docs(readme): 更新说明并添加终端使用指南

- 在 CaptionStyle 组件中添加字幕行数设置选项
- 修改组件以支持多行字幕显示
- 优化字幕数据处理逻辑，支持按时间顺序显示多条字幕

.editorconfig

@@ -6,4 +6,10 @@ indent_style = space
 indent_size = 2
 end_of_line = lf
 insert_final_newline = true
-trim_trailing_whitespace = true
+trim_trailing_whitespace = true
+
+[*.py]
+indent_size = 4
+
+[*.ipynb]
+indent_size = 4

.gitignore

@@ -5,5 +5,10 @@ out
 .eslintcache
 *.log*
 __pycache__
-subenv
-python-subprocess/build
+.venv
+test.py
+engine/build
+engine/models
+engine/notebook
+.repomap
+.virtualme

.vscode/settings.json

@@ -7,5 +7,8 @@
   },
   "[json]": {
     "editor.defaultFormatter": "esbenp.prettier-vscode"
-  }
+  },
+  "python.analysis.extraPaths": [
+    "./engine"
+  ]
 }

CHANGELOG.md

@@ -1,22 +0,0 @@
-## v0.0.1
-
-2025-06-22
-
-发布第一版软件。
-
-## v0.1.0
-
-2025-06-26
-
-### 新增功能
-
-- 添加错误通知
-- 添加默认引擎的环境变量检查
-- 添加配置数据文件保存和载入
-- 添加字幕样式恢复默认的选项
-- 添加项目关于信息
-
-### 新增文档
-
-- 添加用户说明文档
-- 添加字幕引擎说明文档

README.md

@@ -1,43 +1,186 @@
 <div align="center" >
-    <img src="./resources/icon.png" width="100px" height="100px"/>
+    <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>
-        | <b>简体中文</b>
-        | <a href="https://github.com/HiMeditator/auto-caption/blob/main/README_en.md">English</a> |
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.0.0-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>v1.0.0 版本已经发布，新增 SOSV 本地字幕模型。当前功能已经基本完整，暂无继续开发计划...</i></p>
 </div>
 
-![](./assets/media/main.png)
+![](./assets/media/main_zh.png)
 
 ## 📥 下载
 
-[GitHub Releases](https://github.com/HiMeditator/auto-caption/releases)
+软件下载：[GitHub Releases](https://github.com/HiMeditator/auto-caption/releases)
 
-## 📚 用户手册
+Vosk 模型下载：[Vosk Models](https://alphacephei.com/vosk/models)
 
-[Auto Caption 用户手册](./assets/user-manual_zh.md)
+SOSV 模型下载：[ Shepra-ONNX SenseVoice Model](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model)
 
-[字幕引擎说明文档](./assets/engine-manual_zh.md)
+## 📚 相关文档
 
-### 基本使用
+[Auto Caption 用户手册](./docs/user-manual/zh.md)
 
-目前仅提供了 Windows 平台的可安装版本。如果使用默认的 Gummy 字幕引擎，需要获取阿里云百炼平台的 API KEY 并配置到环境变量中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)。
+[字幕引擎说明文档](./docs/engine-manual/zh.md)
+
+[更新日志](./docs/CHANGELOG.md)
 
-对于开发者，可以自己开发新的字幕引擎，自定义字幕引擎的开发请参考[字幕引擎说明文档](./assets/engine-manual_zh.md)。
 ## ✨ 特性
 
-- 丰富的字幕样式设置
-- 灵活的字幕引擎选择
-- 多语言识别与翻译
-- 字幕记录展示与导出
-- 生成音频输出和麦克风输入的字幕
+- 生成音频输出或麦克风输入的字幕
+- 支持调用本地 Ollama 模型或云端 Google 翻译 API 进行翻译
+- 跨平台（Windows、macOS、Linux）、多界面语言（中文、英语、日语）支持
+- 丰富的字幕样式设置（字体、字体大小、字体粗细、字体颜色、背景颜色等）
+- 灵活的字幕引擎选择（阿里云 Gummy 云端模型、本地 Vosk 模型、本地 SOSV 模型、还可以自己开发模型）
+- 多语言识别与翻译（见下文“⚙️ 自带字幕引擎说明”）
+- 字幕记录展示与导出（支持导出 `.srt` 和 `.json` 格式）
 
-说明：Windows 平台支持生成音频输出和麦克风输入的字幕，Linux 平台仅支持生成麦克风输入的字幕。
+## 📖 基本使用
+
+软件已经适配了 Windows、macOS 和 Linux 平台。测试过的主流平台信息如下：
+
+| 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](./docs/user-manual/zh.md#macos-获取系统音频输出)     | ✅                |
+| Ubuntu 24.04.2     | x64        | ✅               | ✅                |
+
+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)。
+
+下载软件后，需要根据自己的需求选择对应的模型，然后配置模型。
+
+|                                                              | 识别效果 | 部署类型          | 支持语言   | 翻译       | 备注                                                       |
+| ------------------------------------------------------------ | -------- | ------------- | ---------- | ---------- | ---------------------------------------------------------- |
+| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | 很好😊    | 云端 / 阿里云 | 10 种      | 自带翻译   | 收费，0.54CNY / 小时                                       |
+| [Vosk](https://alphacephei.com/vosk)                         | 较差😞    | 本地 / CPU    | 超过 30 种 | 需额外配置 | 支持的语言非常多                                           |
+| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | 一般😐    | 本地 / CPU    | 5 种       | 需额外配置 | 仅有一个模型                                               |
+| 自己开发                                                     | 🤔        | 自定义        | 自定义     | 自定义     | 根据[文档](./docs/engine-manual/zh.md)使用 Python 自己开发 |
+
+如果你选择使用 Vosk 或 SOSV 模型，你还需要配置自己的翻译模型。
+
+### 配置翻译模型
+
+![](./assets/media/engine_zh.png)
+
+> 注意：翻译不是实时的，翻译模型只会在每句话识别完成后再调用。
+
+#### Ollama 本地模型
+
+> 注意：使用参数量过大的模型会导致资源消耗和翻译延迟较大。建议使用参数量小于 1B 的模型，比如： `qwen2.5:0.5b`, `qwen3:0.6b`。
+
+使用该模型之前你需要确定本机安装了 [Ollama](https://ollama.com/) 软件，并已经下载了需要的大语言模型。只需要将需要调用的大模型名称添加到设置中的 `Ollama` 字段中。
+
+#### Google 翻译 API
+
+> 注意：Google 翻译 API 在部分地区无法使用。
+
+无需任何配置，联网即可使用。
+
+### 使用 Gummy 模型
+
+> 国际版的阿里云服务似乎并没有提供 Gummy 模型，因此目前非中国用户可能无法使用 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)
+
+### 使用 Vosk 模型
+
+> 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。
+
+![](./assets/media/config_zh.png)
+
+### 使用 SOSV 模型
+
+使用 SOSV 模型的方式和 Vosk 一样，下载地址如下：https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
+
+## ⌨️ 在终端中使用
+
+软件采用模块化设计，可用分为软件主体和字幕引擎两部分，软件主体通过图形界面调用字幕引擎。核心的音频获取和音频识别功能都在字幕引擎中实现，而字幕引擎是可用脱离软件主体单独使用的。
+
+字幕引擎使用 Python 开发，通过 PyInstaller 打包为可执行文件。因此字幕引擎有两种使用方式：
+
+1. 使用项目字幕引擎部分的源代码，使用安装了对应库的 Python 环境进行运行
+2. 使用打包好的字幕引擎的可执行文件，通过终端运行
+
+运行参数和详细使用介绍请参考[用户手册](./docs/user-manual/zh.md#单独使用字幕引擎)。
+
+```bash
+python main.py \
+-e gummy \
+-k sk-******************************** \
+-a 0 \
+-d 1 \
+-s en \
+-t zh
+```
+
+![](./docs/img/07.png)
+
+## ⚙️ 自带字幕引擎说明
+
+目前软件自带 3 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）
+
+基于通义实验室[Gummy语音翻译大模型](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation/)进行开发，基于[阿里云百炼](https://bailian.console.aliyun.com)的 API 进行调用该云端模型。
+
+**模型详细参数：**
+
+- 音频采样率支持：16kHz及以上
+- 音频采样位数：16bit
+- 音频通道数支持：单通道
+- 可识别语言：中文、英文、日语、韩语、德语、法语、俄语、意大利语、西班牙语
+- 支持的翻译：
+  - 中文 → 英文、日语、韩语
+  - 英文 → 中文、日语、韩语
+  - 日语、韩语、德语、法语、俄语、意大利语、西班牙语 → 中文或英文
+
+**网络流量消耗：**
+
+字幕引擎使用原生采样率（假设为 48kHz）进行采样，样本位深为 16bit，上传音频为为单通道，因此上传速率约为：
+
+$$
+48000\ \text{samples/second} \times 2\ \text{bytes/sample} \times 1\ \text{channel}  = 93.75\ \text{KB/s}
+$$
+
+而且引擎只会获取到音频流的时候才会上传数据，因此实际上传速率可能更小。模型结果回传流量消耗较小，没有纳入考虑。
+
+### Vosk 字幕引擎（本地）
+
+基于 [vosk-api](https://github.com/alphacep/vosk-api) 开发。该字幕引擎的优点是可选的语言模型非常多（超过 30 种），缺点是识别效果比较差，且生成内容没有标点符号。
+
+
+### SOSV 字幕引擎（本地）
+
+[SOSV](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model) 是一个整合包，该整合包主要基于 [Shepra-ONNX SenseVoice](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html)，并添加了端点检测模型和标点恢复模型。该模型支持识别的语言有：英语、中文、日语、韩语、粤语。
+
+### 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)
+- [WhisperLiveKit](https://github.com/QuentinFuxa/WhisperLiveKit)
 
