打印设备信息. Defaults to True.\n",
-    "\n",
-    "    Returns:\n",
-    "        dict: 统音频输出的回环设备\n",
-    "    \"\"\"\n",
-    "    try:\n",
-    "        WASAPI_info = mic.get_host_api_info_by_type(pyaudio.paWASAPI)\n",
-    "    except OSError:\n",
-    "        print(\"Looks like WASAPI is not available on the system. Exiting...\")\n",
-    "        exit()\n",
-    "\n",
-    "    default_speaker = mic.get_device_info_by_index(WASAPI_info[\"defaultOutputDevice\"])\n",
-    "    if(info): print(\"wasapi_info:\\n\", WASAPI_info, \"\\n\")\n",
-    "    if(info): print(\"default_speaker:\\n\", default_speaker, \"\\n\")\n",
-    "\n",
-    "    if not default_speaker[\"isLoopbackDevice\"]:\n",
-    "        for loopback in mic.get_loopback_device_info_generator():\n",
-    "            if default_speaker[\"name\"] in loopback[\"name\"]:\n",
-    "                default_speaker = loopback\n",
-    "                if(info): print(\"Using loopback device:\\n\", default_speaker, \"\\n\")\n",
-    "                break\n",
-    "        else:\n",
-    "            print(\"Default loopback output device not found.\")\n",
-    "            print(\"Run `python -m pyaudiowpatch` to check available devices.\")\n",
-    "            print(\"Exiting...\")\n",
-    "            exit()\n",
-    "            \n",
-    "    if(info): print(f\"Recording Device: #{default_speaker['index']} {default_speaker['name']}\")\n",
-    "    return default_speaker\n",
-    "\n",
-    "\n",
-    "class Callback(TranslationRecognizerCallback):\n",
-    "    \"\"\"\n",
-    "    语音大模型流式传输回调对象\n",
-    "    \"\"\"\n",
-    "    def __init__(self):\n",
-    "        super().__init__()\n",
-    "        self.usage = 0\n",
-    "        self.sentences = []\n",
-    "        self.translations = []\n",
-    "    \n",
-    "    def on_open(self) -> None:\n",
-    "        print(\"\\n流式翻译开始...\\n\")\n",
-    "\n",
-    "    def on_close(self) -> None:\n",
-    "        print(f\"\\nTokens消耗：{self.usage}\")\n",
-    "        print(f\"流式翻译结束...\\n\")\n",
-    "        for i in range(len(self.sentences)):\n",
-    "            print(f\"\\n{self.sentences[i]}\\n{self.translations[i]}\\n\")\n",
-    "\n",
-    "    def on_event(\n",
-    "        self,\n",
-    "        request_id,\n",
-    "        transcription_result: TranscriptionResult,\n",
-    "        translation_result: TranslationResult,\n",
-    "        usage\n",
-    "    ) -> None:\n",
-    "        if transcription_result is not None:\n",
-    "            id = transcription_result.sentence_id\n",
-    "            text = transcription_result.text\n",
-    "            if transcription_result.stash is not None:\n",
-    "                stash = transcription_result.stash.text\n",
-    "            else:\n",
-    "                stash = \"\"\n",
-    "            print(f\"#{id}: {text}{stash}\")\n",
-    "            if usage: self.sentences.append(text)\n",
-    "        \n",
-    "        if translation_result is not None:\n",
-    "            lang = translation_result.get_language_list()[0]\n",
-    "            text = translation_result.get_translation(lang).text\n",
-    "            if translation_result.get_translation(lang).stash is not None:\n",
-    "                stash = translation_result.get_translation(lang).stash.text\n",
-    "            else:\n",
-    "                stash = \"\"\n",
-    "            print(f\"#{lang}: {text}{stash}\")\n",
-    "            if usage: self.translations.append(text)\n",
-    "        \n",
-    "        if usage: self.usage += usage['duration']"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 2,
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "\n",
-      "采样输入设备：\n",
-      "    - 序号：26\n",
-      "    - 名称：耳机 (HUAWEI FreeLace 活力版) [Loopback]\n",
-      "    - 最大输入通道数：2\n",
-      "    - 默认低输入延迟：0.003s\n",
-      "    - 默认高输入延迟：0.01s\n",
-      "    - 默认采样率：48000.0Hz\n",
-      "    - 是否回环设备：True\n",
-      "\n",
-      "音频样本块大小：4800\n",
-      "样本位宽：2\n",
-      "音频数据格式：8\n",
-      "音频通道数：2\n",
-      "音频采样率：48000\n",
-      "\n"
-     ]
-    }
-   ],
-   "source": [
-    "mic = pyaudio.PyAudio()\n",
-    "default_speaker = getDefaultSpeakers(mic, False)\n",
-    "\n",
-    "SAMP_WIDTH = pyaudio.get_sample_size(pyaudio.paInt16)\n",
-    "FORMAT = pyaudio.paInt16\n",
-    "CHANNELS = default_speaker[\"maxInputChannels\"]\n",
-    "RATE = int(default_speaker[\"defaultSampleRate\"])\n",
-    "CHUNK = RATE // 10\n",
-    "INDEX = default_speaker[\"index\"]\n",
-    "\n",
-    "dev_info = f\"\"\"\n",
-    "采样输入设备：\n",
-    "    - 序号：{default_speaker['index']}\n",
-    "    - 名称：{default_speaker['name']}\n",
-    "    - 最大输入通道数：{default_speaker['maxInputChannels']}\n",
-    "    - 默认低输入延迟：{default_speaker['defaultLowInputLatency']}s\n",
-    "    - 默认高输入延迟：{default_speaker['defaultHighInputLatency']}s\n",
-    "    - 默认采样率：{default_speaker['defaultSampleRate']}Hz\n",
-    "    - 是否回环设备：{default_speaker['isLoopbackDevice']}\n",
-    "\n",
-    "音频样本块大小：{CHUNK}\n",
-    "样本位宽：{SAMP_WIDTH}\n",
-    "音频数据格式：{FORMAT}\n",
-    "音频通道数：{CHANNELS}\n",
-    "音频采样率：{RATE}\n",
-    "\"\"\"\n",
-    "print(dev_info)"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "RECORD_SECONDS = 20 # 监听时长(s)\n",
-    "\n",
-    "stream = mic.open(\n",
-    "    format = FORMAT,\n",
-    "    channels = CHANNELS,\n",
-    "    rate = RATE,\n",
-    "    input = True,\n",
-    "    input_device_index = INDEX\n",
-    ")\n",
-    "translator = TranslationRecognizerRealtime(\n",
-    "    model = \"gummy-realtime-v1\",\n",
-    "    format = \"pcm\",\n",
-    "    sample_rate = RATE,\n",
-    "    transcription_enabled = True,\n",
-    "    translation_enabled = True,\n",
-    "    source_language = \"ja\",\n",
-    "    translation_target_languages = [\"zh\"],\n",
-    "    callback = Callback()\n",
-    ")\n",
-    "translator.start()\n",
-    "\n",
-    "for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):\n",
-    "    data = stream.read(CHUNK)\n",
-    "    data_np = np.frombuffer(data, dtype=np.int16)\n",
-    "    data_np_r = data_np.reshape(-1, CHANNELS)\n",
-    "    print(data_np_r.shape)\n",
-    "    mono_data = np.mean(data_np_r.astype(np.float32), axis=1)\n",
-    "    mono_data = mono_data.astype(np.int16)\n",
-    "    mono_data_bytes = mono_data.tobytes()\n",
-    "    translator.send_audio_frame(mono_data_bytes)\n",
-    "\n",
-    "translator.stop()\n",
-    "stream.stop_stream()\n",
-    "stream.close()"
-   ]
-  }
- ],
- "metadata": {
-  "kernelspec": {
-   "display_name": "mystd",
-   "language": "python",
-   "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.10.12"
-  }
- },
- "nbformat": 4,
- "nbformat_minor": 2
-}

engine-test/resample.ipynb

@@ -1,189 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "code",
-   "execution_count": 7,
-   "id": "1e12f3ef",
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "\n",
-      "        采样输入设备：\n",
-      "            - 设备类型：音频输出\n",
-      "            - 序号：0\n",
-      "            - 名称：BlackHole 2ch\n",
-      "            - 最大输入通道数：2\n",
-      "            - 默认低输入延迟：0.01s\n",
-      "            - 默认高输入延迟：0.1s\n",
-      "            - 默认采样率：48000.0Hz\n",
-      "\n",
-      "        音频样本块大小：2400\n",
-      "        样本位宽：2\n",
-      "        采样格式：8\n",
-      "        音频通道数：2\n",
-      "        音频采样率：48000\n",
-      "        \n"
-     ]
-    }
-   ],
-   "source": [
-    "import sys\n",
-    "import os\n",
-    "import wave\n",
-    "\n",
-    "current_dir = os.getcwd() \n",
-    "sys.path.append(os.path.join(current_dir, '../caption-engine'))\n",
-    "\n",
-    "from sysaudio.darwin import AudioStream\n",
-    "from audioprcs import resampleRawChunk, mergeChunkChannels\n",
-    "\n",
-    "stream = AudioStream(0)\n",
-    "stream.printInfo()"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 5,
-   "id": "a72914f4",
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "Recording...\n",
-      "Done\n"
-     ]
-    }
-   ],
-   "source": [
-    "\"\"\"获取系统音频输出5秒，然后保存为wav文件\"\"\"\n",
-    "\n",
-    "with wave.open('output.wav', 'wb') as wf:\n",
-    "    wf.setnchannels(stream.CHANNELS)\n",
-    "    wf.setsampwidth(stream.SAMP_WIDTH)\n",
-    "    wf.setframerate(stream.RATE)\n",
-    "    stream.openStream()\n",
-    "\n",
-    "    print('Recording...')\n",
-    "\n",
-    "    for _ in range(0, 100):\n",
-    "        chunk = stream.read_chunk()\n",
-    "        if isinstance(chunk, bytes):\n",
-    "            wf.writeframes(chunk)\n",
-    "        else:\n",
-    "            raise Exception('Error: chunk is not bytes')\n",
-    "        \n",
-    "    stream.closeStream()    \n",
-    "    print('Done')"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 8,
-   "id": "a6e8a098",
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "Recording...\n",
-      "Done\n"
-     ]
-    }
-   ],
-   "source": [
-    "\"\"\"获取系统音频输入，转换为单通道音频，持续5秒，然后保存为wav文件\"\"\"\n",
-    "\n",
-    "with wave.open('output.wav', 'wb') as wf:\n",
-    "    wf.setnchannels(1)\n",
-    "    wf.setsampwidth(stream.SAMP_WIDTH)\n",
-    "    wf.setframerate(stream.RATE)\n",
-    "    stream.openStream()\n",
-    "\n",
-    "    print('Recording...')\n",
-    "\n",
-    "    for _ in range(0, 100):\n",
-    "        chunk = mergeChunkChannels(\n",
-    "            stream.read_chunk(),\n",
-    "            stream.CHANNELS\n",
-    "        )\n",
-    "        if isinstance(chunk, bytes):\n",
-    "            wf.writeframes(chunk)\n",
-    "        else:\n",
-    "            raise Exception('Error: chunk is not bytes')\n",
-    "        \n",
-    "    stream.closeStream()    \n",
-    "    print('Done')"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 4,
-   "id": "aaca1465",
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "Recording...\n",
-      "Done\n"
-     ]
-    }
-   ],
-   "source": [
-    "\"\"\"获取系统音频输入，转换为单通道音频并重采样到16000Hz，持续5秒，然后保存为wav文件\"\"\"\n",
-    "\n",
-    "with wave.open('output.wav', 'wb') as wf:\n",
-    "    wf.setnchannels(1)\n",
-    "    wf.setsampwidth(stream.SAMP_WIDTH)\n",
-    "    wf.setframerate(16000)\n",
-    "    stream.openStream()\n",
-    "\n",
-    "    print('Recording...')\n",
-    "\n",
-    "    for _ in range(0, 100):\n",
-    "        chunk = resampleRawChunk(\n",
-    "            stream.read_chunk(),\n",
-    "            stream.CHANNELS,\n",
-    "            stream.RATE,\n",
-    "            16000,\n",
-    "            mode=\"sinc_best\"\n",
-    "        )\n",
-    "        if isinstance(chunk, bytes):\n",
-    "            wf.writeframes(chunk)\n",
-    "        else:\n",
-    "            raise Exception('Error: chunk is not bytes')\n",
-    "        \n",
-    "    stream.closeStream()    \n",
-    "    print('Done')"
-   ]
-  }
- ],
- "metadata": {
-  "kernelspec": {
-   "display_name": ".venv",
-   "language": "python",
-   "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.9.6"
-  }
- },
- "nbformat": 4,
- "nbformat_minor": 5
-}

engine/audio2text/__init__.py

@@ -0,0 +1,3 @@
+from dashscope.common.error import InvalidParameter
+from .gummy import GummyRecognizer
+from .vosk import VoskRecognizer

engine/audio2text/gummy.py

@@ -6,8 +6,8 @@ from dashscope.audio.asr import (
 )
 import dashscope
 from datetime import datetime
-import json
-import sys
+from utils import stdout_cmd, stdout_obj, stderr
+
 
 class Callback(TranslationRecognizerCallback):
     """
@@ -15,17 +15,20 @@ class Callback(TranslationRecognizerCallback):
     """
     def __init__(self):
         super().__init__()
+        self.index = 0
         self.usage = 0
         self.cur_id = -1
         self.time_str = ''
 
     def on_open(self) -> None:
-        # print("on_open")
-        pass
+        self.usage = 0
+        self.cur_id = -1
+        self.time_str = ''
+        stdout_cmd('info', 'Gummy translator started.')
 
     def on_close(self) -> None:
-        # print("on_close")
-        pass
+        stdout_cmd('info', 'Gummy translator closed.')
+        stdout_cmd('usage', str(self.usage))
 
     def on_event(
         self,
@@ -35,17 +38,17 @@ class Callback(TranslationRecognizerCallback):
         usage
     ) -> None:
         caption = {}
+
         if transcription_result is not None:
-            caption['index'] = transcription_result.sentence_id
-            caption['text'] = transcription_result.text
-            if caption['index'] != self.cur_id:
-                self.cur_id = caption['index']
-                cur_time = datetime.now().strftime('%H:%M:%S.%f')[:-3]
-                caption['time_s'] = cur_time
-                self.time_str = cur_time
-            else:
-                caption['time_s'] = self.time_str
+            if self.cur_id != transcription_result.sentence_id:
+                self.time_str = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+                self.cur_id = transcription_result.sentence_id
+                self.index += 1  
+            caption['command'] = 'caption'
+            caption['index'] = self.index
+            caption['time_s'] = self.time_str
             caption['time_t'] = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+            caption['text'] = transcription_result.text
             caption['translation'] = ""
 
         if translation_result is not None:
@@ -55,21 +58,11 @@ class Callback(TranslationRecognizerCallback):
         if usage:
             self.usage += usage['duration']
 
-        # print(caption)
-        self.send_to_node(caption)
+        if 'text' in caption:
+            stdout_obj(caption)
 
-    def send_to_node(self, data):
-        """
-        将数据发送到 Node.js 进程
-        """
-        try:
-            json_data = json.dumps(data) + '\n'
-            sys.stdout.write(json_data)
-            sys.stdout.flush()
-        except Exception as e:
-            print(f"Error sending data to Node.js: {e}", file=sys.stderr)
 
-class GummyTranslator:
+class GummyRecognizer:
     """
     使用 Gummy 引擎流式处理的音频数据，并在标准输出中输出与 Auto Caption 软件可读取的 JSON 字符串数据
 