 ## 🚀 项目运行
 
-![](./assets/media/structure.png)
+![](./assets/media/structure_zh.png)
 
 ### 安装依赖
 
@@ -47,32 +190,26 @@ npm install
 
 ### 构建字幕引擎
 
-> #### 背景介绍
->
-> 如果你是开发者，想开发自定义字幕引擎，请查看[字幕引擎说明文档](./assets/engine-manual_zh.md)。
-> 
-> 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。
->
->目前项目默认使用[阿里云 Gummy 模型](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation/)，需要获取阿里云百炼平台的 API KEY 并配置到环境变量中才能正常使用该模型。
->
-> 本项目的 gummy 字幕引擎是一个 python 子程序，通过 pyinstaller 打包为可执行文件。 运行字幕引擎子程序的代码在 `src\main\utils\engine.ts` 文件中。
-
-首先进入 `python-subprocess` 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
-python -m venv subenv
+cd ./engine
+# in ./engine folder
+python -m venv .venv
+# or
+python3 -m venv .venv
 ```
 
 然后激活虚拟环境：
 
 ```bash
 # Windows
-subenv/Scripts/activate
-# Linux
-source subenv/bin/activate
+.venv/Scripts/activate
+# Linux or macOS
+source .venv/bin/activate
 ```
 
-然后安装依赖（注意如果是 Linux 环境，需要注释调 `requirements.txt` 中的 `PyAudioWPatch`，该模块仅适用于 Windows 环境）：
+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
@@ -81,19 +218,27 @@ pip install -r requirements.txt
 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 `python-subprocess/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('./.venv/Lib/site-packages/vosk').resolve())
+# Linux or macOS
+vosk_path = str(Path('./.venv/lib/python3.x/site-packages/vosk').resolve())
+```
+
+此时项目构建完成，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
 
-注意目前软件没有适配 macOS 平台，请使用 Windows 或 Linux 系统进行构建，更建议使用实现了完整功能的 Windows 平台。
+### 构建项目
 
 ```bash
 # For windows

README_en.md

@@ -1,49 +1,186 @@
 <div align="center" >
-    <img src="./resources/icon.png" width="100px" height="100px"/>
+    <img src="./build/icon.png" width="100px" height="100px"/>
     <h1 align="center">auto-caption</h1>
-    <p>Auto Caption is a cross-platform real-time subtitle display software.</p>
+    <p>Auto Caption is a cross-platform real-time caption display software.</p>
     <p>
-        | <a href="https://github.com/HiMeditator/auto-caption/blob/main/README.md">简体中文</a>
-        | <b>English</b> |
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.0.0-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 1.0.0 has been released, with the addition of the SOSV local caption model. The current features are basically complete, and there are no further development plans...</i></p>
 </div>
 
-![](./assets/media/main.png)
-
-## ⚠️ Attention
-
-**The current software interface language is Chinese. English adaptation has not been done yet.**
+![](./assets/media/main_en.png)
 
 ## 📥 Download
 
-[GitHub Releases](https://github.com/HiMeditator/auto-caption/releases)
+Software Download: [GitHub Releases](https://github.com/HiMeditator/auto-caption/releases)
 
-## 📚 User Manual
+Vosk Model Download: [Vosk Models](https://alphacephei.com/vosk/models)
 
-[Auto Caption User Manual (Chinese)](./assets/user-manual_en.md)
+SOSV Model Download: [Shepra-ONNX SenseVoice Model](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model)
 
-[Caption Engine Documentation (Chinese)](./assets/engine-manual_en.md)
+## 📚 Documentation
 
-### Basic Usage
+[Auto Caption User Manual](./docs/user-manual/en.md)
 
-Currently, only an installable version for the Windows platform is provided. If using the default Gummy subtitle engine, you need to obtain an API KEY from Alibaba Cloud's Bailian platform and configure it in the environment variables to use the model properly. Related tutorials: [Get API KEY](https://help.aliyun.com/zh/model-studio/get-api-key), [Configure API Key through Environment Variables](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables).
-
-For developers, you can create a new subtitle engine. For instructions on customizing the subtitle engine, please refer to the [Caption Engine Documentation (Chinese)](./assets/engine-manual_zh.md).
+[Caption Engine Documentation](./docs/engine-manual/en.md)
 
+[Changelog](./docs/CHANGELOG.md)
 
 ## ✨ Features
 
-- Rich subtitle style settings
-- Flexible subtitle engine selection
-- Multi-language recognition and translation
-- Subtitle record display and export
-- Generate subtitles for audio output and microphone input
+- Generate captions from audio output or microphone input
+- Supports translation by calling local Ollama models or cloud-based Google Translate API
+- Cross-platform (Windows, macOS, Linux) and multi-language interface (Chinese, English, Japanese) support
+- Rich caption style settings (font, font size, font weight, font color, background color, etc.)
+- Flexible caption engine selection (Alibaba Cloud Gummy cloud model, local Vosk model, local SOSV model, or you can develop your own model)
+- Multi-language recognition and translation (see below "⚙️ Built-in Subtitle Engines")
+- Subtitle record display and export (supports exporting `.srt` and `.json` formats)
 
-Note: The Windows platform supports generating subtitles for both audio output and microphone input, while the Linux platform only supports generating subtitles for microphone input.
+## 📖 Basic Usage
 
-## 🚀 Project Execution
+The software has been adapted for Windows, macOS, and Linux platforms. The tested platform information is as follows:
 
-![](./assets/media/structure.png)
+| OS Version         | Architecture | System Audio Input | System Audio Output |
+| ------------------ | ------------ | ------------------ | ------------------- |
+| Windows 11 24H2    | x64          | ✅                 | ✅                   |
+| macOS Sequoia 15.5 | arm64        | ✅ [Additional config required](./docs/user-manual/en.md#capturing-system-audio-output-on-macos) | ✅        |
+| Ubuntu 24.04.2     | x64          | ✅                 | ✅                   |
+
+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.
+
+
+After downloading the software, you need to select the corresponding model according to your needs and then configure the model.
+
+|                                                              | Recognition Quality | Deployment Type    | Supported Languages | Translation   | Notes                                                      |
+| ------------------------------------------------------------ | ------------------- | ------------------ | ------------------- | ------------- | ---------------------------------------------------------- |
+| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | Excellent 😊         | Alibaba Cloud | 10 languages        | Built-in      | Paid, 0.54 CNY/hour                                        |
+| [Vosk](https://alphacephei.com/vosk)                         | Poor 😞             | Local / CPU        | Over 30 languages   | Requires setup | Supports many languages                                    |
+| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | Fair 😐             | Local / CPU        | 5 languages         | Requires setup | Only one model available                                   |
+| DIY Development                                              | 🤔                  | Custom             | Custom              | Custom        | Develop your own using Python according to [documentation](./docs/engine-manual/zh.md) |
+
+If you choose to use the Vosk or SOSV model, you also need to configure your own translation model.
+
+### Configuring Translation Models
+
+![](./assets/media/engine_en.png)
+
+> Note: Translation is not real-time. The translation model is only called after each sentence recognition is completed.
+
+#### Ollama Local Model
+
+> Note: Using models with too many parameters will lead to high resource consumption and translation delays. It is recommended to use models with less than 1B parameters, such as: `qwen2.5:0.5b`, `qwen3:0.6b`.
+
+Before using this model, you need to ensure that [Ollama](https://ollama.com/) software is installed on your machine and the required large language model has been downloaded. Simply add the name of the large model you want to call to the `Ollama` field in the settings.
+
+#### Google Translate API
+
+> Note: Google Translate API is not available in some regions.
+
+No configuration required, just connect to the internet to use.
+
+### Using Gummy Model
+
+> The international version of Alibaba Cloud services does not seem to provide the Gummy model, so non-Chinese users may not be able to use the Gummy caption engine at present.
+
+To use the default Gummy caption engine (using cloud models for speech recognition and translation), 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 the environment variables (only Windows platform supports reading API KEY from environment variables), so that the model can be used normally. Related tutorials:
+
+- [Get API KEY](https://help.aliyun.com/zh/model-studio/get-api-key)
+- [Configure API Key through Environment Variables](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+
+### Using Vosk Model
+
+> The recognition effect of the Vosk model is poor, please use it with caution.
+
+To use the Vosk local caption engine, first download the model you need from the [Vosk Models](https://alphacephei.com/vosk/models) page, unzip the model locally, and add the path of the model folder to the software settings.
+
+![](./assets/media/config_en.png)
+
+### Using SOSV Model
+
+The way to use the SOSV model is the same as Vosk. The download address is as follows: https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
+
+## ⌨️ Using in Terminal
+
+The software adopts a modular design and can be divided into two parts: the main software body and caption engine. The main software calls caption engine through a graphical interface. Audio acquisition and speech recognition functions are implemented in the caption engine, which can be used independently without the main software.
+
+Caption engine is developed using Python and packaged as executable files via PyInstaller. Therefore, there are two ways to use caption engine:
+
+1. Use the source code of the project's caption engine part and run it with a Python environment that has the required libraries installed
+2. Run the packaged executable file of the caption engine through the terminal
+
+For runtime parameters and detailed usage instructions, please refer to the [User Manual](./docs/user-manual/en.md#using-caption-engine-standalone).
+
+```bash
+python main.py \
+-e gummy \
+-k sk-******************************** \
+-a 0 \
+-d 1 \
+-s en \
+-t zh
+```
+
+![](./docs/img/07.png)
+
+## ⚙️ Built-in Subtitle Engines
+
+Currently, the software comes with 3 caption engines, with new engines under development. Their detailed information is as follows.
+
+### Gummy Subtitle Engine (Cloud)
+
+Developed based on Tongyi Lab's [Gummy Speech Translation Model](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation/), using [Alibaba Cloud Bailian](https://bailian.console.aliyun.com) API to call this cloud model.
+
+**Model Parameters:**
+
+- Supported audio sample rate: 16kHz and above
+- Audio sample depth: 16bit
+- Supported audio channels: Mono
+- Recognizable languages: Chinese, English, Japanese, Korean, German, French, Russian, Italian, Spanish
+- Supported translations:
+  - Chinese → English, Japanese, Korean
+  - English → Chinese, Japanese, Korean
+  - Japanese, Korean, German, French, Russian, Italian, Spanish → Chinese or English
+
+**Network Traffic Consumption:**
+
+The caption engine uses native sample rate (assumed to be 48kHz) for sampling, with 16bit sample depth and mono channel, so the upload rate is approximately:
+
+$$
+48000\ \text{samples/second} \times 2\ \text{bytes/sample} \times 1\ \text{channel}  = 93.75\ \text{KB/s}
+$$
+
+The engine only uploads data when receiving audio streams, so the actual upload rate may be lower. The return traffic consumption of model results is small and not considered here.
+
+### Vosk Subtitle Engine (Local)
+
+Developed based on [vosk-api](https://github.com/alphacep/vosk-api). The advantage of this caption engine is that there are many optional language models (over 30 languages), but the disadvantage is that the recognition effect is relatively poor, and the generated content has no punctuation.
+
+### SOSV Subtitle Engine (Local)
+
+[SOSV](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model) is an integrated package, mainly based on [Shepra-ONNX SenseVoice](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html), with added endpoint detection model and punctuation restoration model. The languages supported by this model for recognition are: English, Chinese, Japanese, Korean, and Cantonese.
+
+### Planned New Subtitle Engines
+
+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)
+- [WhisperLiveKit](https://github.com/QuentinFuxa/WhisperLiveKit)
+
+## 🚀 Project Setup
+
+![](./assets/media/structure_en.png)
 