@@ -77,8 +70,9 @@ class GummyTranslator:
         rate: 音频采样率
         source: 源语言代码字符串（zh, en, ja 等）
         target: 目标语言代码字符串（zh, en, ja 等）
+        api_key: 阿里云百炼平台 API KEY
     """
-    def __init__(self, rate, source, target, api_key):
+    def __init__(self, rate: int, source: str, target: str | None, api_key: str | None):
         if api_key:
             dashscope.api_key = api_key
         self.translator = TranslationRecognizerRealtime(
@@ -97,9 +91,12 @@ class GummyTranslator:
         self.translator.start()
 
     def send_audio_frame(self, data):
-        """发送音频帧"""
+        """发送音频帧，擎将自动识别并将识别结果输出到标准输出中"""
         self.translator.send_audio_frame(data)
 
     def stop(self):
         """停止 Gummy 引擎"""
-        self.translator.stop()
+        try:
+            self.translator.stop()
+        except Exception:
+            return

engine/audio2text/vosk.py

@@ -0,0 +1,68 @@
+import json
+from datetime import datetime
+
+from vosk import Model, KaldiRecognizer, SetLogLevel
+from utils import stdout_cmd, stdout_obj
+
+
+class VoskRecognizer:
+    """
+    使用 Vosk 引擎流式处理的音频数据，并在标准输出中输出与 Auto Caption 软件可读取的 JSON 字符串数据
+
+    初始化参数：
+        model_path: Vosk 识别模型路径
+    """
+    def __init__(self, model_path: str):
+        SetLogLevel(-1)
+        if model_path.startswith('"'):
+            model_path = model_path[1:]
+        if model_path.endswith('"'):
+            model_path = model_path[:-1]
+        self.model_path = model_path
+        self.time_str = ''
+        self.cur_id = 0
+        self.prev_content = ''
+
+        self.model = Model(self.model_path)
+        self.recognizer = KaldiRecognizer(self.model, 16000)
+
+    def start(self):
+        """启动 Vosk 引擎"""
+        stdout_cmd('info', 'Vosk recognizer started.')
+
+    def send_audio_frame(self, data: bytes):
+        """
+        发送音频帧给 Vosk 引擎，引擎将自动识别并将识别结果输出到标准输出中
+
+        Args:
+            data: 音频帧数据，采样率必须为 16000Hz
+        """
+        caption = {}
+        caption['command'] = 'caption'
+        caption['translation'] = ''
+
+        if self.recognizer.AcceptWaveform(data):
+            content = json.loads(self.recognizer.Result()).get('text', '')
+            caption['index'] = self.cur_id
+            caption['text'] = content
+            caption['time_s'] = self.time_str
+            caption['time_t'] = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+            self.prev_content = ''
+            self.cur_id += 1
+        else:
+            content = json.loads(self.recognizer.PartialResult()).get('partial', '')
+            if content == '' or content == self.prev_content:
+                return
+            if self.prev_content == '':
+                self.time_str = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+            caption['index'] = self.cur_id
+            caption['text'] = content
+            caption['time_s'] = self.time_str
+            caption['time_t'] = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+            self.prev_content = content
+        
+        stdout_obj(caption)
+
+    def stop(self):
+        """停止 Vosk 引擎"""
+        stdout_cmd('info', 'Vosk recognizer closed.')

engine/main.py

@@ -0,0 +1,103 @@
+import argparse
+from utils import stdout_cmd, stderr
+from utils import thread_data, start_server
+from utils import merge_chunk_channels, resample_chunk_mono
+from audio2text import InvalidParameter, GummyRecognizer
+from audio2text import VoskRecognizer
+from sysaudio import AudioStream
+
+
+def main_gummy(s: str, t: str, a: int, c: int, k: str):
+    global thread_data
+    stream = AudioStream(a, c)
+    if t == 'none':
+        engine = GummyRecognizer(stream.RATE, s, None, k)
+    else:
+        engine = GummyRecognizer(stream.RATE, s, t, k)
+
+    stream.open_stream()
+    engine.start()
+
+    restart_count = 0
+    while thread_data.status == "running":
+        try:
+            chunk = stream.read_chunk()
+            if chunk is None: continue
+            chunk_mono = merge_chunk_channels(chunk, stream.CHANNELS)
+            try:
+                engine.send_audio_frame(chunk_mono)
+            except InvalidParameter as e:
+                restart_count += 1
+                if restart_count > 8:
+                    stderr(str(e))
+                    thread_data.status = "kill"
+                    break
+                else:
+                    stdout_cmd('info', f'Gummy engine stopped, trying to restart #{restart_count}')
+        except KeyboardInterrupt:
+            break
+
+    stream.close_stream()
+    engine.stop()
+
+
+def main_vosk(a: int, c: int, m: str):
+    global thread_data
+    stream = AudioStream(a, c)
+    engine = VoskRecognizer(m)
+
+    stream.open_stream()
+    engine.start()
+
+    while thread_data.status == "running":
+        try:
+            chunk = stream.read_chunk()
+            if chunk is None: continue
+            chunk_mono = resample_chunk_mono(chunk, stream.CHANNELS, stream.RATE, 16000)
+            engine.send_audio_frame(chunk_mono)
+        except KeyboardInterrupt:
+            break
+
+    stream.close_stream()
+    engine.stop()
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
+    # both
+    parser.add_argument('-e', '--caption_engine', default='gummy', help='Caption engine: gummy or vosk')
+    parser.add_argument('-a', '--audio_type', default=0, help='Audio stream source: 0 for output, 1 for input')
+    parser.add_argument('-c', '--chunk_rate', default=20, help='Number of audio stream chunks collected per second')
+    parser.add_argument('-p', '--port', default=8080, help='The port to run the server on, 0 for no server')
+    # gummy only
+    parser.add_argument('-s', '--source_language', default='en', help='Source language code')
+    parser.add_argument('-t', '--target_language', default='zh', help='Target language code')
+    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
+    # vosk only
+    parser.add_argument('-m', '--model_path', default='', help='The path to the vosk model.')
+
+    args = parser.parse_args()    
+    if int(args.port) == 0:
+        thread_data.status = "running"
+    else:
+        start_server(int(args.port))
+
+    if args.caption_engine == 'gummy':
+        main_gummy(
+            args.source_language,
+            args.target_language,
+            int(args.audio_type),
+            int(args.chunk_rate),
+            args.api_key
+        )
+    elif args.caption_engine == 'vosk':
+        main_vosk(
+            int(args.audio_type),
+            int(args.chunk_rate),
+            args.model_path
+        )
+    else:
+        raise ValueError('Invalid caption engine specified.')
+    
+    if thread_data.status == "kill":
+        stdout_cmd('kill')

engine/main.spec

@@ -1,11 +1,18 @@
 # -*- mode: python ; coding: utf-8 -*-
 
+from pathlib import Path
+import sys
+
+if sys.platform == 'win32':
+    vosk_path = str(Path('./subenv/Lib/site-packages/vosk').resolve())
+else:
+    vosk_path = str(Path('./subenv/lib/python3.12/site-packages/vosk').resolve())
 
 a = Analysis(
-    ['main-gummy.py'],
+    ['main.py'],
     pathex=[],
     binaries=[],
-    datas=[],
+    datas=[(vosk_path, 'vosk')],
     hiddenimports=[],
     hookspath=[],
     hooksconfig={},
@@ -14,6 +21,7 @@ a = Analysis(
     noarchive=False,
     optimize=0,
 )
+
 pyz = PYZ(a.pure)
 
 exe = EXE(
@@ -22,7 +30,7 @@ exe = EXE(
     a.binaries,
     a.datas,
     [],
-    name='main-gummy',
+    name='main',
     debug=False,
     bootloader_ignore_signals=False,
     strip=False,
@@ -35,4 +43,5 @@ exe = EXE(
     target_arch=None,
     codesign_identity=None,
     entitlements_file=None,
+    onefile=True,
 )

engine/requirements_darwin.txt

@@ -2,5 +2,5 @@ dashscope
 numpy
 samplerate
 PyAudio
-PyAudioWPatch # Windows only
+vosk
 pyinstaller

engine/requirements_linux.txt

@@ -0,0 +1,5 @@
+dashscope
+numpy
+vosk
+pyinstaller
+samplerate # pip install samplerate --only-binary=:all:

engine/requirements_win.txt

@@ -0,0 +1,6 @@
+dashscope
+numpy
+samplerate
+PyAudioWPatch
+vosk
+pyinstaller

engine/sysaudio/__init__.py

@@ -0,0 +1,10 @@
+import sys
+
+if sys.platform == "win32":
+    from .win import AudioStream
+elif sys.platform == "darwin":
+    from .darwin import AudioStream
+elif sys.platform == "linux":
+    from .linux import AudioStream
+else:
+    raise NotImplementedError(f"Unsupported platform: {sys.platform}")

engine/sysaudio/darwin.py

@@ -1,11 +1,24 @@
 """获取 MacOS 系统音频输入/输出流"""
 
 import pyaudio
+from textwrap import dedent
+
+
+def get_blackhole_device(mic: pyaudio.PyAudio):
+    """
+    获取 BlackHole 设备
+    """
+    device_count = mic.get_device_count()
+    for i in range(device_count):
+        dev_info = mic.get_device_info_by_index(i)
+        if 'blackhole' in str(dev_info["name"]).lower():    
+            return dev_info
+    raise Exception("The device containing BlackHole was not found.")
 
 
 class AudioStream:
     """
-    获取系统音频流（支持 BlackHole 作为系统音频输出捕获）
+    获取系统音频流（如果要捕获输出音频，仅支持 BlackHole 作为系统音频输出捕获）
 
     初始化参数：
         audio_type: 0-系统音频输出流（需配合 BlackHole），1-系统音频输入流
@@ -15,46 +28,40 @@ class AudioStream:
         self.audio_type = audio_type
         self.mic = pyaudio.PyAudio()
         if self.audio_type == 0:
-            self.device = self.getOutputDeviceInfo()
+            self.device = get_blackhole_device(self.mic)
         else:
             self.device = self.mic.get_default_input_device_info()
+        self.stop_signal = False
         self.stream = None
-        self.SAMP_WIDTH = pyaudio.get_sample_size(pyaudio.paInt16)
+        self.INDEX = self.device["index"]
         self.FORMAT = pyaudio.paInt16
-        self.CHANNELS = self.device["maxInputChannels"]
+        self.SAMP_WIDTH = pyaudio.get_sample_size(self.FORMAT)
+        self.CHANNELS = int(self.device["maxInputChannels"])
         self.RATE = int(self.device["defaultSampleRate"])
         self.CHUNK = self.RATE // chunk_rate
-        self.INDEX = self.device["index"]
 
-    def getOutputDeviceInfo(self):
-        """查找指定关键词的输入设备"""
-        device_count = self.mic.get_device_count()
-        for i in range(device_count):
-            dev_info = self.mic.get_device_info_by_index(i)
-            if 'blackhole' in dev_info["name"].lower():    
-                return dev_info
-        raise Exception("The device containing BlackHole was not found.")
-
-    def printInfo(self):
+    def get_info(self):
         dev_info = f"""
-        采样输入设备：
+        采样设备：
             - 设备类型：{ "音频输出" if self.audio_type == 0 else "音频输入" }
-            - 序号：{self.device['index']}
-            - 名称：{self.device['name']}
+            - 设备序号：{self.device['index']}
+            - 设备名称：{self.device['name']}
             - 最大输入通道数：{self.device['maxInputChannels']}
             - 默认低输入延迟：{self.device['defaultLowInputLatency']}s
             - 默认高输入延迟：{self.device['defaultHighInputLatency']}s
             - 默认采样率：{self.device['defaultSampleRate']}Hz
+            - 是否回环设备：{self.device['isLoopbackDevice']}
 
-        音频样本块大小：{self.CHUNK}
+        设备序号：{self.INDEX}
+        样本格式：{self.FORMAT}
         样本位宽：{self.SAMP_WIDTH}
-        采样格式：{self.FORMAT}
-        音频通道数：{self.CHANNELS}
-        音频采样率：{self.RATE}
+        样本通道数：{self.CHANNELS}
+        样本采样率：{self.RATE}
+        样本块大小：{self.CHUNK}
         """
-        print(dev_info)
+        return dedent(dev_info).strip()
 
-    def openStream(self):
+    def open_stream(self):
         """
         打开并返回系统音频输出流
         """
@@ -72,14 +79,24 @@ class AudioStream:
         """
         读取音频数据
         """
+        if self.stop_signal:
+            self.close_stream()
+            return None
         if not self.stream: return None
         return self.stream.read(self.CHUNK, exception_on_overflow=False)
 
-    def closeStream(self):
+    def close_stream_signal(self):
         """
-        关闭系统音频输出流
+        线程安全的关闭系统音频输入流，不一定会立即关闭
         """
-        if self.stream is None: return
-        self.stream.stop_stream()
-        self.stream.close()
-        self.stream = None
+        self.stop_signal = True
+
+    def close_stream(self):
+        """
+        立即关闭系统音频输入流
+        """
+        if self.stream is not None:
+            self.stream.stop_stream()
+            self.stream.close()
+            self.stream = None
+        self.stop_signal = False

engine/sysaudio/linux.py

@@ -0,0 +1,108 @@
+"""获取 Linux 系统音频输入流"""
+
+import subprocess
+from textwrap import dedent
+
+
+def find_monitor_source():
+    result = subprocess.run(
+        ["pactl", "list", "short", "sources"],
+        stdout=subprocess.PIPE, text=True
+    )
+    lines = result.stdout.splitlines()
+
+    for line in lines:
+        parts = line.split('\t')
+        if len(parts) >= 2 and ".monitor" in parts[1]:
+            return parts[1]
+
+    raise RuntimeError("System output monitor device not found")
+
+
+def find_input_source():
+    result = subprocess.run(
+        ["pactl", "list", "short", "sources"],
+        stdout=subprocess.PIPE, text=True
+    )
+    lines = result.stdout.splitlines()
+
+    for line in lines:
+        parts = line.split('\t')
+        name = parts[1]
+        if ".monitor" not in name:
+            return name
+
+    raise RuntimeError("Microphone input device not found")
+
+
+class AudioStream:
+    """
+    获取系统音频流
+
+    初始化参数：
+        audio_type: 0-系统音频输出流（不支持，不会生效），1-系统音频输入流（默认）
+        chunk_rate: 每秒采集音频块的数量，默认为20
+    """
+    def __init__(self, audio_type=1,  chunk_rate=20):
+        self.audio_type = audio_type
+
+        if self.audio_type == 0:
+            self.source = find_monitor_source()
+        else:
+            self.source = find_input_source()
+        self.stop_signal = False
+        self.process = None
+        self.FORMAT = 16
+        self.SAMP_WIDTH = 2
+        self.CHANNELS = 2
+        self.RATE = 48000
+        self.CHUNK = self.RATE // chunk_rate
+
+    def get_info(self):
+        dev_info = f"""
+        音频捕获进程：
+            - 捕获类型：{"音频输出" if self.audio_type == 0 else "音频输入"}
+            - 设备源：{self.source}
+            - 捕获进程 PID：{self.process.pid if self.process else "None"}
+
+        样本格式：{self.FORMAT}
+        样本位宽：{self.SAMP_WIDTH}
+        样本通道数：{self.CHANNELS}
+        样本采样率：{self.RATE}
+        样本块大小：{self.CHUNK}
+        """
+        print(dev_info)
+
+    def open_stream(self):
+        """
+        启动音频捕获进程
+        """
+        self.process = subprocess.Popen(
+            ["parec", "-d", self.source, "--format=s16le", "--rate=48000", "--channels=2"],
+            stdout=subprocess.PIPE
+        )
+
+    def read_chunk(self):
+        """
+        读取音频数据
+        """
+        if self.stop_signal:
+            self.close_stream()
+            return None
+        if self.process and self.process.stdout:
+            return self.process.stdout.read(self.CHUNK)
+        return None
+
+    def close_stream_signal(self):
+        """
+        线程安全的关闭系统音频输入流，不一定会立即关闭
+        """
+        self.stop_signal = True
+
+    def close_stream(self):
+        """
+        关闭系统音频捕获进程
+        """
+        if self.process:
+            self.process.terminate()
+        self.stop_signal = False

engine/sysaudio/win.py

@@ -1,14 +1,15 @@
 """获取 Windows 系统音频输入/输出流"""
 
 import pyaudiowpatch as pyaudio
+from textwrap import dedent
 
 
-def getDefaultLoopbackDevice(mic: pyaudio.PyAudio, info = True)->dict:
+def get_default_loopback_device(mic: pyaudio.PyAudio, info = True)->dict:
     """
     获取默认的系统音频输出的回环设备
     Args:
-        mic (pyaudio.PyAudio): pyaudio对象
-        info (bool, optional): 是否打印设备信息
+        mic: pyaudio对象
+        info: 是否打印设备信息
 
     Returns:
         dict: 系统音频输出的回环设备
@@ -51,38 +52,40 @@ class AudioStream:
         self.audio_type = audio_type
         self.mic = pyaudio.PyAudio()
         if self.audio_type == 0:
-            self.device = getDefaultLoopbackDevice(self.mic, False)
+            self.device = get_default_loopback_device(self.mic, False)
         else:
             self.device = self.mic.get_default_input_device_info()
+        self.stop_signal = False
         self.stream = None
-        self.SAMP_WIDTH = pyaudio.get_sample_size(pyaudio.paInt16)
+        self.INDEX = self.device["index"]
         self.FORMAT = pyaudio.paInt16
-        self.CHANNELS = self.device["maxInputChannels"]
+        self.SAMP_WIDTH = pyaudio.get_sample_size(self.FORMAT)
+        self.CHANNELS = int(self.device["maxInputChannels"])
         self.RATE = int(self.device["defaultSampleRate"])
         self.CHUNK = self.RATE // chunk_rate
-        self.INDEX = self.device["index"]
 
-    def printInfo(self):
+    def get_info(self):
         dev_info = f"""
         采样设备：
             - 设备类型：{ "音频输出" if self.audio_type == 0 else "音频输入" }
-            - 序号：{self.device['index']}
-            - 名称：{self.device['name']}
+            - 设备序号：{self.device['index']}
+            - 设备名称：{self.device['name']}
             - 最大输入通道数：{self.device['maxInputChannels']}
             - 默认低输入延迟：{self.device['defaultLowInputLatency']}s
             - 默认高输入延迟：{self.device['defaultHighInputLatency']}s
             - 默认采样率：{self.device['defaultSampleRate']}Hz
             - 是否回环设备：{self.device['isLoopbackDevice']}
 
-        音频样本块大小：{self.CHUNK}
+        设备序号：{self.INDEX}
+        样本格式：{self.FORMAT}
         样本位宽：{self.SAMP_WIDTH}
-        采样格式：{self.FORMAT}
-        音频通道数：{self.CHANNELS}
-        音频采样率：{self.RATE}
+        样本通道数：{self.CHANNELS}
+        样本采样率：{self.RATE}
+        样本块大小：{self.CHUNK}
         """
-        print(dev_info)
+        return dedent(dev_info).strip()
 
-    def openStream(self):
+    def open_stream(self):
         """
         打开并返回系统音频输出流
         """
@@ -96,18 +99,28 @@ class AudioStream:
         )
         return self.stream
 
-    def read_chunk(self):
+    def read_chunk(self) -> bytes | None:
         """
         读取音频数据
         """
+        if self.stop_signal:
+            self.close_stream()
+            return None
         if not self.stream: return None
         return self.stream.read(self.CHUNK, exception_on_overflow=False)
 
-    def closeStream(self):
+    def close_stream_signal(self):
         """
-        关闭系统音频输出流
+        线程安全的关闭系统音频输入流，不一定会立即关闭
         """
-        if self.stream is None: return
-        self.stream.stop_stream()
-        self.stream.close()
-        self.stream = None
+        self.stop_signal = True
+
+    def close_stream(self):
+        """
+        关闭系统音频输入流
+        """
+        if self.stream is not None:
+            self.stream.stop_stream()
+            self.stream.close()
+            self.stream = None
+        self.stop_signal = False

engine/utils/__init__.py

@@ -0,0 +1,4 @@
+from .audioprcs import merge_chunk_channels, resample_chunk_mono, resample_mono_chunk
+from .sysout import stdout, stdout_cmd, stdout_obj, stderr
+from .thdata import thread_data
+from .server import start_server

engine/utils/audioprcs.py

@@ -0,0 +1,76 @@
+import samplerate
+import numpy as np
+import numpy.core.multiarray # do not remove
+
+def merge_chunk_channels(chunk: bytes, channels: int) -> bytes:
+    """
+    将当前多通道音频数据块转换为单通道音频数据块
+
+    Args:
+        chunk: 多通道音频数据块
+        channels: 通道数
+
+    Returns:
+        单通道音频数据块
+    """
+    if channels == 1: return chunk
+    # (length * channels,)
+    chunk_np = np.frombuffer(chunk, dtype=np.int16)
+    # (length, channels)
+    chunk_np = chunk_np.reshape(-1, channels)
+    # (length,)
+    chunk_mono_f = np.mean(chunk_np.astype(np.float32), axis=1)
+    chunk_mono = np.round(chunk_mono_f).astype(np.int16)
+    return chunk_mono.tobytes()
+
+
+def resample_chunk_mono(chunk: bytes, channels: int, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes:
+    """
+    将当前多通道音频数据块转换成单通道音频数据块，然后进行重采样
+
+    Args:
+        chunk: 多通道音频数据块
+        channels: 通道数
+        orig_sr: 原始采样率
+        target_sr: 目标采样率
+        mode: 重采样模式，可选：'sinc_best' | 'sinc_medium' | 'sinc_fastest' | 'zero_order_hold' | 'linear'
+
+    Return:
+        单通道音频数据块
+    """
+    if channels == 1:
+        chunk_mono = np.frombuffer(chunk, dtype=np.int16)
+        chunk_mono = chunk_mono.astype(np.float32)
+    else:
+        # (length * channels,)
+        chunk_np = np.frombuffer(chunk, dtype=np.int16)
+        # (length, channels)
+        chunk_np = chunk_np.reshape(-1, channels)
+        # (length,)
+        chunk_mono = np.mean(chunk_np.astype(np.float32), axis=1)
+
+    ratio = target_sr / orig_sr
+    chunk_mono_r = samplerate.resample(chunk_mono, ratio, converter_type=mode)
+    chunk_mono_r = np.round(chunk_mono_r).astype(np.int16)
+    return chunk_mono_r.tobytes()
+
+
+def resample_mono_chunk(chunk: bytes, orig_sr: int, target_sr: int, mode="sinc_best") -> bytes:
+    """
+    将当前单通道音频块进行重采样
+
+    Args:
+        chunk: 单通道音频数据块
+        orig_sr: 原始采样率
+        target_sr: 目标采样率
+        mode: 重采样模式，可选：'sinc_best' | 'sinc_medium' | 'sinc_fastest' | 'zero_order_hold' | 'linear'
+
+    Return:
+        单通道音频数据块
+    """
+    chunk_np = np.frombuffer(chunk, dtype=np.int16)
+    chunk_np = chunk_np.astype(np.float32)
+    ratio = target_sr / orig_sr
+    chunk_r =  samplerate.resample(chunk_np, ratio, converter_type=mode)
+    chunk_r = np.round(chunk_r).astype(np.int16)
+    return chunk_r.tobytes()

engine/utils/server.py

@@ -0,0 +1,41 @@
+import socket
+import threading
+import json
+from utils import thread_data, stdout_cmd, stderr
+
+
+def handle_client(client_socket):
+    global thread_data
+    while thread_data.status == 'running':
+        try:
+            data = client_socket.recv(4096).decode('utf-8')
+            if not data:
+                break
+            data = json.loads(data)
+
+            if data['command'] == 'stop':
+                thread_data.status = 'stop'
+                break
+        except Exception as e:
+            stderr(f'Communication error: {e}')
+            break
+    
+    thread_data.status = 'stop'
+    client_socket.close()
+
+
+def start_server(port: int):
+    server = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
+    try:
+        server.bind(('localhost', port))
+        server.listen(1)
+    except Exception as e:
+        stderr(str(e))
+        stdout_cmd('kill')
+        return
+    stdout_cmd('connect')
+
+    client, addr = server.accept()
+    client_handler = threading.Thread(target=handle_client, args=(client,))
+    client_handler.daemon = True
+    client_handler.start()

engine/utils/sysout.py

@@ -0,0 +1,18 @@
+import sys
+import json
+
+def stdout(text: str):
+    stdout_cmd("print", text)
+
+def stdout_cmd(command: str, content = ""):
+    msg = { "command": command, "content": content }
+    sys.stdout.write(json.dumps(msg) + "\n")
+    sys.stdout.flush()
+
+def stdout_obj(obj):
+    sys.stdout.write(json.dumps(obj) + "\n")
+    sys.stdout.flush()
+
+def stderr(text: str):
+    sys.stderr.write(text + "\n")
+    sys.stderr.flush()

engine/utils/thdata.py

@@ -0,0 +1,5 @@
+class ThreadData:
+    def __init__(self):
+        self.status = "running"
+
+thread_data = ThreadData()

package.json

@@ -1,7 +1,7 @@
 {
   "name": "auto-caption",
   "productName": "Auto Caption",
-  "version": "0.3.0",
+  "version": "0.6.0",
   "description": "A cross-platform subtitle display software.",
   "main": "./out/main/index.js",
   "author": "himeditator",
@@ -25,6 +25,7 @@
     "@electron-toolkit/preload": "^3.0.1",
     "@electron-toolkit/utils": "^4.0.0",
     "ant-design-vue": "^4.2.6",
+    "pidusage": "^4.0.1",
     "pinia": "^3.0.2",
     "vue-i18n": "^11.1.9",
     "vue-router": "^4.5.1"
@@ -34,6 +35,7 @@
     "@electron-toolkit/eslint-config-ts": "^3.0.0",
     "@electron-toolkit/tsconfig": "^1.0.1",
     "@types/node": "^22.14.1",
+    "@types/pidusage": "^2.0.5",
     "@vitejs/plugin-vue": "^5.2.3",
     "electron": "^35.1.5",
     "electron-builder": "^25.1.8",

src/main/CaptionWindow.ts

@@ -3,6 +3,7 @@ import path from 'path'
 import { is } from '@electron-toolkit/utils'
 import icon from '../../build/icon.png?asset'
 import { controlWindow } from './ControlWindow'
+import { allConfig } from './utils/AllConfig'
 
 class CaptionWindow {
   window: BrowserWindow | undefined;
@@ -10,7 +11,7 @@ class CaptionWindow {
   public createWindow(): void {
     this.window = new BrowserWindow({
       icon: icon,
-      width: 900,
+      width: allConfig.captionWindowWidth,
       height: 100,
       minWidth: 480,
       show: false,
@@ -30,6 +31,12 @@ class CaptionWindow {
       this.window?.show()
     })
 
+    this.window.on('close', () => {
+      if(this.window) {
+        allConfig.captionWindowWidth = this.window?.getBounds().width;
+      }
+    })
+
     this.window.on('closed', () => {
       this.window = undefined
     })

src/main/ControlWindow.ts

@@ -1,5 +1,7 @@
-import { shell, BrowserWindow, ipcMain, nativeTheme } from 'electron'
+import { shell, BrowserWindow, ipcMain, nativeTheme, dialog } from 'electron'
 import path from 'path'
+import { EngineInfo } from './types'
+import pidusage from 'pidusage'
 import { is } from '@electron-toolkit/utils'
 import icon from '../../build/icon.png?asset'
 import { captionWindow } from './CaptionWindow'
@@ -65,8 +67,35 @@ class ControlWindow {
     })
 
     ipcMain.handle('control.nativeTheme.get', () => {
-      if(nativeTheme.shouldUseDarkColors) return 'dark'
-      return 'light'
+      if(allConfig.uiTheme === 'system'){
+        if(nativeTheme.shouldUseDarkColors) return 'dark'
+        return 'light'
+      }
+      return allConfig.uiTheme
+    })
+
+    ipcMain.handle('control.folder.select', async () => {
+      const result = await dialog.showOpenDialog({
+        properties: ['openDirectory']
+      });
+
+      if (result.canceled) return "";
+      return result.filePaths[0];
+    })
+
+    ipcMain.handle('control.engine.info', async () => {
+      const info: EngineInfo = {
+        pid: 0, ppid: 0, port: 0, cpu: 0, mem: 0, elapsed: 0
+      }
+      if(captionEngine.status !== 'running') return info
+      const stats = await pidusage(captionEngine.process.pid)
+      info.pid = stats.pid
+      info.ppid = stats.ppid
+      info.port = captionEngine.port
+      info.cpu = stats.cpu
+      info.mem = stats.memory
+      info.elapsed = stats.elapsed
+      return info
     })
 
     ipcMain.on('control.uiLanguage.change', (_, args) => {

src/main/index.ts

@@ -25,7 +25,7 @@ app.whenReady().then(() => {
 })
 
 app.on('will-quit', async () => {
-  captionEngine.stop()
+  captionEngine.kill()
   allConfig.writeConfig()
 });
 

src/main/types/index.ts

@@ -6,10 +6,11 @@ export interface Controls {
   engineEnabled: boolean,
   sourceLang: string,
   targetLang: string,
-  engine: 'gummy',
+  engine: string,
   audio: 0 | 1,
   translation: boolean,
   API_KEY: string,
+  modelPath: string,
   customized: boolean,
   customizedApp: string,
   customizedCommand: string
@@ -20,13 +21,20 @@ export interface Styles {
   fontFamily: string,
   fontSize: number,
   fontColor: string,
+  fontWeight: number,
   background: string,
   opacity: number,
   showPreview: boolean,
   transDisplay: boolean,
   transFontFamily: string,
   transFontSize: number,
-  transFontColor: string
+  transFontColor: string,
+  transFontWeight: number,
+  textShadow: boolean,
+  offsetX: number,
+  offsetY: number,
+  blur: number,
+  textShadowColor: string
 }
 
 export interface CaptionItem {
@@ -46,3 +54,12 @@ export interface FullConfig {
   controls: Controls,
   captionLog: CaptionItem[]
 }
+
+export interface EngineInfo {
+  pid: number,
+  ppid: number,
+  port:number,
+  cpu: number,
+  mem: number,
+  elapsed: number
+}

src/main/utils/AllConfig.ts

@@ -2,6 +2,7 @@ import {
   UILanguage, UITheme, Styles, Controls,
   CaptionItem, FullConfig
 } from '../types'
+import { Log } from './Log'
 import { app, BrowserWindow } from 'electron'
 import * as path from 'path'
 import * as fs from 'fs'
@@ -11,13 +12,20 @@ const defaultStyles: Styles = {
   fontFamily: 'sans-serif',
   fontSize: 24,
   fontColor: '#000000',
+  fontWeight: 4,
   background: '#dbe2ef',
   opacity: 80,
   showPreview: true,
   transDisplay: true,
   transFontFamily: 'sans-serif',
   transFontSize: 24,
-  transFontColor: '#000000'
+  transFontColor: '#000000',
+  transFontWeight: 4,
+  textShadow: false,
+  offsetX: 2,
+  offsetY: 2,
+  blur: 0,
+  textShadowColor: '#ffffff'
 };
 
 const defaultControls: Controls = {
@@ -27,6 +35,7 @@ const defaultControls: Controls = {
   audio: 0,
   engineEnabled: false,
   API_KEY: '',
+  modelPath: '',
   translation: true,
   customized: false,
   customizedApp: '',
@@ -35,11 +44,15 @@ const defaultControls: Controls = {
 
 
 class AllConfig {
+  captionWindowWidth: number = 900;
+
   uiLanguage: UILanguage = 'zh';
   leftBarWidth: number = 8;
   uiTheme: UITheme = 'system';
   styles: Styles = {...defaultStyles};
   controls: Controls = {...defaultControls};
+  
+  lastLogIndex: number = -1;
   captionLog: CaptionItem[] = [];
 
   constructor() {}
@@ -48,18 +61,19 @@ class AllConfig {
     const configPath = path.join(app.getPath('userData'), 'config.json')
     if(fs.existsSync(configPath)){
       const config = JSON.parse(fs.readFileSync(configPath, 'utf-8'))
+      if(config.captionWindowWidth) this.captionWindowWidth = config.captionWindowWidth
       if(config.uiLanguage) this.uiLanguage = config.uiLanguage
       if(config.uiTheme) this.uiTheme = config.uiTheme
       if(config.leftBarWidth) this.leftBarWidth = config.leftBarWidth
       if(config.styles) this.setStyles(config.styles)
-      if(process.platform !== 'win32' && process.platform !== 'darwin') config.controls.audio = 1
       if(config.controls) this.setControls(config.controls)
-      console.log('[INFO] Read Config from:', configPath)
+      Log.info('Read Config from:', configPath)
     }
   }
 
   public writeConfig() {
     const config = {
+      captionWindowWidth: this.captionWindowWidth,
       uiLanguage: this.uiLanguage,
       uiTheme: this.uiTheme,
       leftBarWidth: this.leftBarWidth,
@@ -68,7 +82,7 @@ class AllConfig {
     }
     const configPath = path.join(app.getPath('userData'), 'config.json')
     fs.writeFileSync(configPath, JSON.stringify(config, null, 2))
-    console.log('[INFO] Write Config to:', configPath)
+    Log.info('Write Config to:', configPath)
   }
 
   public getFullConfig(): FullConfig {
@@ -89,7 +103,7 @@ class AllConfig {
         this.styles[key] = args[key]
       }
     }
-    console.log('[INFO] Set Styles:', this.styles)
+    Log.info('Set Styles:', this.styles)
   }
 
   public resetStyles() {
@@ -98,7 +112,7 @@ class AllConfig {
 
   public sendStyles(window: BrowserWindow) {
     window.webContents.send('both.styles.set', this.styles)
-    console.log(`[INFO] Send Styles to #${window.id}:`, this.styles)
+    Log.info(`Send Styles to #${window.id}:`, this.styles)
   }
 
   public setControls(args: Object) {
@@ -109,27 +123,28 @@ class AllConfig {
       }
     }
     this.controls.engineEnabled = engineEnabled
-    console.log('[INFO] Set Controls:', this.controls)
+    Log.info('Set Controls:', this.controls)
   }
 