 ### Install Dependencies
 
@@ -53,61 +190,61 @@ npm install
 
 ### Build Subtitle Engine
 
-> #### Background
->
-> If you are a developer and want to develop a custom subtitle engine, please refer to the [Caption Engine Documentation (Chinese)](./assets/engine-manual_zh.md).
->
-> The so-called subtitle engine is actually a subprocess that will real-time acquire streaming data from system audio input (recording) or output (playing sound) and call an audio-to-text model to generate corresponding subtitles for the audio. The generated subtitles are output as JSON data converted to strings via IPC and returned to the main program. The main program reads the subtitle data, processes it, and displays it on the window.
->
-> Currently, the project uses the [Alibaba Cloud Gummy Model](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation/) by default, which requires obtaining an API KEY from Alibaba Cloud's Bailian platform and configuring it in the environment variables to function properly. Related tutorials: [Get API KEY](https://help.aliyun.com/zh/model-studio/get-api-key), [Configure API Key through Environment Variables](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables).
->
-> The gummy subtitle engine in this project is a Python subprocess, packaged into an executable file using pyinstaller. The code for running the subtitle engine subprocess is in the `src\main\utils\engine.ts` file.
-
-First, enter the `python-subprocess` folder and execute the following command 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
-python -m venv subenv
+cd ./engine
+# in ./engine folder
+python -m venv .venv
+# or
+python3 -m venv .venv
 ```
 
 Then activate the virtual environment:
 
 ```bash
 # Windows
-subenv/Scripts/activate
-# Linux
-source subenv/bin/activate
+.venv/Scripts/activate
+# Linux or macOS
+source .venv/bin/activate
 ```
 
-Then install the dependencies (note that if you are in a Linux environment, you need to comment out `PyAudioWPatch` in `requirements.txt`, as this module is only applicable to the Windows environment):
+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
 ```
 
-Then build the project using `pyinstaller`:
+Then use `pyinstaller` to build the project:
 
 ```bash
-pyinstaller --onefile main-gummy.py
+pyinstaller ./main.spec
 ```
 
-At this point, the project is built. You can find the corresponding executable file in the `python-subprocess/dist` folder. You can proceed with further 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).
 
-### Run the Project
+```
+# Windows
+vosk_path = str(Path('./.venv/Lib/site-packages/vosk').resolve())
+# Linux or macOS
+vosk_path = str(Path('./.venv/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
 
 ```bash
 npm run dev
 ```
 