-  public sendControls(window: BrowserWindow) {
+  public sendControls(window: BrowserWindow, info = true) {
     window.webContents.send('control.controls.set', this.controls)
-    console.log(`[INFO] Send Controls to #${window.id}:`, this.controls)
+    if(info) Log.info(`Send Controls to #${window.id}:`, this.controls)
   }
 
   public updateCaptionLog(log: CaptionItem) {
     let command: 'add' | 'upd' = 'add'
     if(
       this.captionLog.length &&
-      this.captionLog[this.captionLog.length - 1].index === log.index &&
-      this.captionLog[this.captionLog.length - 1].time_s === log.time_s
+      this.lastLogIndex === log.index
     ) {
       this.captionLog.splice(this.captionLog.length - 1, 1, log)
       command = 'upd'
     }
     else {
       this.captionLog.push(log)
+      this.lastLogIndex = log.index
     }
+    this.captionLog[this.captionLog.length - 1].index = this.captionLog.length
     for(const window of BrowserWindow.getAllWindows()){
       this.sendCaptionLog(window, command)
     }

src/main/utils/CaptionEngine.ts

@@ -1,155 +1,235 @@
-import { spawn, exec } from 'child_process'
+import { exec, spawn } from 'child_process'
 import { app } from 'electron'
 import { is } from '@electron-toolkit/utils'
 import path from 'path'
+import net from 'net'
 import { controlWindow } from '../ControlWindow'
 import { allConfig } from './AllConfig'
 import { i18n } from '../i18n'
+import { Log } from './Log'
 
 export class CaptionEngine {
   appPath: string = ''
   command: string[] = []
   process: any | undefined
-  processStatus: 'running' | 'stopping' | 'stopped' = 'stopped'
+  client: net.Socket | undefined
+  port: number = 8080
+  status: 'running' | 'starting' | 'stopping' | 'stopped' = 'stopped'
+  timerID: NodeJS.Timeout | undefined
 
   private getApp(): boolean {
-    if (allConfig.controls.customized && allConfig.controls.customizedApp) {
+    if (allConfig.controls.customized) {
+      Log.info('Using customized caption engine')
       this.appPath = allConfig.controls.customizedApp
-      this.command = [allConfig.controls.customizedCommand]
+      this.command = allConfig.controls.customizedCommand.split(' ')
+      this.port = Math.floor(Math.random() * (65535 - 1024 + 1)) + 1024
+      this.command.push('-p', this.port.toString())
     }
-    else if (allConfig.controls.engine === 'gummy') {
-      allConfig.controls.customized = false
-      if(!allConfig.controls.API_KEY && !process.env.DASHSCOPE_API_KEY) {
+    else {
+      if(allConfig.controls.engine === 'gummy' && 
+        !allConfig.controls.API_KEY && !process.env.DASHSCOPE_API_KEY
+      ) {
         controlWindow.sendErrorMessage(i18n('gummy.key.missing'))
         return false
       }
-      let gummyName = ''
-      if (process.platform === 'win32') {
-        gummyName = 'main-gummy.exe'
-      }
-      else if (process.platform === 'darwin' || process.platform === 'linux') {
-        gummyName = 'main-gummy'
-      }
-      else {
-        controlWindow.sendErrorMessage(i18n('platform.unsupported') + process.platform)
-        throw new Error(i18n('platform.unsupported'))
-      }
-      if (is.dev) {
-        this.appPath = path.join(
-          app.getAppPath(),
-          'caption-engine', 'dist', gummyName
-        )
-      }
-      else {
-        this.appPath = path.join(
-          process.resourcesPath, 'caption-engine', gummyName
-        )
-      }
       this.command = []
-      this.command.push('-s', allConfig.controls.sourceLang)
-      this.command.push(
-        '-t', allConfig.controls.translation ?
-        allConfig.controls.targetLang : 'none'
-      )
-      this.command.push('-a', allConfig.controls.audio ? '1' : '0')
-      if(allConfig.controls.API_KEY) {
-        this.command.push('-k', allConfig.controls.API_KEY)
+      if (is.dev) {
+        if(process.platform === "win32") {
+          this.appPath = path.join(
+            app.getAppPath(), 'engine',
+            'subenv', 'Scripts', 'python.exe'
+          )
+          this.command.push(path.join(
+            app.getAppPath(), 'engine', 'main.py'
+          ))
+          // this.appPath = path.join(app.getAppPath(), 'engine', 'dist', 'main.exe')
+        }
+        else {
+          this.appPath = path.join(
+            app.getAppPath(), 'engine',
+            'subenv', 'bin', 'python3'
+          )
+          this.command.push(path.join(
+            app.getAppPath(), 'engine', 'main.py'
+          ))
+        }
+      }
+      else {
+        if(process.platform === 'win32') {
+          this.appPath = path.join(process.resourcesPath, 'engine', 'main.exe')
+        }
+        else {
+          this.appPath = path.join(process.resourcesPath, 'engine', 'main')
+        }
       }
 
-      console.log('[INFO] Engine Path:', this.appPath)
-      console.log('[INFO] Engine Command:', this.command)
+      this.command.push('-a', allConfig.controls.audio ? '1' : '0')
+      this.port = Math.floor(Math.random() * (65535 - 1024 + 1)) + 1024
+      this.command.push('-p', this.port.toString())
+
+      if(allConfig.controls.engine === 'gummy') {
+        this.command.push('-e', 'gummy')
+        this.command.push('-s', allConfig.controls.sourceLang)
+        this.command.push(
+          '-t', allConfig.controls.translation ?
+          allConfig.controls.targetLang : 'none'
+        )
+        if(allConfig.controls.API_KEY) {
+          this.command.push('-k', allConfig.controls.API_KEY)
+        }
+      }
+      else if(allConfig.controls.engine === 'vosk'){
+        this.command.push('-e', 'vosk')
+        
+        this.command.push('-m', `"${allConfig.controls.modelPath}"`)        
+      }
     }
+    Log.info('Engine Path:', this.appPath)
+    Log.info('Engine Command:', this.command)
     return true
   }
 
-  public start() {
-    if (this.processStatus !== 'stopped') {
-      return
-    }
-    if(!this.getApp()){ return }
-
-    try {
-      this.process = spawn(this.appPath, this.command)
-    }
-    catch (e) {
-      controlWindow.sendErrorMessage(i18n('engine.start.error') + e)
-      console.error('[ERROR] Error starting subprocess:', e)
-      return
-    }
-
-    this.processStatus = 'running'
-    console.log('[INFO] Caption Engine Started, PID:', this.process.pid)
-
+  public connect() {
+    Log.info('Connecting to caption engine server...')
+    if(this.client) { Log.warn('Client already exists, ignoring...') }
+    this.client = net.createConnection({ port: this.port }, () => {
+      Log.info('Connected to caption engine server');
+    });
+    this.status = 'running'
     allConfig.controls.engineEnabled = true
     if(controlWindow.window){
-      allConfig.sendControls(controlWindow.window)
+      allConfig.sendControls(controlWindow.window, false)
       controlWindow.window.webContents.send(
         'control.engine.started',
         this.process.pid
       )
     }
+  }
 
+  public sendCommand(command: string, content: string = "") {
+    if(this.client === undefined) {
+      Log.error('Client not initialized yet')
+      return
+    }
+    const data = JSON.stringify({command, content})
+    this.client.write(data);
+    Log.info(`Send data to python server: ${data}`);
+  }
+
+  public start() {
+    if (this.status !== 'stopped') {
+      Log.warn('Caption engine is not stopped, current status:', this.status)
+      return
+    }
+    if(!this.getApp()){ return }
+
+    this.process = spawn(this.appPath, this.command)
+    this.status = 'starting'
+    Log.info('Caption Engine Starting, PID:', this.process.pid)
+    
     this.process.stdout.on('data', (data: any) => {
-      const lines = data.toString().split('\n');
+      const lines = data.toString().split('\n')
       lines.forEach((line: string) => {
         if (line.trim()) {
           try {
-            const caption = JSON.parse(line);
-            allConfig.updateCaptionLog(caption);
+            const data_obj = JSON.parse(line)
+            handleEngineData(data_obj)
           } catch (e) {
             controlWindow.sendErrorMessage(i18n('engine.output.parse.error') + e)
-            console.error('[ERROR] Error parsing JSON:', e);
+            Log.error('Error parsing JSON:', e)
           }
         }
       });
     });
 
-    this.process.stderr.on('data', (data) => {
-      controlWindow.sendErrorMessage(i18n('engine.error') + data)
-      console.error(`[ERROR] Subprocess Error: ${data}`);
+    this.process.stderr.on('data', (data: any) => {
+      const lines = data.toString().split('\n')
+      lines.forEach((line: string) => {
+        if(line.trim()){
+          controlWindow.sendErrorMessage(/*i18n('engine.error') +*/ line)
+          console.error(line)          
+        }
+      })
     });
 
     this.process.on('close', (code: any) => {
-      console.log(`[INFO] Subprocess exited with code ${code}`);
       this.process = undefined;
+      this.client = undefined
       allConfig.controls.engineEnabled = false
       if(controlWindow.window){
-        allConfig.sendControls(controlWindow.window)
+        allConfig.sendControls(controlWindow.window, false)
         controlWindow.window.webContents.send('control.engine.stopped')
       }
-      this.processStatus = 'stopped'
-      console.log('[INFO] Caption engine process stopped')
+      this.status = 'stopped'
+      clearInterval(this.timerID)
+      Log.info(`Engine exited with code ${code}`)
     });
   }
 
   public stop() {
-    if(this.processStatus !== 'running') return
+    if(this.status !== 'running'){
+      Log.warn('Trying to stop engine which is not running, current status:', this.status)
+      return
+    }
+    this.sendCommand('stop')
+    if(this.client){
+      this.client.destroy()
+      this.client = undefined
+    }
+    this.status = 'stopping'
+    Log.info('Caption engine process stopping...')
+    this.timerID = setTimeout(() => {
+      if(this.status !== 'stopping') return
+      Log.warn('Engine process still not stopped, trying to kill...')
+      this.kill()
+    }, 4000);
+  }
+
+  public kill(){
+    if(!this.process || !this.process.pid) return
+    if(this.status !== 'running'){
+      Log.warn('Trying to kill engine which is not running, current status:', this.status)
+    }
+    Log.warn('Trying to kill engine process, PID:', this.process.pid)
+    if(this.client){
+      this.client.destroy()
+      this.client = undefined
+    }
     if (this.process.pid) {
-      console.log('[INFO] Trying to stop process, PID:', this.process.pid)
       let cmd = `kill ${this.process.pid}`;
       if (process.platform === "win32") {
         cmd = `taskkill /pid ${this.process.pid} /t /f`
       }
-      exec(cmd, (error) => {
-        if (error) {
-          controlWindow.sendErrorMessage(i18n('engine.shutdown.error') + error)
-          console.error(`[ERROR] Failed to kill process: ${error}`)
-        }
-      })
+      exec(cmd)
     }
-    else {
-      this.process = undefined;
-      allConfig.controls.engineEnabled = false
-      if(controlWindow.window){
-        allConfig.sendControls(controlWindow.window)
-        controlWindow.window.webContents.send('control.engine.stopped')
-      }
-      this.processStatus = 'stopped'
-      console.log('[INFO] Process PID undefined, caption engine process stopped')
-      return
+    this.status = 'stopping'
+  }
+}
+
+function handleEngineData(data: any) {
+  if(data.command === 'connect'){
+    captionEngine.connect()
+  }
+  else if(data.command === 'kill') {
+    if(captionEngine.status !== 'stopped') {
+      Log.warn('Error occurred, trying to kill caption engine...')
+      captionEngine.kill()
     }
-    this.processStatus = 'stopping'
-    console.log('[INFO] Caption engine process stopping')
+  }
+  else if(data.command === 'caption') {
+    allConfig.updateCaptionLog(data);
+  }
+  else if(data.command === 'print') {
+    Log.info('Engine Print:', data.content)
+  }
+  else if(data.command === 'info') {
+    Log.info('Engine Info:', data.content)
+  }
+  else if(data.command === 'usage') {
+    Log.info('Engine Usage: ', data.content)
+  }
+  else {
+    Log.warn('Unknown command:', data)
   }
 }
 

src/main/utils/Log.ts

@@ -0,0 +1,22 @@
+function getTimeString() {
+  const now = new Date()
+  const HH = String(now.getHours()).padStart(2, '0')
+  const MM = String(now.getMinutes()).padStart(2, '0')
+  const SS = String(now.getSeconds()).padStart(2, '0')
+  const MS = String(now.getMilliseconds()).padStart(3, '0')
+  return `${HH}:${MM}:${SS}.${MS}`
+}
+
+export class Log {
+  static info(...msg: any[]){
+    console.log(`[INFO ${getTimeString()}]`, ...msg)
+  }
+
+  static warn(...msg: any[]){
+    console.warn(`[WARN ${getTimeString()}]`, ...msg)
+  }
+
+  static error(...msg: any[]){
+    console.error(`[ERROR ${getTimeString()}]`, ...msg)
+  }
+}

src/renderer/src/assets/input.css

@@ -11,6 +11,8 @@
 
 .switch-label {
   display: inline-block;
+  min-width: 80px;
+  text-align: right;
   margin-right: 10px;
 }
 

src/renderer/src/components/CaptionLog.vue

@@ -4,46 +4,109 @@
       <a-app class="caption-title">
         <span style="margin-right: 30px;">{{ $t('log.title') }}</span>
       </a-app>
-      <a-button
-        type="primary"
-        style="margin-right: 20px;"
-        @click="exportCaptions"
-        :disabled="captionData.length === 0"
-      >{{ $t('log.export') }}</a-button>
-
-    <a-popover :title="$t('log.copyOptions')">
-      <template #content>
-        <div class="input-item">
-          <span class="input-label">{{ $t('log.addIndex') }}</span>
-          <a-switch v-model:checked="showIndex" />
-          <span class="input-label">{{ $t('log.copyTime') }}</span>
-          <a-switch v-model:checked="copyTime" />
-        </div>
-        <div class="input-item">
-          <span class="input-label">{{ $t('log.copyContent') }}</span>
-          <a-radio-group v-model:value="copyOption">
-            <a-radio-button value="both">{{ $t('log.both') }}</a-radio-button>
-            <a-radio-button value="source">{{ $t('log.source') }}</a-radio-button>
-            <a-radio-button value="target">{{ $t('log.translation') }}</a-radio-button>
-          </a-radio-group>
-        </div>
-      </template>
-      <a-button
-        style="margin-right: 20px;"
-        @click="copyCaptions"
-        :disabled="captionData.length === 0"
-      >{{ $t('log.copy') }}</a-button>
+      <a-popover :title="$t('log.baseTime')">
+        <template #content>
+          <div class="base-time">
+            <div class="base-time-container">
+              <a-input
+                type="number" min="0"
+                v-model:value="baseHH"
+              ></a-input>
+              <span class="base-time-label">{{ $t('log.hour') }}</span>
+            </div>
+          </div><span style="margin: 0 4px;">:</span>
+          <div class="base-time">
+            <div class="base-time-container">
+              <a-input
+                type="number" min="0" max="59"
+                v-model:value="baseMM"
+              ></a-input>
+              <span class="base-time-label">{{ $t('log.min') }}</span>
+            </div>
+          </div><span style="margin: 0 4px;">:</span>
+          <div class="base-time">
+            <div class="base-time-container">
+              <a-input
+                type="number" min="0" max="59"
+                v-model:value="baseSS"
+              ></a-input>
+              <span class="base-time-label">{{ $t('log.sec') }}</span>
+            </div>
+          </div><span style="margin: 0 4px;">.</span>
+          <div class="base-time">
+            <div class="base-time-container">
+              <a-input
+                type="number" min="0" max="999"
+                v-model:value="baseMS"
+              ></a-input>
+              <span class="base-time-label">{{ $t('log.ms') }}</span>
+            </div>
+          </div>
+        </template>
+        <a-button
+          type="primary"
+          style="margin-right: 20px;"
+          @click="changeBaseTime"
+          :disabled="captionData.length === 0"
+        >{{ $t('log.changeTime') }}</a-button>
+      </a-popover>
+      <a-popover :title="$t('log.exportOptions')">
+        <template #content>
+          <div class="input-item">
+            <span class="input-label">{{ $t('log.exportFormat') }}</span>
+            <a-radio-group v-model:value="exportFormat">
+              <a-radio-button value="srt">.srt</a-radio-button>
+              <a-radio-button value="json">.json</a-radio-button>
+            </a-radio-group>
+          </div>
+          <div class="input-item">
+            <span class="input-label">{{ $t('log.exportContent') }}</span>
+            <a-radio-group v-model:value="contentOption">
+              <a-radio-button value="both">{{ $t('log.both') }}</a-radio-button>
+              <a-radio-button value="source">{{ $t('log.source') }}</a-radio-button>
+              <a-radio-button value="target">{{ $t('log.translation') }}</a-radio-button>
+            </a-radio-group>
+          </div>
+        </template>
+        <a-button
+          style="margin-right: 20px;"
+          @click="exportCaptions"
+          :disabled="captionData.length === 0"
+        >{{ $t('log.export') }}</a-button>
+      </a-popover>
+      <a-popover :title="$t('log.copyOptions')">
+        <template #content>
+          <div class="input-item">
+            <span class="input-label">{{ $t('log.addIndex') }}</span>
+            <a-switch v-model:checked="showIndex" />
+            <span class="input-label">{{ $t('log.copyTime') }}</span>
+            <a-switch v-model:checked="copyTime" />
+          </div>
+          <div class="input-item">
+            <span class="input-label">{{ $t('log.copyContent') }}</span>
+            <a-radio-group v-model:value="contentOption">
+              <a-radio-button value="both">{{ $t('log.both') }}</a-radio-button>
+              <a-radio-button value="source">{{ $t('log.source') }}</a-radio-button>
+              <a-radio-button value="target">{{ $t('log.translation') }}</a-radio-button>
+            </a-radio-group>
+          </div>
+        </template>
+        <a-button
+          style="margin-right: 20px;"
+          @click="copyCaptions"
+        >{{ $t('log.copy') }}</a-button>
       </a-popover>
-
       <a-button
         danger
         @click="clearCaptions"
       >{{ $t('log.clear') }}</a-button>
     </div>
+
     <a-table
       :columns="columns"
       :data-source="captionData"
       v-model:pagination="pagination"
+      style="margin-top: 10px;"
     >
       <template #bodyCell="{ column, record }">
         <template v-if="column.key === 'index'">
@@ -72,21 +135,29 @@ import { storeToRefs } from 'pinia'
 import { useCaptionLogStore } from '@renderer/stores/captionLog'
 import { message } from 'ant-design-vue'
 import { useI18n } from 'vue-i18n'
+import * as tc from '../utils/timeCalc'
+import { CaptionItem } from '../types'
+
 const { t } = useI18n()
 
 const captionLog = useCaptionLogStore()
 const { captionData } = storeToRefs(captionLog)
 
+const exportFormat = ref('srt')
 const showIndex = ref(true)
 const copyTime = ref(true)
-const copyOption = ref('both')
+const contentOption = ref('both')
+
+const baseHH = ref<number>(0)
+const baseMM = ref<number>(0)
+const baseSS = ref<number>(0)
+const baseMS = ref<number>(0)
 
 const pagination = ref({
   current: 1,
-  pageSize: 10,
+  pageSize: 20,
   showSizeChanger: true,
-  pageSizeOptions: ['10', '20', '50'],
-  showTotal: (total: number) => `Total: ${total}`,
+  pageSizeOptions: ['10', '20', '50', '100'],
   onChange: (page: number, pageSize: number) => {
     pagination.value.current = page
     pagination.value.pageSize = pageSize
@@ -103,12 +174,23 @@ const columns = [
     dataIndex: 'index',
     key: 'index',
     width: 80,
+    sorter: (a: CaptionItem, b: CaptionItem) => {
+      if(a.index <= b.index) return -1
+      return 1
+    },
+    sortDirections: ['descend'],
+    defaultSortOrder: 'descend',
   },
   {
     title: 'time',
     dataIndex: 'time',
     key: 'time',
     width: 160,
+    sorter: (a: CaptionItem, b: CaptionItem) => {
+      if(a.time_s <= b.time_s) return -1
+      return 1
+    },
+    sortDirections: ['descend', 'ascend'],
   },
   {
     title: 'content',
@@ -117,28 +199,68 @@ const columns = [
   },
 ]
 
+function changeBaseTime() {
+  if(baseHH.value < 0) baseHH.value = 0
+  if(baseMM.value < 0) baseMM.value = 0
+  if(baseMM.value > 59) baseMM.value = 59
+  if(baseSS.value < 0) baseSS.value = 0
+  if(baseSS.value > 59) baseSS.value = 59
+  if(baseMS.value < 0) baseMS.value = 0
+  if(baseMS.value > 999) baseMS.value = 999
+  const newBase: tc.Time = {
+    hh: Number(baseHH.value),
+    mm: Number(baseMM.value),
+    ss: Number(baseSS.value),
+    ms: Number(baseMS.value)
+  }
+  const oldBase =  tc.getTimeFromStr(captionData.value[0].time_s)
+  const deltaMs = tc.getMsFromTime(newBase) - tc.getMsFromTime(oldBase)
+  for(let i = 0; i < captionData.value.length; i++){
+    captionData.value[i].time_s =
+      tc.getNewTimeStr(captionData.value[i].time_s, deltaMs)
+    captionData.value[i].time_t =
+      tc.getNewTimeStr(captionData.value[i].time_t, deltaMs)
+  }
+}
+
 function exportCaptions() {
-  const jsonData = JSON.stringify(captionData.value, null, 2)
-  const blob = new Blob([jsonData], { type: 'application/json' })
+  const exportData = getExportData()
+  const blob = new Blob([exportData], {
+    type: exportFormat.value === 'json' ? 'application/json' : 'text/plain'
+  })
   const url = URL.createObjectURL(blob)
   const a = document.createElement('a')
   a.href = url
   const timestamp = new Date().toISOString().replace(/[:.]/g, '-')
-  a.download = `captions-${timestamp}.json`
+  a.download = `captions-${timestamp}.${exportFormat.value}`
   document.body.appendChild(a)
   a.click()
   document.body.removeChild(a)
   URL.revokeObjectURL(url)
 }
 
+function getExportData() {
+  if(exportFormat.value === 'json') return JSON.stringify(captionData.value, null, 2)
+  let content = ''
+  for(let i = 0; i < captionData.value.length; i++){
+    const item = captionData.value[i]
+    content += `${i+1}\n`
+    content += `${item.time_s} --> ${item.time_t}\n`.replace(/\./g, ',')
+    if(contentOption.value === 'both') content += `${item.text}\n${item.translation}\n\n`
+    else if(contentOption.value === 'source') content += `${item.text}\n\n`
+    else content += `${item.translation}\n\n`
+  }
+  return content
+}
+
 function copyCaptions() {
   let content = ''
   for(let i = 0; i < captionData.value.length; i++){
     const item = captionData.value[i]
     if(showIndex.value) content += `${i+1}\n`
     if(copyTime.value) content += `${item.time_s} --> ${item.time_t}\n`.replace(/\./g, ',')
-    if(copyOption.value === 'both') content += `${item.text}\n${item.translation}\n\n`
-    else if(copyOption.value === 'source') content += `${item.text}\n\n`
+    if(contentOption.value === 'both') content += `${item.text}\n${item.translation}\n\n`
+    else if(contentOption.value === 'source') content += `${item.text}\n\n`
     else content += `${item.translation}\n\n`
   }
   navigator.clipboard.writeText(content)
@@ -166,6 +288,23 @@ function clearCaptions() {
   margin-bottom: 10px;
 }
 
+.base-time {
+  width: 64px;
+  display: inline-block;
+}
+
+.base-time-container {
+  display: flex;
+  flex-direction: column;
+  align-items: center;
+  gap: 4px;
+}
+
+.base-time-label {
+  font-size: 12px;
+  color: var(--tag-color);
+}
+
 .time-cell {
   display: flex;
   flex-direction: column;

src/renderer/src/components/CaptionStyle.vue

@@ -22,6 +22,7 @@
         v-model:value="currentFontFamily"
       />
     </div>
+
     <div class="input-item">
       <span class="input-label">{{ $t('style.fontColor') }}</span>
       <a-input
@@ -36,11 +37,21 @@
       <a-input
         class="input-area"
         type="range"
-        min="0" max="64"
+        min="0" max="72"
         v-model:value="currentFontSize"
       />
       <div class="input-item-value">{{ currentFontSize }}px</div>
     </div>
+    <div class="input-item">
+      <span class="input-label">{{ $t('style.fontWeight') }}</span>
+      <a-input
+        class="input-area"
+        type="range"
+        min="1" max="9"
+        v-model:value="currentFontWeight"
+      />
+      <div class="input-item-value">{{ currentFontWeight*100 }}</div>
+    </div>
     <div class="input-item">
       <span class="input-label">{{ $t('style.background') }}</span>
       <a-input
@@ -65,11 +76,16 @@
     <div class="input-item">
       <span class="input-label">{{ $t('style.preview') }}</span>
       <a-switch v-model:checked="currentPreview" />
-      <span style="display:inline-block;width:20px;"></span>
+      <span style="display:inline-block;width:10px;"></span>
       <div style="display: inline-block;">
         <span class="switch-label">{{ $t('style.translation') }}</span>
         <a-switch v-model:checked="currentTransDisplay" />
       </div>
+      <span style="display:inline-block;width:10px;"></span>
+      <div style="display: inline-block;">
+        <span class="switch-label">{{ $t('style.textShadow') }}</span>
+        <a-switch v-model:checked="currentTextShadow" />
+      </div>
     </div>
 
     <div v-show="currentTransDisplay">
@@ -98,11 +114,65 @@
           <a-input
             class="input-area"
             type="range"
-            min="0" max="64"
+            min="0" max="72"
             v-model:value="currentTransFontSize"
           />
           <div class="input-item-value">{{ currentTransFontSize }}px</div>
         </div>
+        <div class="input-item">
+          <span class="input-label">{{ $t('style.fontWeight') }}</span>
+          <a-input
+            class="input-area"
+            type="range"
+            min="1" max="9"
+            v-model:value="currentTransFontWeight"
+          />
+          <div class="input-item-value">{{ currentTransFontWeight*100 }}</div>
+        </div>
+      </a-card>
+    </div>
+
+    <div v-show="currentTextShadow" style="margin-top:10px;">
+      <a-card size="small" :title="$t('style.shadow.title')">
+        <div class="input-item">
+          <span class="input-label">{{ $t('style.shadow.offsetX') }}</span>
+          <a-input
+            class="input-area"
+            type="range"
+            min="-10" max="10"
+            v-model:value="currentOffsetX"
+          />
+          <div class="input-item-value">{{ currentOffsetX }}px</div>
+        </div>
+        <div class="input-item">
+          <span class="input-label">{{ $t('style.shadow.offsetY') }}</span>
+          <a-input
+            class="input-area"
+            type="range"
+            min="-10" max="10"
+            v-model:value="currentOffsetY"
+          />
+          <div class="input-item-value">{{ currentOffsetY }}px</div>
+        </div>
+        <div class="input-item">
+          <span class="input-label">{{ $t('style.shadow.blur') }}</span>
+          <a-input
+            class="input-area"
+            type="range"
+            min="0" max="12"
+            v-model:value="currentBlur"
+          />
+          <div class="input-item-value">{{ currentBlur }}px</div>
+        </div>
+        <div class="input-item">
+          <span class="input-label">{{ $t('style.shadow.color') }}</span>
+          <a-input
+            class="input-area"
+            type="color"
+            v-model:value="currentTextShadowColor"
+          />
+          <div class="input-item-value">{{ currentTextShadowColor }}</div>
+        </div>
       </a-card>
     </div>
   </a-card>
@@ -112,14 +182,16 @@
       v-if="currentPreview"
       class="preview-container"
       :style="{
-        backgroundColor: addOpicityToColor(currentBackground, currentOpacity)
+        backgroundColor: addOpicityToColor(currentBackground, currentOpacity),
+        textShadow: currentTextShadow ? `${currentOffsetX}px ${currentOffsetY}px ${currentBlur}px ${currentTextShadowColor}` : 'none'
       }"
     >
       <p :class="[currentLineBreak?'':'left-ellipsis']"
         :style="{
           fontFamily: currentFontFamily,
           fontSize: currentFontSize + 'px',
-          color: currentFontColor
+          color: currentFontColor,
+          fontWeight: currentFontWeight * 100
       }">
         <span v-if="captionData.length">{{ captionData[captionData.length-1].text }}</span>
         <span v-else>{{ $t('example.original') }}</span>
@@ -129,7 +201,8 @@
         :style="{
           fontFamily: currentTransFontFamily,
           fontSize: currentTransFontSize + 'px',
-          color: currentTransFontColor
+          color: currentTransFontColor,
+          fontWeight: currentTransFontWeight * 100
         }"
       >
         <span v-if="captionData.length">{{ captionData[captionData.length-1].translation }}</span>
@@ -147,7 +220,6 @@ import { storeToRefs } from 'pinia'
 import { notification } from 'ant-design-vue'
 import { useI18n } from 'vue-i18n'
 import { useCaptionLogStore } from '@renderer/stores/captionLog';
-
 const captionLog = useCaptionLogStore();
 const { captionData } = storeToRefs(captionLog);
 