-### Build the Project
-
-Please note that the software is currently not compatible with the macOS platform. Use Windows or Linux systems for building, with Windows being more recommended as it implements the full set of features.
-
+### Build Project
 
 ```bash
-# For Windows
+# For windows
 npm run build:win
 # For macOS
 npm run build:mac
 # For Linux
 npm run build:linux
-```
+```

README_ja.md

@@ -0,0 +1,251 @@
+<div align="center" >
+    <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-1.0.0-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>v1.0.0 バージョンがリリースされ、SOSV ローカル字幕モデルが追加されました。現在の機能は基本的に完了しており、今後の開発計画はありません...</i></p>
+</div>
+
+![](./assets/media/main_ja.png)
+
+## 📥 ダウンロード
+
+ソフトウェアダウンロード: [GitHub Releases](https://github.com/HiMeditator/auto-caption/releases)
+
+Vosk モデルダウンロード: [Vosk Models](https://alphacephei.com/vosk/models)
+
+SOSV モデルダウンロード: [Shepra-ONNX SenseVoice Model](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model)
+
+## 📚 関連ドキュメント
+
+[Auto Caption ユーザーマニュアル](./docs/user-manual/ja.md)
+
+[字幕エンジン説明ドキュメント](./docs/engine-manual/ja.md)
+
+[更新履歴](./docs/CHANGELOG.md)
+
+## ✨ 特徴
+
+- 音声出力またはマイク入力からの字幕生成
+- ローカルのOllamaモデルまたはクラウドベースのGoogle翻訳APIを呼び出して翻訳をサポート
+- クロスプラットフォーム（Windows、macOS、Linux）、多言語インターフェース（中国語、英語、日本語）対応
+- 豊富な字幕スタイル設定（フォント、フォントサイズ、フォント太さ、フォント色、背景色など）
+- 柔軟な字幕エンジン選択（阿里云Gummyクラウドモデル、ローカルVoskモデル、ローカルSOSVモデル、または独自にモデルを開発可能）
+- 多言語認識と翻訳（下記「⚙️ 字幕エンジン説明」参照）
+- 字幕記録表示とエクスポート（`.srt` および `.json` 形式のエクスポートに対応）
+
+## 📖 基本使い方
+
+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：
+
+| 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](./docs/user-manual/ja.md#macos-でのシステムオーディオ出力の取得方法)    | ✅                   |
+| 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。
+
+ソフトウェアをダウンロードした後、自分のニーズに応じて対応するモデルを選択し、モデルを設定する必要があります。
+
+|                                                              | 認識効果 | デプロイタイプ    | 対応言語   | 翻訳       | 備考                                                       |
+| ------------------------------------------------------------ | -------- | ----------------- | ---------- | ---------- | ---------------------------------------------------------- |
+| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | 良好😊    | クラウド / 阿里云 | 10種       | 内蔵翻訳   | 有料、0.54CNY / 時間                                       |
+| [Vosk](https://alphacephei.com/vosk)                         | 不良😞    | ローカル / CPU    | 30種以上   | 追加設定必要 | 対応言語が非常に多い                                       |
+| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | 一般😐    | ローカル / CPU    | 5種        | 追加設定必要 | モデルは一つのみ                                           |
+| 自前開発                                                     | 🤔        | カスタム          | カスタム   | カスタム   | [ドキュメント](./docs/engine-manual/zh.md)に従ってPythonで自前開発 |
+
+VoskまたはSOSVモデルを使用する場合、独自の翻訳モデルも設定する必要があります。
+
+### 翻訳モデルの設定
+
+![](./assets/media/engine_ja.png)
+
+> 注意：翻訳はリアルタイムではありません。翻訳モデルは各文の認識が完了した後にのみ呼び出されます。
+
+#### Ollama ローカルモデル
+
+> 注意：パラメータ数が多すぎるモデルを使用すると、リソース消費と翻訳遅延が大きくなります。1B未満のパラメータ数のモデルを使用することを推奨します。例：`qwen2.5:0.5b`、`qwen3:0.6b`。
+
+このモデルを使用する前に、ローカルマシンに[Ollama](https://ollama.com/)ソフトウェアがインストールされ、必要な大規模言語モデルがダウンロードされていることを確認してください。必要な大規模モデル名を設定の`Ollama`フィールドに追加するだけでOKです。
+
+#### Google翻訳API
+
+> 注意：Google翻訳APIは一部の地域では使用できません。
+
+設定不要で、ネット接続があれば使用できます。
+
+### Gummyモデルの使用
+
+> 阿里云の国際版サービスには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Gummy字幕エンジンを使用できない可能性があります。
+
+デフォルトのGummy字幕エンジン（クラウドモデルを使用した音声認識と翻訳）を使用するには、まず阿里云百煉プラットフォームのAPI KEYを取得し、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）。関連チュートリアル：
+
+- [API KEYの取得](https://help.aliyun.com/zh/model-studio/get-api-key)
+- [環境変数へのAPI Keyの設定](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)
+
+### Voskモデルの使用
+
+> Voskモデルの認識効果は不良のため、注意して使用してください。
+
+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、ローカルにモデルを解凍し、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。
+
+![](./assets/media/config_ja.png)
+
+### SOSVモデルの使用
+
+SOSVモデルの使用方法はVoskと同じで、ダウンロードアドレスは以下の通りです：https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
+
+## ⌨️ ターミナルでの使用
+
+ソフトウェアはモジュール化設計を採用しており、ソフトウェア本体と字幕エンジンの2つの部分に分けることができます。ソフトウェア本体はグラフィカルインターフェースを通じて字幕エンジンを呼び出します。コアとなる音声取得および音声認識機能はすべて字幕エンジンに実装されており、字幕エンジンはソフトウェア本体から独立して単独で使用できます。
+
+字幕エンジンはPythonを使用して開発され、PyInstallerによって実行可能ファイルとしてパッケージ化されます。したがって、字幕エンジンの使用方法は以下の2つがあります：
+
+1. プロジェクトの字幕エンジン部分のソースコードを使用し、必要なライブラリがインストールされたPython環境で実行する
+2. パッケージ化された字幕エンジンの実行可能ファイルをターミナルから実行する
+
+実行引数および詳細な使用方法については、[User Manual](./docs/user-manual/en.md#using-caption-engine-standalone)をご参照ください。
+
+```bash
+python main.py \
+-e gummy \
+-k sk-******************************** \
+-a 0 \
+-d 1 \
+-s en \
+-t zh
+```
+
+![](./docs/img/07.png)
+
+## ⚙️ 字幕エンジン説明
+
+現在、ソフトウェアには3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）
+
+Tongyi Lab の [Gummy 音声翻訳大規模モデル](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation/)をベースに開発され、[Alibaba Cloud Bailian](https://bailian.console.aliyun.com) の APIを使用してこのクラウドモデルを呼び出します。
+
+**モデル詳細パラメータ：**
+
+- サポートするオーディオサンプルレート：16kHz以上
+- オーディオサンプルビット深度：16bit
+- サポートするオーディオチャンネル：モノラル
+- 認識可能な言語：中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、イタリア語、スペイン語
+- サポートする翻訳：
+  - 中国語 → 英語、日本語、韓国語
+  - 英語 → 中国語、日本語、韓国語
+  - 日本語、韓国語、ドイツ語、フランス語、ロシア語、イタリア語、スペイン語 → 中国語または英語
+
+**ネットワークトラフィック消費量：**
+
+字幕エンジンはネイティブサンプルレート（48kHz と仮定）でサンプリングを行い、サンプルビット深度は 16bit、アップロードオーディオはモノラルチャンネルのため、アップロードレートは約：
+
+$$
+48000\ \text{samples/second} \times 2\ \text{bytes/sample} \times 1\ \text{channel}  = 93.75\ \text{KB/s}
+$$
+
+また、エンジンはオーディオストームを取得したときのみデータをアップロードするため、実際のアップロードレートはさらに小さくなる可能性があります。モデル結果の返信トラフィック消費量は小さく、ここでは考慮していません。
+
+### 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。この字幕エンジンの利点は選択可能な言語モデルが非常に多く（30言語以上）、欠点は認識効果が比較的悪く、生成内容に句読点がないことです。
+
+### SOSV 字幕エンジン（ローカル）
+
+[SOSV](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model)は統合パッケージで、主に[Shepra-ONNX SenseVoice](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html)をベースにし、エンドポイント検出モデルと句読点復元モデルを追加しています。このモデルが認識をサポートする言語は：英語、中国語、日本語、韓国語、広東語です。
+
+### 新規計画字幕エンジン
+
+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)
+- [WhisperLiveKit](https://github.com/QuentinFuxa/WhisperLiveKit)
+
+## 🚀 プロジェクト実行
+
+![](./assets/media/structure_ja.png)
+
+### 依存関係のインストール
+
+```bash
+npm install
+```
+
+### 字幕エンジンの構築
+
+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
+cd ./engine
+# ./engine フォルダ内
+python -m venv .venv
+# または
+python3 -m venv .venv
+```
+
+次に仮想環境をアクティブにします：
+
+```bash
+# Windows
+.venv/Scripts/activate
+# Linux または macOS
+source .venv/bin/activate
+```
+
+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
+```
+
+その後、`pyinstaller` を使用してプロジェクトをビルドします：
+
+```bash
+pyinstaller ./main.spec
+```
+
+`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('./.venv/Lib/site-packages/vosk').resolve())
+# Linux または macOS
+vosk_path = str(Path('./.venv/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
+
+```bash
+npm run dev
+```
+
+### プロジェクト構築
+
+```bash
+# Windows 用
+npm run build:win
+# macOS 用
+npm run build:mac
+# Linux 用
+npm run build:linux
+```

assets/engine-manual_zh.md

@@ -1,87 +0,0 @@
-# 字幕引擎说明文档
-
-![](./media/structure.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。生成的字幕通过 IPC 输出为转换为 JSON 格式的字符串数据，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。
-
-## 字幕引擎需要实现的功能
-
-### 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）。
-
-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。
-
-### 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。
-
-### 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。
-
-### 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。使用进程间通信(IPC)的方式，比如通过标准输入输出流或者命名管道来实现。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 {
-  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
-  text: string, // 字幕内容
-  translation: string // 字幕翻译
-}
-```
-
-如果使用 python 语言，可以参考以下方式将数据传递给主程序：
-
-```python
-# python-subprocess\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)
-...
-```
-
-数据接收端代码如下：
-
-
-```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}`);
-    });
-...
-```
-
-## 参考代码
-
-本项目 `python-subprocess` 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。

assets/user-manual_zh.md

@@ -1,59 +0,0 @@
-# Auto Caption 用户手册
-
-对应版本：v0.1.0
-
-## 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 平台下才拥有完整功能。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。
-
-![](./media/main.png)
-
-### 软件缺点
-
-要使用默认字幕服务需要获取阿里云的 API KEY。
-
-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
-
-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 并在本机环境变量中配置。
-
-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)。
-
-### 修改字幕设置
-
-字幕设置可以分为两类：修改字幕引擎配置、修改字幕样式设置。需要注意的是，在调整的设置的参数后，需要点击每个设置模块右上角的“更改设置”（字幕引擎设置）或“应用样式”（字幕样式设置），更改才会真正生效。如果点击“取消更改”那么当前设置将不会被保存，而是回到上次修改的状态。
-
-### 启动和关闭字幕
-
-在修改完全部配置后，点击界面的“启动字幕引擎”按钮，即可启动字幕。如果需要独立的字幕展示窗口，单击界面的“打开字幕窗口”按钮即可激活独立的字幕展示窗口。如果需要暂停字幕识别，单击界面的“关闭字幕引擎”按钮即可。
-
-### 调整字幕展示窗口
-
-如下图为字幕展示窗口，该窗口实时展示当前最新字幕。窗口右上角三个按钮的功能分别是：将窗口固定在最前面、打开字幕控制窗口、关闭字幕展示窗口。该窗口宽度可以调整，将鼠标移动至窗口的左右边缘，拖动鼠标即可调整宽度。