@@ -160,6 +232,7 @@ const currentLineBreak = ref<number>(0)
 const currentFontFamily = ref<string>('sans-serif')
 const currentFontSize = ref<number>(24)
 const currentFontColor = ref<string>('#000000')
+const currentFontWeight = ref<number>(4)
 const currentBackground = ref<string>('#dbe2ef')
 const currentOpacity = ref<number>(50)
 const currentPreview = ref<boolean>(true)
@@ -167,6 +240,12 @@ const currentTransDisplay = ref<boolean>(true)
 const currentTransFontFamily = ref<string>('sans-serif')
 const currentTransFontSize = ref<number>(24)
 const currentTransFontColor = ref<string>('#000000')
+const currentTransFontWeight = ref<number>(4)
+const currentTextShadow = ref<boolean>(false)
+const currentOffsetX = ref<number>(2)
+const currentOffsetY = ref<number>(2)
+const currentBlur = ref<number>(0)
+const currentTextShadowColor = ref<string>('#ffffff')
 
 function addOpicityToColor(color: string, opicity: number) {
   const opicityValue = Math.round(opicity * 255 / 100);
@@ -178,6 +257,7 @@ function useSameStyle(){
   currentTransFontFamily.value = currentFontFamily.value;
   currentTransFontSize.value = currentFontSize.value;
   currentTransFontColor.value = currentFontColor.value;
+  currentTransFontWeight.value = currentFontWeight.value;
 }
 
 function applyStyle(){
@@ -185,6 +265,7 @@ function applyStyle(){
   captionStyle.fontFamily = currentFontFamily.value;
   captionStyle.fontSize = currentFontSize.value;
   captionStyle.fontColor = currentFontColor.value;
+  captionStyle.fontWeight = currentFontWeight.value;
   captionStyle.background = currentBackground.value;
   captionStyle.opacity = currentOpacity.value;
   captionStyle.showPreview = currentPreview.value;
@@ -192,10 +273,17 @@ function applyStyle(){
   captionStyle.transFontFamily = currentTransFontFamily.value;
   captionStyle.transFontSize = currentTransFontSize.value;
   captionStyle.transFontColor = currentTransFontColor.value;
+  captionStyle.transFontWeight = currentTransFontWeight.value;
+  captionStyle.textShadow = currentTextShadow.value;
+  captionStyle.offsetX = currentOffsetX.value;
+  captionStyle.offsetY = currentOffsetY.value;
+  captionStyle.blur = currentBlur.value;
+  captionStyle.textShadowColor = currentTextShadowColor.value;
 
   captionStyle.sendStylesChange();
 
-    notification.open({
+  notification.open({
+    placement: 'topLeft',
     message: t('noti.styleChange'),
     description: t('noti.styleInfo')
   });
@@ -206,6 +294,7 @@ function backStyle(){
   currentFontFamily.value = captionStyle.fontFamily;
   currentFontSize.value = captionStyle.fontSize;
   currentFontColor.value = captionStyle.fontColor;
+  currentFontWeight.value = captionStyle.fontWeight;
   currentBackground.value = captionStyle.background;
   currentOpacity.value = captionStyle.opacity;
   currentPreview.value = captionStyle.showPreview;
@@ -213,6 +302,12 @@ function backStyle(){
   currentTransFontFamily.value = captionStyle.transFontFamily;
   currentTransFontSize.value = captionStyle.transFontSize;
   currentTransFontColor.value = captionStyle.transFontColor;
+  currentTransFontWeight.value = captionStyle.transFontWeight;
+  currentTextShadow.value = captionStyle.textShadow;
+  currentOffsetX.value = captionStyle.offsetX;
+  currentOffsetY.value = captionStyle.offsetY;
+  currentBlur.value = captionStyle.blur;
+  currentTextShadowColor.value = captionStyle.textShadowColor;
 }
 
 function resetStyle() {
@@ -229,15 +324,24 @@ watch(changeSignal, (val) => {
 
 <style scoped>
 @import url(../assets/input.css);
+.general-note {
+  padding: 10px 10px 0;
+  max-width: min(36vw, 400px);
+}
+
+.hover-label {
+  color: #1668dc;
+  cursor: pointer;
+  font-weight: bold;
+}
 
 .preview-container {
-  line-height: 2em;
   width: 60%;
   text-align: center;
   position: absolute;
-  padding: 20px;
+  padding: 10px;
   border-radius: 10px;
-  left: 50%;
+  left: 64%;
   transform: translateX(-50%);
   bottom: 20px;
 }
@@ -245,7 +349,7 @@ watch(changeSignal, (val) => {
 .preview-container p {
   text-align: center;
   margin: 0;
-  line-height: 1.5em;
+  line-height: 1.6em;
 }
 
 .left-ellipsis {

src/renderer/src/components/EngineControl.vue

@@ -16,6 +16,7 @@
     <div class="input-item">
       <span class="input-label">{{ $t('engine.transLang') }}</span>
       <a-select
+        :disabled="currentEngine === 'vosk'"
         class="input-area"
         v-model:value="currentTargetLang"
         :options="langList.filter((item) => item.value !== 'auto')"
@@ -32,7 +33,6 @@
     <div class="input-item">
       <span class="input-label">{{ $t('engine.audioType') }}</span>
       <a-select
-        :disabled="platform !== 'win32' && platform !== 'darwin'"
         class="input-area"
         v-model:value="currentAudio"
         :options="audioType"
@@ -41,15 +41,51 @@
     <div class="input-item">
       <span class="input-label">{{ $t('engine.enableTranslation') }}</span>
       <a-switch v-model:checked="currentTranslation" />
-      <span style="display:inline-block;width:20px;"></span>
+      <span style="display:inline-block;width:10px;"></span>
+      <div style="display: inline-block;">
+        <span class="switch-label">{{ $t('engine.customEngine') }}</span>
+        <a-switch v-model:checked="currentCustomized" />
+      </div>
+      <span style="display:inline-block;width:10px;"></span>
       <div style="display: inline-block;">
         <span class="switch-label">{{ $t('engine.showMore') }}</span>
         <a-switch v-model:checked="showMore" />
       </div>
     </div>
-    <a-card size="small" :title="$t('engine.custom.title')" v-show="showMore">
+
+    <a-card size="small" :title="$t('engine.custom.title')" v-show="currentCustomized">
+      <template #extra>
+        <a-popover>
+          <template #content>
+            <p class="customize-note">{{ $t('engine.custom.note') }}</p>
+          </template>
+          <a><InfoCircleOutlined />{{ $t('engine.custom.attention') }}</a>
+        </a-popover>
+      </template>
       <div class="input-item">
-        <span class="input-label">{{ $t('engine.apikey') }}</span>
+        <span class="input-label">{{ $t('engine.custom.app') }}</span>
+        <a-input
+          class="input-area"
+          v-model:value="currentCustomizedApp"
+        ></a-input>
+      </div>
+      <div class="input-item">
+        <span class="input-label">{{ $t('engine.custom.command') }}</span>
+        <a-input
+          class="input-area"
+          v-model:value="currentCustomizedCommand"
+        ></a-input>
+      </div>
+    </a-card>
+
+    <a-card size="small" :title="$t('engine.showMore')" v-show="showMore" style="margin-top:10px;">
+      <div class="input-item">
+        <a-popover>
+          <template #content>
+            <p class="label-hover-info">{{ $t('engine.apikeyInfo') }}</p>
+          </template>
+          <span class="input-label info-label">{{ $t('engine.apikey') }}</span>
+        </a-popover>
         <a-input
           class="input-area"
           type="password"
@@ -57,37 +93,23 @@
         />
       </div>
       <div class="input-item">
-        <span style="margin-right:5px;">{{ $t('engine.customEngine') }}</span>
-        <a-switch v-model:checked="currentCustomized" />
-      </div>
-      <div v-show="currentCustomized">
-        <a-card size="small" :title="$t('engine.custom.title')">
-          <template #extra>
-            <a-popover>
-              <template #content>
-                <p class="customize-note">{{ $t('engine.custom.note') }}</p>
-              </template>
-              <a><InfoCircleOutlined />{{ $t('engine.custom.attention') }}</a>
-            </a-popover>
+        <a-popover>
+          <template #content>
+            <p class="label-hover-info">{{ $t('engine.modelPathInfo') }}</p>
           </template>
-          <div class="input-item">
-            <span class="input-label">{{ $t('engine.custom.app') }}</span>
-            <a-input
-              class="input-area"
-              v-model:value="currentCustomizedApp"
-            ></a-input>
-          </div>
-          <div class="input-item">
-            <span class="input-label">{{ $t('engine.custom.command') }}</span>
-            <a-input
-              class="input-area"
-              v-model:value="currentCustomizedCommand"
-            ></a-input>
-          </div>
-        </a-card>
-      </div>      
+          <span class="input-label info-label">{{ $t('engine.modelPath') }}</span>
+        </a-popover>
+        <span
+          class="input-folder"
+          @click="selectFolderPath"
+        ><span><FolderOpenOutlined /></span></span>
+        <a-input
+          class="input-area"
+          style="width:calc(100% - 140px);"
+          v-model:value="currentModelPath"
+        />
+      </div>
     </a-card>
-
   </a-card>
   <div style="height: 20px;"></div>
 </template>
@@ -95,23 +117,25 @@
 <script setup lang="ts">
 import { ref, computed, watch } from 'vue'
 import { storeToRefs } from 'pinia'
+import { useGeneralSettingStore } from '@renderer/stores/generalSetting'
 import { useEngineControlStore } from '@renderer/stores/engineControl'
 import { notification } from 'ant-design-vue'
-import { InfoCircleOutlined } from '@ant-design/icons-vue';
+import { FolderOpenOutlined ,InfoCircleOutlined } from '@ant-design/icons-vue';
 import { useI18n } from 'vue-i18n'
 
 const { t } = useI18n()
 const showMore = ref(false)
 
 const engineControl = useEngineControlStore()
-const { platform, captionEngine, audioType, changeSignal } = storeToRefs(engineControl)
+const { captionEngine, audioType, changeSignal } = storeToRefs(engineControl)
 
 const currentSourceLang = ref('auto')
 const currentTargetLang = ref('zh')
-const currentEngine = ref<'gummy'>('gummy')
+const currentEngine = ref<string>('gummy')
 const currentAudio = ref<0 | 1>(0)
 const currentTranslation = ref<boolean>(false)
 const currentAPI_KEY = ref<string>('')
+const currentModelPath = ref<string>('')
 const currentCustomized = ref<boolean>(false)
 const currentCustomizedApp = ref('')
 const currentCustomizedCommand = ref('')
@@ -132,6 +156,7 @@ function applyChange(){
   engineControl.audio = currentAudio.value
   engineControl.translation = currentTranslation.value
   engineControl.API_KEY = currentAPI_KEY.value
+  engineControl.modelPath = currentModelPath.value
   engineControl.customized = currentCustomized.value
   engineControl.customizedApp = currentCustomizedApp.value
   engineControl.customizedCommand = currentCustomizedCommand.value
@@ -139,6 +164,7 @@ function applyChange(){
   engineControl.sendControlsChange()
 
   notification.open({
+    placement: 'topLeft',
     message: t('noti.engineChange'),
     description: t('noti.changeInfo')
   });
@@ -151,22 +177,70 @@ function cancelChange(){
   currentAudio.value = engineControl.audio
   currentTranslation.value = engineControl.translation
   currentAPI_KEY.value = engineControl.API_KEY
+  currentModelPath.value = engineControl.modelPath
   currentCustomized.value = engineControl.customized
   currentCustomizedApp.value = engineControl.customizedApp
   currentCustomizedCommand.value = engineControl.customizedCommand
 }
 
+function selectFolderPath() {
+  window.electron.ipcRenderer.invoke('control.folder.select').then((folderPath) => {
+    if(!folderPath) return
+    currentModelPath.value = folderPath
+  })
+}
+
 watch(changeSignal, (val) => {
   if(val == true) {
     cancelChange();
     engineControl.changeSignal = false;
   }
 })
+
+watch(currentEngine, (val) => {
+  if(val == 'vosk'){
+    currentSourceLang.value = 'auto'
+    currentTargetLang.value = ''
+  }
+  else if(val == 'gummy'){
+    currentSourceLang.value = 'auto'
+    currentTargetLang.value = useGeneralSettingStore().uiLanguage
+  }
+})
 </script>
 
 <style scoped>
 @import url(../assets/input.css);
 
+.label-hover-info {
+  margin-top: 10px;
+  max-width: min(36vw, 380px);
+}
+
+.info-label {
+  color: #1677ff;
+  cursor: pointer;
+}
+
+.input-folder {
+  display:inline-block;
+  width: 40px;
+  font-size:1.38em;
+  cursor: pointer;
+  transition: all 0.25s;
+}
+
+.input-folder>span {
+  padding: 0 2px;
+  border: 2px solid #1677ff;
+  color: #1677ff;
+  border-radius: 30%;
+}
+
+.input-folder:hover {
+  transform: scale(1.1);
+}
+
 .customize-note {
   padding: 10px 10px 0;
   color: red;

src/renderer/src/components/EngineStatus.vue

@@ -4,15 +4,49 @@
       <a-col :span="6">
         <a-statistic
           :title="$t('status.engine')"
-          :value="(customized && customizedApp)?$t('status.customized'):engine"
-        />
-      </a-col>
-      <a-col :span="6">
-        <a-statistic
-          :title="$t('status.status')"
-          :value="engineEnabled?$t('status.started'):$t('status.stopped')"
+          :value="customized?$t('status.customized'):engine"
         />
       </a-col>
+      <a-popover :title="$t('status.engineStatus')">
+        <template #content>
+          <a-row class="engine-status">
+            <a-col :flex="1" :title="$t('status.pid')" style="cursor:pointer;">
+              <div class="engine-status-title">pid</div>
+              <div>{{ pid }}</div>
+            </a-col>
+            <a-col :flex="1" :title="$t('status.ppid')" style="cursor:pointer;">
+              <div class="engine-status-title">ppid</div>
+              <div>{{ ppid }}</div>
+            </a-col>
+            <a-col :flex="1" :title="$t('status.port')" style="cursor:pointer;">
+              <div class="engine-status-title">port</div>
+              <div>{{ port }}</div>
+            </a-col>
+            <a-col :flex="1" :title="$t('status.cpu')" style="cursor:pointer;">
+              <div class="engine-status-title">cpu</div>
+              <div>{{ cpu.toFixed(1) }}%</div>
+            </a-col>
+            <a-col :flex="1" :title="$t('status.mem')" style="cursor:pointer;">
+              <div class="engine-status-title">mem</div>
+              <div>{{ (mem/1024/1024).toFixed(2) }}MB</div>
+            </a-col>
+            <a-col :flex="1" :title="$t('status.elapsed')" style="cursor:pointer;">
+              <div class="engine-status-title">elapsed</div>
+              <div>{{ (elapsed/1000).toFixed(0) }}s</div>
+            </a-col>
+          </a-row>
+        </template>
+        <a-col :span="6" @mouseenter="getEngineInfo" style="cursor: pointer;">
+          <a-statistic
+            :title="$t('status.status')"
+            :value="engineEnabled?$t('status.started'):$t('status.stopped')"
+          >
+            <template #suffix v-if="engineEnabled">
+              <InfoCircleOutlined style="font-size:18px;color:#1677ff"/>
+            </template>
+          </a-statistic>
+        </a-col>
+      </a-popover>
       <a-col :span="6">
         <a-statistic :title="$t('status.logNumber')" :value="captionData.length" />
       </a-col>
@@ -31,12 +65,14 @@
     >{{ $t('status.openCaption') }}</a-button>
     <a-button
       class="control-button"
-      :disabled="engineEnabled"
+      :loading="pending && !engineEnabled"
+      :disabled="pending || engineEnabled"
       @click="startEngine"
     >{{ $t('status.startEngine') }}</a-button>
     <a-button
      danger class="control-button"
-     :disabled="!engineEnabled"
+     :loading="pending && engineEnabled"
+     :disabled="pending || !engineEnabled"
      @click="stopEngine"
     >{{ $t('status.stopEngine') }}</a-button>
   </div>
@@ -47,7 +83,7 @@
       <p class="about-desc">{{ $t('status.about.desc') }}</p>
       <a-divider />
       <div class="about-info">
-        <p><b>{{ $t('status.about.version') }}</b><a-tag color="green">v0.2.0</a-tag></p>
+        <p><b>{{ $t('status.about.version') }}</b><a-tag color="green">v0.6.0</a-tag></p>
         <p>
           <b>{{ $t('status.about.author') }}</b>
           <a
@@ -88,33 +124,80 @@
 </template>
 
 <script setup lang="ts">
-import { ref } from 'vue'
+import { EngineInfo } from '@renderer/types'
+import { ref, watch } from 'vue'
 import { storeToRefs } from 'pinia'
 import { useCaptionLogStore } from '@renderer/stores/captionLog'
 import { useEngineControlStore } from '@renderer/stores/engineControl'
-import { GithubOutlined } from '@ant-design/icons-vue';
+import { GithubOutlined, InfoCircleOutlined } from '@ant-design/icons-vue';
 
 const showAbout = ref(false)
+const pending = ref(false)
 
 const captionLog = useCaptionLogStore()
 const { captionData } = storeToRefs(captionLog)
 const engineControl = useEngineControlStore()
-const { engineEnabled, engine, customized, customizedApp } = storeToRefs(engineControl)
+const { engineEnabled, engine, customized, errorSignal } = storeToRefs(engineControl)
+
+const pid = ref(0)
+const ppid = ref(0)
+const port = ref(0)
+const cpu = ref(0)
+const mem = ref(0)
+const elapsed = ref(0)
 
 function openCaptionWindow() {
   window.electron.ipcRenderer.send('control.captionWindow.activate')
 }
 
 function startEngine() {
+  pending.value = true
+  if(engineControl.engine === 'vosk' && engineControl.modelPath.trim() === '') {
+    engineControl.emptyModelPathErr()
+    return
+  }
   window.electron.ipcRenderer.send('control.engine.start')
 }
 
 function stopEngine() {
+  pending.value = true
   window.electron.ipcRenderer.send('control.engine.stop')
 }
+
+function getEngineInfo() {
+  window.electron.ipcRenderer.invoke('control.engine.info').then((data: EngineInfo) => {
+    pid.value = data.pid
+    ppid.value = data.ppid
+    port.value = data.port
+    cpu.value = data.cpu
+    mem.value = data.mem
+    elapsed.value = data.elapsed
+  })
+}
+
+watch(engineEnabled, () => {
+  pending.value = false
+})
+
+watch(errorSignal, () => {
+  pending.value = false
+  errorSignal.value = false
+})
 </script>
 
 <style scoped>
+.engine-status {
+  width: max(420px, 36vw);
+  display: flex;
+  align-items: center;
+  padding: 5px 10px;
+}
+
+.engine-status-title {
+  font-size: 12px;
+  color: var(--tag-color);
+}
+
 .about-tag {
   color: var(--tag-color);
   margin-bottom: 16px;

src/renderer/src/i18n/config/engine.ts

@@ -16,6 +16,13 @@ export const engines = {
         { value: 'it', label: '意大利语' },
       ]
     },
+    {
+      value: 'vosk',
+      label: '本地 -  Vosk',
+      languages: [
+        { value: 'auto', label: '需要自行配置模型' },
+      ]
+    }
   ],
   en: [
     {
@@ -34,6 +41,13 @@ export const engines = {
         { value: 'it', label: 'Italian' },
       ]
     },
+    {
+      value: 'vosk',
+      label: 'Local - Vosk',
+      languages: [
+        { value: 'auto', label: 'Model needs to be configured manually' },
+      ]
+    }
   ],
   ja: [
     {
@@ -52,6 +66,13 @@ export const engines = {
         { value: 'it', label: 'イタリア語' },
       ]
     },
+    {
+      value: 'vosk',
+      label: 'ローカル - Vosk',
+      languages: [
+        { value: 'auto', label: 'モデルを手動で設定する必要があります' },
+      ]
+    }
   ]
 }
 

src/renderer/src/i18n/lang/en.ts

@@ -17,9 +17,13 @@ export default {
     "custom": "Type: Custom engine, engine path: ",
     "args": ", command arguments: ",
     "pidInfo": ", caption engine process PID: ",
+    "empty": "Model Path is Empty",
+    "emptyInfo": "The Vosk model path is empty. Please set the Vosk model path in the additional settings of the subtitle engine settings.",
     "stopped": "Caption Engine Stopped",
     "stoppedInfo": "The caption engine has stopped. You can click the 'Start Caption Engine' button to restart it.",
     "error": "An error occurred",
+    "engineError": "The subtitle engine encountered an error and requested a forced exit.",
+    "socketError": "The Socket connection between the main program and the caption engine failed",
     "engineChange": "Cpation Engine Configuration Changed",
     "changeInfo": "If the caption engine is already running, you need to restart it for the changes to take effect.",
     "styleChange": "Caption Style Changed",
@@ -48,6 +52,9 @@ export default {
     "enableTranslation": "Translation",
     "showMore": "More Settings",
     "apikey": "API KEY",
+    "modelPath": "Model Path",
+    "apikeyInfo": "API KEY required for the Gummy subtitle engine, which needs to be obtained from the Alibaba Cloud Bailing platform. For more details, see the project user manual.",
+    "modelPathInfo": "The folder path of the model required by the Vosk subtitle engine. You need to download the required model to your local machine in advance. For more details, see the project user manual.",
     "customEngine": "Custom Engine",
     custom: {
       "title": "Custom Caption Engine",
@@ -66,6 +73,7 @@ export default {
     "fontFamily": "Font Family",
     "fontColor": "Font Color",
     "fontSize": "Font Size",
+    "fontWeight": "Font Weight",
     "background": "Background",
     "opacity": "Opacity",
     "preview": "Preview",
@@ -73,10 +81,25 @@ export default {
     trans: {
       "title": "Translation Style Settings",
       "useSame": "Use Original Style"
+    },
+    "textShadow": "Text Shadow",
+    shadow: {
+      "title": "Text Shadow Settings",
+      "offsetX": "Offset X",
+      "offsetY": "Offset Y",
+      "blur": "Blur",
+      "color": "Color"
     }
   },
   status: {
     "engine": "Caption Engine",
+    "engineStatus": "Caption Engine Status",
+    "pid": "Process ID",
+    "ppid": "Parent Process ID",
+    "cpu": "CPU Usage",
+    "port": "Socket Port Number",
+    "mem": "Memory Usage",
+    "elapsed": "Running Time",
     "customized": "Customized",
     "status": "Engine Status",
     "started": "Started",
@@ -96,21 +119,30 @@ export default {
       "projLink": "Project Link",
       "manual": "User Manual",
       "engineDoc": "Caption Engine Manual",
-      "date": "July 5, 2026"
+      "date": "July 30, 2025"
     }
   },
   log: {
     "title": "Caption Log",
-    "copy": "Copy to Clipboard",
+    "changeTime": "Modify Time",
+    "baseTime": "First Caption Start Time",
+    "hour": "Hour",
+    "min": "Minute",
+    "sec": "Second",
+    "ms": "Millisecond",
+    "export": "Export Log",
+    "copy": "Copy Log",
+    "exportOptions": "Export Options",
+    "exportFormat": "Format",
+    "exportContent": "Content",
     "copyOptions": "Copy Options",
     "addIndex": "Add Index",
     "copyTime": "Copy Time",
     "copyContent": "Content",
-    "both": "Original and Translation",
-    "source": "Original Only",
-    "translation": "Translation Only",
+    "both": "Both",
+    "source": "Original",
+    "translation": "Translation",
     "copySuccess": "Subtitle copied to clipboard",
-    "export": "Export Caption Log",
-    "clear": "Clear Caption Log"
+    "clear": "Clear Log"
   }
 }

src/renderer/src/i18n/lang/ja.ts

@@ -17,9 +17,13 @@ export default {
     "custom": "タイプ：カスタムエンジン、エンジンパス：",
     "args": "、コマンド引数：",
     "pidInfo": "、字幕エンジンプロセス PID：",
+    "empty": "モデルパスが空です",
+    "emptyInfo": "Vosk モデルのパスが空です。字幕エンジン設定の追加設定で Vosk モデルのパスを設定してください。",
     "stopped": "字幕エンジンが停止しました",
     "stoppedInfo": "字幕エンジンが停止しました。再起動するには「字幕エンジンを開始」ボタンをクリックしてください。",
     "error": "エラーが発生しました",
+    "engineError": "字幕エンジンにエラーが発生し、強制終了が要求されました。",
+    "socketError": "メインプログラムと字幕エンジンの Socket 接続に失敗しました",
     "engineChange": "字幕エンジンの設定が変更されました",
     "changeInfo": "字幕エンジンがすでに起動している場合、変更を有効にするには再起動が必要です。",
     "styleChange": "字幕のスタイルが変更されました",
@@ -48,6 +52,9 @@ export default {
     "enableTranslation": "翻訳",
     "showMore": "詳細設定",
     "apikey": "API KEY",
+    "modelPath": "モデルパス",
+    "apikeyInfo": "Gummy 字幕エンジンに必要な API KEY は、アリババクラウド百煉プラットフォームから取得する必要があります。詳細情報はプロジェクトのユーザーマニュアルをご覧ください。",
+    "modelPathInfo": "Vosk 字幕エンジンに必要なモデルのフォルダパスです。必要なモデルを事前にローカルマシンにダウンロードする必要があります。詳細情報はプロジェクトのユーザーマニュアルをご覧ください。",
     "customEngine": "カスタムエンジン",
     custom: {
       "title": "カスタムキャプションエンジン",
@@ -66,6 +73,7 @@ export default {
     "fontFamily": "フォント",
     "fontColor": "カラー",
     "fontSize": "サイズ",
+    "fontWeight": "文字の太さ",
     "background": "背景色",
     "opacity": "不透明度",
     "preview": "プレビュー",
@@ -73,10 +81,25 @@ export default {
     trans: {
       "title": "翻訳スタイル設定",
       "useSame": "原文のスタイルを使用"
+    },
+    "textShadow": "文字影",
+    shadow: {
+      "title": "テキストの影設定",
+      "offsetX": "Offset X",
+      "offsetY": "Offset Y",
+      "blur": "ぼかし半径",
+      "color": "影の色"
     }
   },
   status: {
     "engine": "字幕エンジン",
+    "engineStatus": "字幕エンジンの状態",
+    "pid": "プロセス ID",
+    "ppid": "親プロセス ID",
+    "port": "Socket ポート番号",
+    "cpu": "CPU 使用率",
+    "mem": "メモリ使用量",
+    "elapsed": "稼働時間",
     "customized": "カスタマイズ済み",
     "status": "エンジン状態",
     "started": "開始済み",
@@ -96,21 +119,30 @@ export default {
       "projLink": "プロジェクトリンク",
       "manual": "ユーザーマニュアル",
       "engineDoc": "字幕エンジンマニュアル",
-      "date": "2025 年 7 月 5 日"
+      "date": "2025 年 7 月 30 日"
     }
   },
   log: {
     "title": "字幕ログ",
-    "copy": "クリップボードにコピー",
+    "changeTime": "時間を変更",
+    "baseTime": "最初の字幕開始時間",
+    "hour": "時",
+    "min": "分",
+    "sec": "秒",
+    "ms": "ミリ秒",
+    "export": "エクスポート",
+    "copy": "ログをコピー",
+    "exportOptions": "エクスポートオプション",
+    "exportFormat": "形式",
+    "exportContent": "内容",
     "copyOptions": "コピー設定",
     "addIndex": "順序番号",
     "copyTime": "時間",
     "copyContent": "内容",
-    "both": "原文と翻訳",
-    "source": "原文のみ",
-    "translation": "翻訳のみ",
+    "both": "すべて",
+    "source": "原文",
+    "translation": "翻訳",
     "copySuccess": "字幕がクリップボードにコピーされました",
-    "export": "エクスポート",
-    "clear": "字幕ログをクリア"
+    "clear": "ログをクリア"
   }
 }

src/renderer/src/i18n/lang/zh.ts

@@ -17,9 +17,13 @@ export default {
     "custom": "类型：自定义引擎，引擎路径：",
     "args": "，命令参数：",
     "pidInfo": "，字幕引擎进程 PID：",
+    "empty": "模型路径为空",
+    "emptyInfo": "Vosk 模型模型路径为空，请在字幕引擎设置的更多设置中设置 Vosk 模型的路径。",
     "stopped": "字幕引擎停止",
     "stoppedInfo": "字幕引擎已经停止，可点击“启动字幕引擎”按钮重新启动",
     "error": "发生错误",
+    "engineError": "字幕引擎发生错误并请求强制退出",
+    "socketError": "主程序与字幕引擎的 Socket 连接未成功",
     "engineChange": "字幕引擎配置已更改",
     "changeInfo": "如果字幕引擎已经启动，需要重启字幕引擎修改才会生效",
     "styleChange": "字幕样式已修改",
@@ -48,6 +52,9 @@ export default {
     "enableTranslation": "启用翻译",
     "showMore": "更多设置",
     "apikey": "API KEY",
+    "modelPath": "模型路径",
+    "apikeyInfo": "Gummy 字幕引擎需要的 API KEY，需要在阿里云百炼平台获取。详细信息见项目用户手册。",
+    "modelPathInfo": "Vosk 字幕引擎需要的模型的文件夹路径，需要提前下载需要的模型到本地。信息详情见项目用户手册。",
     "customEngine": "自定义引擎",
     custom: {
       "title": "自定义字幕引擎",
@@ -66,6 +73,7 @@ export default {
     "fontFamily": "字体族",
     "fontColor": "字体颜色",
     "fontSize": "字体大小",
+    "fontWeight": "字体粗细",
     "background": "背景颜色",
     "opacity": "不透明度",
     "preview": "显示预览",
@@ -73,10 +81,25 @@ export default {
     trans: {
       "title": "翻译样式设置",
       "useSame": "使用原文样式"
+    },
+    "textShadow": "文本阴影",
+    shadow: {
+      "title": "文本阴影设置",
+      "offsetX": "X轴偏移",
+      "offsetY": "Y轴偏移",
+      "blur": "模糊半径",
+      "color": "阴影颜色"
     }
   },
   status: {
     "engine": "字幕引擎",
+    "engineStatus": "字幕引擎状态",
+    "pid": "进程ID",
+    "ppid": "父进程ID",
+    "port": "Socket 端口号",
+    "cpu": "CPU使用率",
+    "mem": "内存使用量",
+    "elapsed": "运行时间",
     "customized": "自定义",
     "status": "引擎状态",
     "started": "已启动",
@@ -96,21 +119,30 @@ export default {
       "projLink": "项目链接",
       "manual": "用户手册",
       "engineDoc": "字幕引擎手册",
-      "date": "2025 年 7 月 5 日"
+      "date": "2025 年 7 月 30 日"
     }
   },
   log: {
     "title": "字幕记录",
-    "export": "导出字幕记录",
-    "copy": "复制到剪贴板",
+    "changeTime": "修改时间",
+    "baseTime": "首条字幕起始时间",
+    "hour": "时",
+    "min": "分",
+    "sec": "秒",
+    "ms": "毫秒",
+    "export": "导出字幕",
+    "copy": "复制内容",
+    "exportOptions": "导出选项",
+    "exportFormat": "导出格式",
+    "exportContent": "导出内容",
     "copyOptions": "复制选项",
     "addIndex": "添加序号",
     "copyTime": "复制时间",
     "copyContent": "复制内容",
-    "both": "原文与翻译",
-    "source": "仅原文",
-    "translation": "仅翻译",
+    "both": "全部",
+    "source": "原文",
+    "translation": "翻译",
     "copySuccess": "字幕已复制到剪贴板",
-    "clear": "清空字幕记录"
+    "clear": "清空记录"
   }
 }

src/renderer/src/stores/captionStyle.ts

@@ -8,6 +8,7 @@ export const useCaptionStyleStore = defineStore('captionStyle', () => {
   const fontFamily = ref<string>('sans-serif')
   const fontSize = ref<number>(24)
   const fontColor = ref<string>('#000000')
+  const fontWeight = ref<number>(4)
   const background = ref<string>('#dbe2ef')
   const opacity = ref<number>(80)
   const showPreview = ref<boolean>(true)
@@ -15,6 +16,12 @@ export const useCaptionStyleStore = defineStore('captionStyle', () => {
   const transFontFamily = ref<string>('sans-serif')
   const transFontSize = ref<number>(24)
   const transFontColor = ref<string>('#000000')
+  const transFontWeight = ref<number>(4)
+  const textShadow = ref<boolean>(false)
+  const offsetX = ref<number>(2)
+  const offsetY = ref<number>(2)
+  const blur = ref<number>(0)
+  const textShadowColor = ref<string>('#ffffff')
 
   const iBreakOptions = ref(breakOptions['zh'])
   const changeSignal = ref<boolean>(false)
@@ -35,13 +42,20 @@ export const useCaptionStyleStore = defineStore('captionStyle', () => {
       fontFamily: fontFamily.value,
       fontSize: fontSize.value,
       fontColor: fontColor.value,
+      fontWeight: fontWeight.value,
       background: background.value,
       opacity: opacity.value,
       showPreview: showPreview.value,
       transDisplay: transDisplay.value,
       transFontFamily: transFontFamily.value,
       transFontSize: transFontSize.value,
-      transFontColor: transFontColor.value
+      transFontColor: transFontColor.value,
+      transFontWeight: transFontWeight.value,
+      textShadow: textShadow.value,
+      offsetX: offsetX.value,
+      offsetY: offsetY.value,
+      blur: blur.value,
+      textShadowColor: textShadowColor.value
     }
     window.electron.ipcRenderer.send('control.styles.change', styles)
   }
@@ -55,13 +69,20 @@ export const useCaptionStyleStore = defineStore('captionStyle', () => {
     fontFamily.value = args.fontFamily
     fontSize.value = args.fontSize
     fontColor.value = args.fontColor
+    fontWeight.value = args.fontWeight
     background.value = args.background
     opacity.value = args.opacity
     showPreview.value = args.showPreview
     transDisplay.value = args.transDisplay
     transFontFamily.value = args.transFontFamily
     transFontSize.value = args.transFontSize
-    transFontColor.value = args.transFontColor
+    transFontColor.value = args.transFontColor,
+    transFontWeight.value = args.transFontWeight
+    textShadow.value = args.textShadow
+    offsetX.value = args.offsetX
+    offsetY.value = args.offsetY
+    blur.value = args.blur
+    textShadowColor.value = args.textShadowColor
     changeSignal.value = true
   }
 