-
-![](./img/01.png)
-
-### 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。
-
-## 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。
-
-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.png)
-
-注意使用自定义字幕引擎时，前面的字幕引擎的设置将全部不起作用，自定义字幕引擎的配置完全通过引擎指令进行配置。
-
-如果你是开发者，想开发自定义字幕引擎，请查看[字幕引擎说明文档](./engine-manual_zh.md)。

build/credits.md

@@ -5,7 +5,9 @@
 The following icons are used under CC BY 4.0 license:
 
 - icon.png
+- icon.svg
+- icon.icns
 
 Source:
  
-- https://icon-icons.com/en/pack/Duetone/2064
+- https://icon-icons.com/en/pack/Duetone/2064

build/entitlements.mac.plist

@@ -0,0 +1,12 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
+<plist version="1.0">
+  <dict>
+    <key>com.apple.security.cs.allow-jit</key>
+    <true/>
+    <key>com.apple.security.cs.allow-unsigned-executable-memory</key>
+    <true/>
+    <key>com.apple.security.cs.allow-dyld-environment-variables</key>
+    <true/>
+  </dict>
+</plist>

build/icon.svg

@@ -0,0 +1 @@
+<svg id="Layer_1" data-name="Layer 1" xmlns="http://www.w3.org/2000/svg" viewBox="6 6 52 52"><defs><style>.cls-1{fill:#a8d2f0;}.cls-2{fill:#389ad6;}.cls-3,.cls-4{fill:none;}.cls-4{stroke:#295183;stroke-linecap:round;stroke-linejoin:round;stroke-width:2px;}.cls-5{fill:#295183;}</style></defs><title>weather, forecast, direction, compass</title><path class="cls-1" d="M25.56,17.37c-.87,6.45-1.73,22.73,10.26,29.37A1.77,1.77,0,0,1,35.15,50C27.56,51,15,50,13.05,33.13a1.9,1.9,0,0,1,0-.21c0-1.24.11-13.46,10.07-17.41A1.77,1.77,0,0,1,25.56,17.37Z"/><path class="cls-2" d="M30.32,35l1,4.45a3.2,3.2,0,0,0-.22.72c-.1.46-.19.92-.29,1.38-.13.68-.39,1.49-1.06,1.67s-1.32-.44-1.55-1.11S28,40.72,27.84,40s-.76-1.33-1.45-1.26c-.34,0-.62.27-1,.32-.78.16-.31-1.79-.46-2.13a1.67,1.67,0,0,0-1.08-.82c-.91-.27-3.85-.37-3.06-2.07a1.68,1.68,0,0,1,1.07-.76,9.87,9.87,0,0,1,1.4-.32,3.94,3.94,0,0,0,1.26-.32l4.44,1,1.07.23Z"/><path class="cls-2" d="M30.32,28.31l-.24,1.07L29,29.62,27.26,30a1.83,1.83,0,0,0,.52-.8A6,6,0,0,0,28,28c0-.26.07-.5.12-.74a1.26,1.26,0,0,1,.1-.29Z"/><path class="cls-2" d="M34.62,29.37l0-.2.69-.43a2.66,2.66,0,0,1-.38.7Z"/><line class="cls-3" x1="33.74" y1="37.87" x2="33.45" y2="39.16"/><path class="cls-2" d="M37,35.79A4.71,4.71,0,0,1,36,36a7.51,7.51,0,0,0-1,.17,2.43,2.43,0,0,0-.37.13,2,2,0,0,0-.62.47l.4-1.78.23-1.07,1.07-.23Z"/><polyline class="cls-4" points="32 20.86 30.47 27.68 30.17 28.99 29.95 29.95 28.99 30.17 27.42 30.52 26.41 30.75 25.24 31.01 20.86 32 25 32.93 28.99 33.83 29.95 34.04 30.17 35.01 31.07 39.01 32 43.14 32.99 38.75 33.25 37.59 33.47 36.6 33.83 35 34.04 34.04 35 33.83 36.27 33.54 43.14 32 35.01 30.17 34.28 30.01 34.04 29.95 34 29.77 33.83 28.99 33.38 26.98"/><polygon class="cls-4" points="30.17 28.99 29.95 29.95 28.99 30.17 28.09 28.74 26.98 26.98 28.29 27.81 30.17 28.99"/><polygon class="cls-4" points="30.17 35.01 26.98 37.02 28.99 33.83 29.95 34.04 30.17 35.01"/><polygon class="cls-4" points="37.02 37.02 35.26 35.91 33.83 35 34.04 34.04 35 33.83 36.2 35.72 37.02 37.02"/><polygon class="cls-4" points="37.02 26.98 35.01 30.17 34.28 30.01 34.04 29.95 34 29.77 33.83 28.99 37.02 26.98"/><path class="cls-4" d="M38.42,14.13A19.08,19.08,0,1,1,32,13a19.19,19.19,0,0,1,2,.11"/><circle class="cls-5" cx="32.03" cy="16.99" r="1"/><circle class="cls-5" cx="47.01" cy="32.03" r="1"/><circle class="cls-5" cx="31.97" cy="47.01" r="1"/><circle class="cls-5" cx="16.99" cy="31.97" r="1"/></svg>

docs/CHANGELOG.md

@@ -0,0 +1,175 @@
+## v0.0.1
+
+2025-06-22
+
+发布第一版软件。
+
+## v0.1.0
+
+2025-06-26
+
+### 新增功能
+
+- 添加错误通知
+- 添加默认引擎的环境变量检查
+- 添加配置数据文件保存和载入
+- 添加字幕样式恢复默认的选项
+- 添加项目关于信息
+
+### 新增文档
+
+- 添加用户说明文档
+- 添加字幕引擎说明文档
+
+## v0.2.0
+
+2025-07-05
+
+对项目进行了重构，修复了 bug，添加了新功能。本版本为正式版。
+
+### 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
+
+### 提升体验
+
+- 优化界面布局
+- 添加更多可保存和载入的配置项
+- 为字幕引擎添加更严格的状态限制，防止出现僵尸进程
+
+### 修复bug
+
+- 添加字幕引擎长时间空置后报错的问题 (#2)
+
+### 新增文档
+
+- 新增日语说明文档
+- 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。
+
+### 新增功能
+
+- 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)
+
+### 优化体验
+
+- 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
+
+### 修复bug
+
+- 修复使用系统主题时暗色系统载入为亮色的问题
+
+## v0.4.0
+
+2025-07-11
+
+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。
+
+### 新增功能
+
+- 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
+
+### 优化体验
+
+- 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
+
+## v0.5.0
+
+2025-07-15
+
+为软件本体添加了更多功能、适配了 Linux。
+
+### 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
+
+2025-08-20
+
+### 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
+- 添加复制最新字幕选项，用户可以选择只复制最近1~3条字幕 (#13)
+- 添加主题颜色设置，支持六种颜色：蓝色、绿色、橙色、紫色、粉色、暗色/明色
+- 添加日志记录显示：可以查看软件的字幕引擎输出的日志记录
+
+### 优化体验
+
+- 优化软件用户界面的部分组件
+- 更清晰的日志输出
+
+
+## v1.0.0
+
+2025-09-08
+
+### 新增功能
+
+- 字幕引擎添加超时关闭功能：如果在规定时间字幕引擎没有启动成功会自动关闭；在字幕引擎启动过程中可选择关闭字幕引擎
+- 添加非实时翻译功能：支持调用 Ollama 本地模型进行翻译；支持调用 Google 翻译 API 进行翻译
+- 添加新的翻译模型：添加 SOSV 模型，支持识别英语、中文、日语、韩语、粤语
+- 添加录音功能：可以将字幕引擎识别的音频保存为 .wav 文件
+- 添加多行字幕功能，用户可以设置字幕窗口显示的字幕的行数
+
+### 优化体验
+
+- 优化部分提示信息显示位置
+- 替换重采样模型，提高音频重采样质量
+- 带有额外信息的标签颜色改为与主题色一致

docs/TODO.md

@@ -0,0 +1,39 @@
+## 已完成
+
+- [x] 添加英语和日语语言支持 *2025/07/04*
+- [x] 添加暗色主题 *2025/07/04*
+- [x] 优化长字幕显示效果 *2025/07/05*
+- [x] 修复字幕引擎空置报错的问题 *2025/07/05*
+- [x] 增强字幕窗口顶置优先级 *2025/07/07*
+- [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*
+- [x] 复制字幕记录可选择只复制最近的字幕记录 *2025/08/18*
+- [x] 添加颜色主题设置 *2025/08/18*
+- [x] 前端页面添加日志内容展示 *2025/08/19*
+- [x] 添加 Ollama 模型用于本地字幕引擎的翻译 *2025/09/04*
+- [x] 验证 / 添加基于 sherpa-onnx 的字幕引擎 *2025/09/06*
+
+## 待完成
+
+- [ ] 调研更多的云端模型（火山、OpenAI、Google等）
+- [ ] 验证 / 添加基于 sherpa-onnx 的字幕引擎
+
+## 后续计划
+
+- [ ] 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
+
+- [ ] 使用 Tauri 框架重新开发

docs/api-docs/caption-engine.md

@@ -0,0 +1,144 @@
+# 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。
+
+### `translation`
+
+```js
+{
+  command: "translation",
+  time_s: string,
+  text: string,
+  translation: string
+}
+```
+
+语音识别的内容的翻译，可以根据起始时间确定对应的字幕。
+
+### `print`
+
+```js
+{
+  command: "print",
+  content: string
+}
+```
+
+输出 Python 端打印的内容，不计入日志。
+
+### `info`
+
+```js
+{
+  command: "info",
+  content: string
+}
+```
+
+Python 端打印的提示信息，会计入日志。
+
+### `warn`
+
+```js
+{
+  command: "warn",
+  content: string
+}
+```
+
+Python 端打印的警告信息，会计入日志。
+
+### `error`
+
+```js
+{
+  command: "error",
+  content: string
+}
+```
+
+Python 端打印的错误信息，该错误信息会在前端弹窗显示。
+
+### `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

@@ -0,0 +1,345 @@
+# electron ipc api-doc
+
+本文档主要记录主进程和渲染进程的通信约定。
+
+## 命名方式
+
+本项目渲染进程包含两个：字幕窗口和控制窗口，主进程需要分别和两者进行通信。通信命令的命名规则如下：
+
+1. 命令一般由三个关键字组成，由点号隔开。
+2. 第一个关键字表示通信发送目标：
+   - `config` 表示控制窗口类实例（后端）或控制窗口（前端）
+   - `engine` 表示字幕窗口类实例（后端）或字幕窗口（前端）
+   - `both` 表示上述对象都有可能成为目标
+3. 第二个关键字表示需要修改的对象 / 发生改变的对象，采用小驼峰命名
+4. 第三个关键字一般是动词，表示通信发生时对应动作 / 需要进行的操作
+
+根据上面的描述可以看出通信命令一般有两种语义，一种表示要求执行的操作，另一种表示当前发生的事件。
+
+## 前端 <=> 后端
+
+### `both.window.mounted`
+
+**介绍：** 前端窗口挂载完毕，请求最新的配置数据
+
+**发起方：** 前端
+
+**接收方：** 后端
+
+**数据类型：**
+
+- 发送：无数据
+- 接收：`FullConfig`
+
+### `control.nativeTheme.get`
+
+**介绍：** 前端获取系统当前的主题
+
+**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.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`
+
+**介绍：** 前端修改字界面语言，将修改同步给后端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** `UILanguage`
+
+### `control.uiTheme.change`
+
+**介绍：** 前端修改界面主题，将修改同步给后端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** `UITheme`
+
+### `control.uiColor.change`
+
+**介绍：** 前端修改界面主题颜色，将修改同步给后端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** `string`
+
+### `control.leftBarWidth.change`
+
+**介绍：** 前端修改边栏宽度，将修改同步给后端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** `number`
+
+### `control.captionLog.clear`
+
+**介绍：** 清空字幕记录
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** 无数据
+
+### `control.styles.change`
+
+**介绍：** 前端修改字幕样式，将修改同步给后端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** `Styles`
+
+### `control.styles.reset`
+
+**介绍：** 将字幕样式恢复为默认
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** 无数据
+
+### `control.controls.change`
+
+**介绍：** 前端修改了字幕引擎配置，将最新配置发送给后端
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** `Controls`
+
+### `control.captionWindow.activate`
+
+**介绍：** 激活字幕窗口
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** 无数据
+
+### `control.engine.start`
+
+**介绍：** 启动字幕引擎
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** 无数据
+
+### `control.engine.stop`
+
+**介绍：** 关闭字幕引擎
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** 无数据
+
+### `control.engine.forceKill`
+
+**介绍：** 强制关闭启动超时的字幕引擎
+
+**发起方：** 前端控制窗口
+
+**接收方：** 后端控制窗口实例
+
+**数据类型：** 无数据
+
+### `caption.windowHeight.change`
+
+**介绍：** 字幕窗口宽度发生改变
+
+**发起方：** 前端字幕窗口
+
+**接收方：** 后端字幕窗口实例
+
+**数据类型：** `number`
+
+### `caption.pin.set`
+
+**介绍：** 是否将窗口置顶
+
+**发起方：** 前端字幕窗口
+
+**接收方：** 后端字幕窗口实例
+
+**数据类型：** `boolean`
+
+### `caption.controlWindow.activate`
+
+**介绍：** 激活控制窗口
+
+**发起方：** 前端字幕窗口
+
+**接收方：** 后端字幕窗口实例
+
+**数据类型：** 无数据
+