@@ -74,6 +95,7 @@ export const useCaptionStyleStore = defineStore('captionStyle', () => {
     fontFamily,         // 字体族
     fontSize,           // 字体大小
     fontColor,          // 字体颜色
+    fontWeight,         // 字体粗细
     background,         // 背景颜色
     opacity,            // 背景透明度
     showPreview,        // 是否显示预览
@@ -81,6 +103,12 @@ export const useCaptionStyleStore = defineStore('captionStyle', () => {
     transFontFamily,    // 翻译字体族
     transFontSize,      // 翻译字体大小
     transFontColor,     // 翻译字体颜色
+    transFontWeight,    // 翻译字体粗细
+    textShadow,         // 是否显示文本阴影
+    offsetX,            // 阴影X轴偏移
+    offsetY,            // 阴影Y轴偏移
+    blur,               // 阴影模糊度半径
+    textShadowColor,    // 阴影颜色
     backgroundRGBA,     // 带透明度的背景颜色
     setStyles,          // 设置样式
     sendStylesChange,   // 发送样式改变

src/renderer/src/stores/engineControl.ts

@@ -1,4 +1,4 @@
-import { ref, watch } from 'vue'
+import { ref } from 'vue'
 import { defineStore } from 'pinia'
 
 import { notification } from 'ant-design-vue'
@@ -16,18 +16,20 @@ export const useEngineControlStore = defineStore('engineControl', () => {
 
   const captionEngine = ref(engines[useGeneralSettingStore().uiLanguage])
   const audioType = ref(audioTypes[useGeneralSettingStore().uiLanguage])
-  const API_KEY = ref<string>('')
   const engineEnabled = ref(false)
   const sourceLang = ref<string>('en')
   const targetLang = ref<string>('zh')
-  const engine = ref<'gummy'>('gummy')
+  const engine = ref<string>('gummy')
   const audio = ref<0 | 1>(0)
   const translation = ref<boolean>(true)
+  const API_KEY = ref<string>('')
+  const modelPath = ref<string>('')
   const customized = ref<boolean>(false)
   const customizedApp = ref<string>('')
   const customizedCommand = ref<string>('')
 
   const changeSignal = ref<boolean>(false)
+  const errorSignal = ref<boolean>(false)
 
   function sendControlsChange() {
     const controls: Controls = {
@@ -38,6 +40,7 @@ export const useEngineControlStore = defineStore('engineControl', () => {
       audio: audio.value,
       translation: translation.value,
       API_KEY: API_KEY.value,
+      modelPath: modelPath.value,
       customized: customized.value,
       customizedApp: customizedApp.value,
       customizedCommand: customizedCommand.value
@@ -45,7 +48,22 @@ export const useEngineControlStore = defineStore('engineControl', () => {
     window.electron.ipcRenderer.send('control.controls.change', controls)
   }
 
-  function setControls(controls: Controls) {
+  function setControls(controls: Controls, set = false) {
+    if(set && !engineEnabled.value && !controls.engineEnabled) {
+      errorSignal.value = true
+      notification.open({
+        message: t('noti.error'),
+        description: t("noti.engineError"),
+        duration: null,
+        icon: () => h(ExclamationCircleOutlined, { style: 'color: #ff4d4f' })
+      });
+      notification.open({
+        message: t('noti.error'),
+        description: t("noti.socketError"),
+        duration: null,
+        icon: () => h(ExclamationCircleOutlined, { style: 'color: #ff4d4f' })
+      });
+    }
     sourceLang.value = controls.sourceLang
     targetLang.value = controls.targetLang
     engine.value = controls.engine
@@ -53,14 +71,23 @@ export const useEngineControlStore = defineStore('engineControl', () => {
     engineEnabled.value = controls.engineEnabled
     translation.value = controls.translation
     API_KEY.value = controls.API_KEY
+    modelPath.value = controls.modelPath
     customized.value = controls.customized
     customizedApp.value = controls.customizedApp
     customizedCommand.value = controls.customizedCommand
     changeSignal.value = true
   }
 
+  function emptyModelPathErr() {
+    notification.open({
+      placement: 'topLeft',
+      message: t('noti.empty'),
+      description: t('noti.emptyInfo')
+    });
+  }
+
   window.electron.ipcRenderer.on('control.controls.set', (_, controls: Controls) => {
-    setControls(controls)
+    setControls(controls, true)
   })
 
   window.electron.ipcRenderer.on('control.engine.started', (_, args) => {
@@ -70,15 +97,17 @@ export const useEngineControlStore = defineStore('engineControl', () => {
       (translation.value ? `${t('noti.tLang')}${targetLang.value}` : '');
     const str1 = `${t('noti.custom')}${customizedApp.value}${t('noti.args')}${customizedCommand.value}`;
     notification.open({
+      placement: 'topLeft',
       message: t('noti.started'),
       description:
-        ((customized.value && customizedApp.value) ? str1 : str0) +
+        (customized.value ? str1 : str0) +
         `${t('noti.pidInfo')}${args}`
     });
   })
 
   window.electron.ipcRenderer.on('control.engine.stopped', () => {
     notification.open({
+      placement: 'topLeft',
       message: t('noti.stopped'),
       description: t('noti.stoppedInfo')
     });
@@ -89,20 +118,13 @@ export const useEngineControlStore = defineStore('engineControl', () => {
       message: t('noti.error'),
       description: message,
       duration: null,
-      placement: 'topLeft',
       icon: () => h(ExclamationCircleOutlined, { style: 'color: #ff4d4f' })
     });
   })
 
-  watch(platform, (newValue) => {
-    if(newValue !== 'win32' && newValue !== 'darwin') {
-      audio.value = 1
-    }
-  })
-
   return {
     platform,           // 系统平台
-    captionEngine,      // 字幕引擎
+    captionEngine,      // 字幕引擎列表
     audioType,          // 音频类型
     engineEnabled,      // 字幕引擎是否启用
     sourceLang,         // 源语言
@@ -111,11 +133,14 @@ export const useEngineControlStore = defineStore('engineControl', () => {
     audio,              // 选择音频
     translation,        // 是否启用翻译
     API_KEY,            // API KEY
+    modelPath,          // vosk 模型路径
     customized,         // 是否使用自定义字幕引擎
     customizedApp,      // 自定义字幕引擎的应用程序
     customizedCommand,  // 自定义字幕引擎的命令
     setControls,        // 设置引擎配置
     sendControlsChange, // 发送最新控制消息到后端
+    emptyModelPathErr,  // 模型路径为空时显示警告
     changeSignal,       // 配置改变信号
+    errorSignal,        // 错误信号
   }
 })

src/renderer/src/stores/generalSetting.ts

@@ -14,6 +14,11 @@ export const useGeneralSettingStore = defineStore('generalSetting', () => {
 
   const antdTheme = ref<Object>(antDesignTheme['light'])
 
+  window.electron.ipcRenderer.invoke('control.nativeTheme.get').then((theme) => {
+    if(theme === 'light') setLightTheme()
+    else if(theme === 'dark') setDarkTheme()
+  })
+
   watch(uiLanguage, (newValue) => {
     i18n.global.locale.value = newValue
     useEngineControlStore().captionEngine = engines[newValue]

src/renderer/src/types/index.ts

@@ -6,10 +6,11 @@ export interface Controls {
   engineEnabled: boolean,
   sourceLang: string,
   targetLang: string,
-  engine: 'gummy',
+  engine: string,
   audio: 0 | 1,
   translation: boolean,
   API_KEY: string,
+  modelPath: string,
   customized: boolean,
   customizedApp: string,
   customizedCommand: string
@@ -20,13 +21,20 @@ export interface Styles {
   fontFamily: string,
   fontSize: number,
   fontColor: string,
+  fontWeight: number,
   background: string,
   opacity: number,
   showPreview: boolean,
   transDisplay: boolean,
   transFontFamily: string,
   transFontSize: number,
-  transFontColor: string
+  transFontColor: string,
+  transFontWeight: number,
+  textShadow: boolean,
+  offsetX: number,
+  offsetY: number,
+  blur: number,
+  textShadowColor: string
 }
 
 export interface CaptionItem {
@@ -46,3 +54,12 @@ export interface FullConfig {
   controls: Controls,
   captionLog: CaptionItem[]
 }
+
+export interface EngineInfo {
+  pid: number,
+  ppid: number,
+  port:number,
+  cpu: number,
+  mem: number,
+  elapsed: number
+}

src/renderer/src/utils/timeCalc.ts

@@ -0,0 +1,42 @@
+export interface Time {
+  hh: number;
+  mm: number;
+  ss: number;
+  ms: number;
+}
+
+export function getTimeFromStr(time: string): Time {
+  const arr = time.split(":");
+  const hh = parseInt(arr[0]);
+  const mm = parseInt(arr[1]);
+  const ss = parseInt(arr[2].split(".")[0]);
+  const ms = parseInt(arr[2].split(".")[1]);
+  return { hh, mm, ss, ms };
+}
+
+export function getStrFromTime(time: Time): string {
+  return `${time.hh}:${time.mm}:${time.ss}.${time.ms}`;
+}
+
+export function getMsFromTime(time: Time): number {
+  return (
+    time.hh * 3600000 +
+    time.mm * 60000 +
+    time.ss * 1000 +
+    time.ms
+  );
+}
+
+export function getTimeFromMs(milliseconds: number): Time {
+  const hh = Math.floor(milliseconds / 3600000);
+  const mm = Math.floor((milliseconds % 3600000) / 60000);
+  const ss = Math.floor((milliseconds % 60000) / 1000);
+  const ms = milliseconds % 1000;
+  return { hh, mm, ss, ms };
+}
+
+export function getNewTimeStr(timeStr: string, Ms: number): string {
+  const timeMs = getMsFromTime(getTimeFromStr(timeStr));
+  const newTimeMs = timeMs + Ms;
+  return getStrFromTime(getTimeFromMs(newTimeMs));
+}

src/renderer/src/views/CaptionPage.vue

@@ -1,29 +1,22 @@
 <template>
   <div
-  class="caption-page"
-  ref="caption"
-  :style="{
-    backgroundColor: captionStyle.backgroundRGBA
-  }"
+    class="caption-page"
+    ref="caption"
+    :style="{
+      backgroundColor: captionStyle.backgroundRGBA
+    }"
   >
-    <div class="title-bar">
-      <div class="drag-area">&nbsp;</div>
-      <div class="option-item" @click="pinCaptionWindow">
-        <PushpinFilled v-if="pinned" />
-        <PushpinOutlined v-else />
-      </div>
-      <div class="option-item" @click="openControlWindow">
-        <SettingOutlined />
-      </div>
-      <div class="option-item" @click="closeCaptionWindow">
-        <CloseOutlined />
-      </div>
-    </div>
-    <div class="caption-container">
+    <div
+      class="caption-container"
+      :style="{
+        textShadow: captionStyle.textShadow ? `${captionStyle.offsetX}px ${captionStyle.offsetY}px ${captionStyle.blur}px ${captionStyle.textShadowColor}` : 'none'
+      }"
+    >
       <p :class="[captionStyle.lineBreak?'':'left-ellipsis']" :style="{
         fontFamily: captionStyle.fontFamily,
         fontSize: captionStyle.fontSize + 'px',
-        color: captionStyle.fontColor
+        color: captionStyle.fontColor,
+        fontWeight: captionStyle.fontWeight * 100
       }">
         <span v-if="captionData.length">{{ captionData[captionData.length-1].text }}</span>
         <span v-else>{{ $t('example.original') }}</span>
@@ -33,12 +26,27 @@
         :style="{
         fontFamily: captionStyle.transFontFamily,
         fontSize: captionStyle.transFontSize + 'px',
-        color: captionStyle.transFontColor
+        color: captionStyle.transFontColor,
+        fontWeight: captionStyle.transFontWeight * 100
       }">
         <span v-if="captionData.length">{{ captionData[captionData.length-1].translation }}</span>
         <span v-else>{{ $t('example.translation') }}</span>
       </p>
     </div>
+
+    <div class="title-bar" :style="{color: captionStyle.fontColor}">
+      <div class="option-item" @click="closeCaptionWindow">
+        <CloseOutlined />
+      </div>
+      <div class="option-item" @click="openControlWindow">
+        <SettingOutlined />
+      </div>
+      <div class="option-item" @click="pinCaptionWindow">
+        <PushpinFilled v-if="pinned" />
+        <PushpinOutlined v-else />
+      </div>
+      <div class="drag-area"></div>
+    </div>
   </div>
 </template>
 
@@ -90,38 +98,21 @@ function closeCaptionWindow() {
   border-radius: 8px;
   box-sizing: border-box;
   border: 1px solid #3333;
-}
-
-.title-bar {
   display: flex;
-  align-items: center;
-}
-
-.drag-area {
-  padding: 5px;
-  flex-grow: 1;
-  -webkit-app-region: drag;
-}
-
-.option-item {
-  display: inline-block;
-  padding: 5px 10px;
-  cursor: pointer;
-}
-
-.option-item:hover {
-  background-color: #2221;
 }
 
 .caption-container {
+  display: inline-block;
+  width: calc(100% - 32px);
   -webkit-app-region: drag;
+  padding-top: 10px;
+  padding-bottom: 10px;
 }
 
 .caption-container p {
   text-align: center;
   margin: 0;
-  line-height: 1.5em;
-  padding: 0 10px 10px 10px;
+  line-height: 1.6em;
 }
 
 .left-ellipsis {
@@ -135,4 +126,30 @@ function closeCaptionWindow() {
   direction: ltr;
   display: inline-block;
 }
+
+.title-bar {
+  width: 32px;
+  display: flex;
+  flex-direction: column;
+  vertical-align: top;
+}
+
+.option-item {
+  width: 32px;
+  height: 32px;
+  display: flex;
+  justify-content: center;
+  align-items: center;
+  cursor: pointer;
+}
+
+.option-item:hover {
+  background-color: #2221;
+}
+
+.drag-area {
+  display: inline-flex;
+  flex-grow: 1;
+  -webkit-app-region: drag;
+}
 </style>

src/renderer/src/views/ControlPage.vue

@@ -36,7 +36,6 @@ const { leftBarWidth, antdTheme } = storeToRefs(generalSettingStore)
   background-color: var(--control-background);
 }
 
-
 .caption-control {
   height: 100vh;
   border-right: 1px solid var(--tag-color);