+### `caption.window.close`
+
+**介绍：** 关闭字幕窗口
+
+**发起方：** 前端字幕窗口
+
+**接收方：** 后端字幕窗口实例
+
+**数据类型：** 无数据
+
+## 后端 ==> 前端
+
+### `control.uiLanguage.set`
+
+**介绍：** 后端将最新界面语言发送给前端，前端进行设置
+
+**发起方：** 后端
+
+**接收方：** 字幕窗口
+
+**数据类型：** `UILanguage`
+
+### `control.nativeTheme.change`
+
+**介绍：** 系统主题发生改变
+
+**发起方：** 后端
+
+**接收方：** 前端控制窗口
+
+**数据类型：** `string`
+
+### `control.engine.started`
+
+**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：** `number`
+
+### `control.engine.stopped`
+
+**介绍：** 引擎关闭
+
+**发起方：** 后端
+
+**接收方：** 前端控制窗口
+
+**数据类型：** 无数据
+
+### `control.error.occurred`
+
+**介绍：** 发送错误
+
+**发起方：** 后端
+
+**接收方：** 前端控制窗口
+
+**数据类型：** `string`
+
+### `control.controls.set`
+
+**介绍：** 后端将最新字幕引擎配置发送给前端，前端进行设置
+
+**发起方：** 后端
+
+**接收方：** 前端控制窗口
+
+**数据类型：** `Controls`
+
+### `control.softwareLog.add`
+
+**介绍：** 添加一条新的日志数据
+
+**发起方：** 后端
+
+**接收方：** 前端控制窗口
+
+**数据类型：** `SoftwareLog`
+
+### `both.styles.set`
+
+**介绍：** 后端将最新字幕样式发送给前端，前端进行设置
+
+**发起方：** 后端
+
+**接收方：** 前端
+
+**数据类型：** `Styles`
+
+### `both.captionLog.add`
+
+**介绍：** 添加一条新的字幕数据
+
+**发起方：** 后端
+
+**接收方：** 前端
+
+**数据类型：** `CaptionItem`
+
+### `both.captionLog.upd`
+
+**介绍：** 更新最后一条字幕数据
+
+**发起方：** 后端
+
+**接收方：** 前端
+
+**数据类型：** `CaptionItem`
+
+### `both.captionLog.set`
+
+**介绍：** 设置全部的字幕数据
+
+**发起方：** 后端
+
+**接收方：** 前端
+
+**数据类型：** `CaptionItem[]`

docs/engine-manual/en.md

@@ -0,0 +1,231 @@
+# Caption Engine Documentation
+
+Corresponding version: v1.0.0
+
+![](../../assets/media/structure_en.png)
+
+## Introduction to the Caption Engine
+
+The so-called caption engine is actually a subprocess that captures streaming data from system audio input (microphone) or output (speaker) in real-time, and invokes an audio-to-text model to generate captions for the corresponding audio. The generated captions are converted into JSON-formatted string data and transmitted to the main program through standard output (ensuring that the string received by the main program can be correctly interpreted as a JSON object). The main program reads and interprets the caption data, processes it, and displays it in the window.
+
+**Communication between the caption engine process and Electron main process follows the standard: [caption engine api-doc](../api-docs/caption-engine.md).**
+
+## Execution Flow
+
+Process of communication between main process and caption engine:
+
+### Starting the Engine
+
+- Electron main process: Use `child_process.spawn()` to start the caption engine process
+- Caption engine process: Create a TCP Socket server thread, after creation output a JSON object converted to string via standard output, containing the `command` field with value `connect`
+- Main process: Listen to the caption engine process's standard output, try to split the standard output by lines, parse it into a JSON object, and check if the object's `command` field value is `connect`. If so, connect to the TCP Socket server
+
+### Caption Recognition
+
+- Caption engine process: Create a new thread to monitor system audio output, put acquired audio data chunks into a shared queue (`shared_data.chunk_queue`). The caption engine continuously reads audio data chunks from the shared queue and parses them. The caption engine may also create a new thread to perform translation operations. Finally, the caption engine sends parsed caption data object strings through standard output
+- Electron main process: Continuously listen to the caption engine's standard output and take different actions based on the parsed object's `command` field
+
+### Stopping the Engine
+
+- Electron main process: When the user operates to close the caption engine in the frontend, the main process sends an object string with `command` field set to `stop` to the caption engine process through Socket communication
+- Caption engine process: Receive the caption data object string sent by the main engine process, parse the string into an object. If the object's `command` field is `stop`, set the value of global variable `shared_data.status` to `stop`
+- Caption engine process: Main thread continuously monitors system audio output, when `thread_data.status` value is not `running`, end the loop, release resources, and terminate execution
+- Electron main process: If the caption engine process termination is detected, perform corresponding processing and provide feedback to the frontend
+
+## Implemented Features
+
+The following features have been implemented and can be directly reused.
+
+### Standard Output
+
+Can output regular information, commands, and error messages.
+
+Examples:
+
+```python
+from utils import stdout, stdout_cmd, stdout_obj, stderr
+# {"command": "print", "content": "Hello"}\n
+stdout("Hello")
+# {"command": "connect", "content": "8080"}\n
+stdout_cmd("connect", "8080")
+# {"command": "print", "content": "print"}\n
+stdout_obj({"command": "print", "content": "print"})
+# sys.stderr.write("Error Info" + "\n")
+stderr("Error Info")
+```
+
+### Creating Socket Service
+
+This Socket service listens on a specified port, parses content sent by the Electron main program, and may change the value of `shared_data.status`.
+
+Example:
+
+```python
+from utils import start_server
+from utils import shared_data
+port = 8080
+start_server(port)
+while thread_data == 'running':
+    # do something
+    pass
+```
+
+### Audio Acquisition
+
+The `AudioStream` class is used to acquire audio data, with cross-platform implementation supporting Windows, Linux, and macOS. The class initialization includes two parameters:
+
+- `audio_type`: Audio acquisition type, 0 for system output audio (speaker), 1 for system input audio (microphone)
+- `chunk_rate`: Audio data acquisition frequency, number of audio chunks acquired per second, default is 10
+
+The class contains four methods:
+
+- `open_stream()`: Start audio acquisition
+- `read_chunk() -> bytes`: Read an audio chunk
+- `close_stream()`: Close audio acquisition
+- `close_stream_signal()`: Thread-safe closing of system audio input stream
+
+Example:
+
+```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()
+```
+
+### Audio Processing
+
+Before converting audio streams to text, preprocessing may be required. Usually, multi-channel audio needs to be converted to single-channel audio, and resampling may also be needed. This project provides two audio processing functions:
+
+- `merge_chunk_channels(chunk: bytes, channels: int) -> bytes`: Convert multi-channel audio chunks to single-channel audio chunks
+- `resample_chunk_mono(chunk: bytes, channels: int, orig_sr: int, target_sr: int) -> bytes`: Convert current multi-channel audio data chunks to single-channel audio data chunks, then perform resampling
+
+Example:
+
+```python
+from sysaudio import AudioStream
+from utils import merge_chunk_channels
+stream =  AudioStream(1)
+while True:
+    raw_chunk = stream.read_chunk()
+    chunk = resample_chunk_mono(raw_chunk, stream.CHANNELS, stream.RATE, 16000)
+    # do something with chunk
+```
+
+## Features to be Implemented by the Caption Engine
+
+### Audio to Text Conversion
+
+After obtaining suitable audio streams, the audio stream needs to be converted to text. Generally, various models (cloud or local) are used to implement audio-to-text conversion. Appropriate models should be selected according to requirements.
+
+It is recommended to encapsulate this as a class, implementing four methods:
+
+- `start(self)`: Start the model
+- `send_audio_frame(self, data: bytes)`: Process current audio chunk data, **generated caption data is sent to Electron main process through standard output**
+- `translate(self)`: Continuously retrieve data chunks from `shared_data.chunk_queue` and call `send_audio_frame` method to process data chunks
+- `stop(self)`: Stop the model
+
+Complete caption engine examples:
+
+- [gummy.py](../../engine/audio2text/gummy.py)
+- [vosk.py](../../engine/audio2text/vosk.py)
+- [sosv.py](../../engine/audio2text/sosv.py)
+
+### Caption Translation
+
+Some speech-to-text models do not provide translation. If needed, an additional translation module needs to be added, or built-in translation modules can be used.
+
+Example:
+
+```python
+from utils import google_translate, ollama_translate
+text = "This is a translation test."
+google_translate("", "en", text, "time_s")
+ollama_translate("qwen3:0.6b", "en", text, "time_s")
+```
+
+### Caption Data Transmission
+
+After obtaining the text from the current audio stream, the text needs to be sent to the main program. The caption engine process transmits caption data to the Electron main process through standard output.
+
+The transmitted content must be a JSON string, where the JSON object needs to contain the following parameters:
+
+```typescript
+export interface CaptionItem {
+  command: "caption",
+  index: number,        // Caption sequence number
+  time_s: string,       // Current caption start time
+  time_t: string,       // Current caption end time
+  text: string,         // Caption content
+  translation: string   // Caption translation
+}
+```
+
+**Note that the buffer must be flushed after each caption JSON data output to ensure that the Electron main process receives strings that can be interpreted as JSON objects each time.** It is recommended to use the project's existing `stdout_obj` function for transmission.
+
+### Command Line Parameter Specification
+
+Custom caption engine settings provide command line parameter specification, so the caption engine parameters need to be set properly. Currently used parameters in this project are as follows:
+
+```python
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
+    # all
+    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=10, help='Number of audio stream chunks collected per second')
+    parser.add_argument('-p', '--port', default=0, help='The port to run the server on, 0 for no server')
+    parser.add_argument('-t', '--target_language', default='zh', help='Target language code, "none" for no translation')
+    parser.add_argument('-r', '--record', default=0, help='Whether to record the audio, 0 for no recording, 1 for recording')
+    parser.add_argument('-rp', '--record_path', default='', help='Path to save the recorded audio')
+    # gummy and sosv
+    parser.add_argument('-s', '--source_language', default='auto', help='Source language code')
+    # gummy only
+    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
+    # vosk and sosv
+    parser.add_argument('-tm', '--translation_model', default='ollama', help='Model for translation: ollama or google')
+    parser.add_argument('-omn', '--ollama_name', default='', help='Ollama model name for translation')
+    # vosk only
+    parser.add_argument('-vosk', '--vosk_model', default='', help='The path to the vosk model.')
+    # sosv only
+    parser.add_argument('-sosv', '--sosv_model', default=None, help='The SenseVoice model path')
+```
+
+For example, for this project's caption engine, if I want to use the Gummy model, specify the original text as Japanese, translate to Chinese, and capture captions from system audio output, with 0.1s audio data segments each time, the command line parameters 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  
+
+Except for audio-to-text conversion and translation, other components (audio acquisition, audio resampling, and communication with the main process) are recommended to directly reuse the project's code. If this approach is taken, the content that needs to be added includes:
+
+- `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

@@ -0,0 +1,203 @@
+# 字幕エンジン説明ドキュメント
+
+## 注意：このドキュメントはメンテナンスが行われていないため、記載されている情報は古くなっています。最新の情報については、[中国語版](./zh.md)または[英語版](./en.md)のドキュメントをご参照ください。
+
+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)
+
+## 字幕エンジン紹介
+
+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。**
+
+## 実行フロー
+
+メインプロセスと字幕エンジンの通信フロー：
+
+### エンジンの起動
+
+- 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
+
+### 字幕認識
+
+- 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
+
+### エンジンの停止
+
+- 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
+
+## 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
+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")
+```
+
+### Socketサービスの作成
+
+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。
+
+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 {
+  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
+}
+```
+
+**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。**
+
+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
+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=10, 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')
+```
+
+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

@@ -0,0 +1,231 @@
+# 字幕引擎说明文档
+
+对应版本：v1.0.0
+
+![](../../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（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
+
+- Electron 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：新建线程监听系统音频输出，将获取的音频数据块放入共享队列中（`shared_data.chunk_queue`）。字幕引擎不断读取共享队列中的音频数据块并解析。字幕引擎还可能新建线程执行翻译操作。最后字幕引擎通过标准输出发送解析的字幕数据对象字符串
+- Electron 主进程：持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
+
+- Electron 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 `shared_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
+- Electron 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
+# {"command": "print", "content": "Hello"}\n
+stdout("Hello")
+# {"command": "connect", "content": "8080"}\n
+stdout_cmd("connect", "8080")
+# {"command": "print", "content": "print"}\n
+stdout_obj({"command": "print", "content": "print"})
+# sys.stderr.write("Error Info" + "\n")
+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 `shared_data.status` 的值。
+
+样例：
+
+```python
+from utils import start_server
+from utils import shared_data
+port = 8080
+start_server(port)
+while thread_data == 'running':
+    # do something
+    pass
+```
+
+### 音频获取
+
+`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：
+
+- `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，默认为 10
+
+该类包含四个方法：
+
+- `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
+- `close_stream_signal()` 线程安全的关闭系统音频输入流
+
+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。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。本项目提供了两个音频处理函数：
+
+- `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) -> 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
+
+样例：
+
+```python
+from sysaudio import AudioStream
+from utils import merge_chunk_channels
+stream =  AudioStream(1)
+while True:
+    raw_chunk = stream.read_chunk()
+    chunk = resample_chunk_mono(raw_chunk, stream.CHANNELS, stream.RATE, 16000)
+    # do something with chunk
+```
+
+## 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，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。
+
+这部分建议封装为一个类，需要实现四个方法：
+
+- `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**
+- `translate(self)`：持续从 `shared_data.chunk_queue` 中取出数据块，并调用 `send_audio_frame` 方法处理数据块
+- `stop(self)`：停止模型
+
+完整的字幕引擎实例如下：
+
+- [gummy.py](../../engine/audio2text/gummy.py)
+- [vosk.py](../../engine/audio2text/vosk.py)
+- [sosv.py](../../engine/audio2text/sosv.py)
+
+### 字幕翻译
+
+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，也可以使用自带的翻译模块。
+
+样例：
+
+```python
+from utils import google_translate, ollama_translate
+text = "这是一个翻译测试。"
+google_translate("", "en", text, "time_s")
+ollama_translate("qwen3:0.6b", "en", text, "time_s")
+```
+
+### 字幕数据发送
+
+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
+  text: string,         // 字幕内容
+  translation: string   // 字幕翻译
+}
+```
+
+**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。** 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
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
+    # all
+    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=10, help='Number of audio stream chunks collected per second')
+    parser.add_argument('-p', '--port', default=0, help='The port to run the server on, 0 for no server')
+    parser.add_argument('-t', '--target_language', default='zh', help='Target language code, "none" for no translation')
+    parser.add_argument('-r', '--record', default=0, help='Whether to record the audio, 0 for no recording, 1 for recording')
+    parser.add_argument('-rp', '--record_path', default='', help='Path to save the recorded audio')
+    # gummy and sosv
+    parser.add_argument('-s', '--source_language', default='auto', help='Source language code')
+    # gummy only
+    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
+    # vosk and sosv
+    parser.add_argument('-tm', '--translation_model', default='ollama', help='Model for translation: ollama or google')
+    parser.add_argument('-omn', '--ollama_name', default='', help='Ollama model name for translation')
+    # vosk only
+    parser.add_argument('-vosk', '--vosk_model', default='', help='The path to the vosk model.')
+    # sosv only
+    parser.add_argument('-sosv', '--sosv_model', default=None, help='The SenseVoice model path')
+```
+
+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：
+
+```bash
+python main.py -e gummy -s ja -t zh -a 0 -c 10 -k <dashscope-api-key>
+```
+
+## 其他
+
+### 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
+
+除音频转文字和翻译外，其他（音频获取、音频重采样、与主进程通信）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

@@ -0,0 +1,304 @@
+# Auto Caption User Manual
+
+Corresponding Version: v1.0.0
+
+**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).
+
+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.
+
+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 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.
+
+## Preparation for Using Gummy Engine
+
+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).
+
+**The international version of Alibaba Cloud services does not provide the Gummy model, so non-Chinese users currently cannot use the default caption engine.**
+
+Alibaba Cloud provides detailed tutorials for this part, which can be referenced:
+
+- [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)
+
+## Preparation for Using Vosk Engine
+
+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.
+
+![](../../assets/media/config_en.png)
+
+## Using SOSV Model
+
+The way to use the SOSV model is the same as Vosk. The download address is as follows: https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
+
+## 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):
+
+```bash
+brew install blackhole-2ch
+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.
+
+### Starting and Stopping Captions
+
+After completing all configurations, click the "Start Caption Engine" button on the interface to start the captions. If you need a separate caption display window, click the "Open Caption Window" button to activate the independent caption display window. To pause caption recognition, click the "Stop Caption Engine" button.
+
+### Adjusting the Caption Display Window
+
+The following image shows the caption display window, which displays the latest captions in real-time. The three buttons in the upper right corner of the window have the following functions: pin the window to the front, open the caption control window, and close the caption display window. The width of the window can be adjusted by moving the mouse to the left or right edge of the window and dragging the mouse.
+
+![](../img/01.png)
+
+### Exporting Caption Records
+
+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 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 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)
+
+Note that when using a custom caption engine, all previous caption engine settings will be ineffective, and the configuration of the custom caption engine is entirely done through the engine command.
+
+If you are a developer and want to develop a custom caption engine, please refer to the [Caption Engine Explanation Document](../engine-manual/en.md).
+
+## Using Caption Engine Standalone
+
+### Runtime Parameter Description
+
+> The following content assumes users have some knowledge of running programs via terminal.
+
+The complete set of runtime parameters available for the caption engine is shown below:
+
+![](../img/06.png)
+
+However, when used standalone, some parameters may not need to be used or should not be modified.
+
+The following parameter descriptions only include necessary parameters.
+
+#### `-e , --caption_engine`
+
+The caption engine model to select, currently three options are available: `gummy, vosk, sosv`.
+
+The default value is `gummy`.
+
+This applies to all models.
+
+#### `-a, --audio_type`
+
+The audio type to recognize, where `0` represents system audio output and `1` represents microphone audio input.
+
+The default value is `0`.
+
+This applies to all models.
+
+#### `-d, --display_caption`
+
+Whether to display captions in the console, `0` means do not display, `1` means display.
+
+The default value is `0`, but it's recommended to choose `1` when using only the caption engine.
+
+This applies to all models.
+
+#### `-t, --target_language`
+
+> Note that Vosk and SOSV models have poor sentence segmentation, which can make translated content difficult to understand. It's not recommended to use translation with these two models.
+
+Target language for translation. All models support the following translation languages:
+
+- `none` No translation
+- `zh` Simplified Chinese
+- `en` English
+- `ja` Japanese
+- `ko` Korean
+
+Additionally, `vosk` and `sosv` models also support the following translations:
+
+- `de` German
+- `fr` French
+- `ru` Russian
+- `es` Spanish
+- `it` Italian
+
+The default value is `none`.
+
+This applies to all models.
+
+#### `-s, --source_language`
+
+Source language for recognition. Default value is `auto`, meaning no specific source language.
+
+Specifying the source language can improve recognition accuracy to some extent. You can specify the source language using the language codes above.
+
+This only applies to Gummy and SOSV models.
+
+The Gummy model can use all the languages mentioned above, plus Cantonese (`yue`).
+
+The SOSV model supports specifying the following languages: English, Chinese, Japanese, Korean, and Cantonese.
+
+#### `-k, --api_key`
+
+Specify the Alibaba Cloud API KEY required for the `Gummy` model.
+
+Default value is empty.
+
+This only applies to the Gummy model.
+
+#### `-tm, --translation_model`
+
+Specify the translation method for Vosk and SOSV models. Default is `ollama`.
+
+Supported values are:
+
+- `ollama` Use local Ollama model for translation. Users need to install Ollama software and corresponding models
+- `google` Use Google Translate API for translation. No additional configuration needed, but requires network access to Google
+
+This only applies to Vosk and SOSV models.
+
+#### `-omn, --ollama_name`
+
+Specify the Ollama model to call for translation. Default value is empty.
+
+It's recommended to use models with less than 1B parameters, such as: `qwen2.5:0.5b`, `qwen3:0.6b`.
+
+Users need to download the corresponding model in Ollama to use it properly.
+
+This only applies to Vosk and SOSV models.
+
+#### `-vosk, --vosk_model`
+
+Specify the path to the local folder of the Vosk model to call. Default value is empty.
+
+This only applies to the Vosk model.
+
+#### `-sosv, --sosv_model`
+
+Specify the path to the local folder of the SOSV model to call. Default value is empty.
+
+This only applies to the SOSV model.
+
+### Running Caption Engine Using Source Code
+
+> The following content assumes users who use this method have knowledge of Python environment configuration and usage.
+
+First, download the project source code locally. The caption engine source code is located in the  `engine` directory of the project. Then configure the Python environment, where the project dependencies are listed in the `requirements.txt` file in the `engine` directory.
+
+After configuration, enter the `engine` directory and execute commands to run the caption engine.
+
+For example, to use the Gummy model, specify audio type as system audio output, source language as English, and target language as Chinese, execute the following command:
+
+> Note: For better visualization, the commands below are written on multiple lines. If execution fails, try removing backslashes and executing as a single line command.
+
+```bash
+python main.py \
+-e gummy \
+-k sk-******************************** \
+-a 0 \
+-d 1 \
+-s en \
+-t zh
+```
+
+To specify the Vosk model, audio type as system audio output, translate to English, and use Ollama `qwen3:0.6b` model for translation:
+
+```bash
+python main.py \
+-e vosk \
+-vosk D:\Projects\auto-caption\engine\models\vosk-model-small-cn-0.22 \
+-a 0 \
+-d 1 \
+-t en \
+```
+
+To specify the SOSV model, audio type as microphone, automatically select source language, and no translation:
+
+```bash
+python main.py \
+-e sosv \
+-sosv D:\\Projects\\auto-caption\\engine\\models\\sosv-int8 \
+-a 1 \
+-d 1 \
+-s auto \
+-t none
+```
+
+Running result using the Gummy model is shown below:
+
+![](../img/07.png)
+
+### Running Subtitle Engine Executable File
+
+First, download the executable file for your platform from [GitHub Releases](https://github.com/HiMeditator/auto-caption/releases/tag/engine) (currently only Windows and Linux platform executable files are provided).
+
+Then open a terminal in the directory containing the caption engine executable file and execute commands to run the caption engine.
+
+Simply replace `python main.py` in the above commands with the executable file name (for example: `engine-win.exe`).

docs/user-manual/ja.md

@@ -0,0 +1,133 @@
+# Auto Caption ユーザーマニュアル
+
+対応バージョン：v1.0.0
+
+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。
+
+## 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。
+
+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
+
+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。
+
+## Gummyエンジン使用前の準備
+
+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）。
+
+**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。**
+
+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（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。
+
+![](../../assets/media/config_ja.png)
+
+## SOSVモデルの使用
+
+SOSVモデルの使用方法はVoskと同じで、ダウンロードアドレスは以下の通りです：https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
+
+## 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
+
+
+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）：
+
+```bash
+brew install blackhole-2ch
+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。
+
+### 字幕の開始と停止
+
+すべての設定を完了したら、インターフェースの「字幕エンジンを開始」ボタンをクリックして字幕を開始できます。独立した字幕表示ウィンドウが必要な場合は、インターフェースの「字幕ウィンドウを開く」ボタンをクリックして独立した字幕表示ウィンドウをアクティブ化します。字幕認識を一時停止する必要がある場合は、「字幕エンジンを停止」ボタンをクリックします。
+
+### 字幕表示ウィンドウの調整
+
+下の図は字幕表示ウィンドウです。このウィンドウは現在の最新の字幕をリアルタイムで表示します。ウィンドウの右上にある3つのボタンの機能はそれぞれ次の通りです：ウィンドウを最前面に固定する、字幕制御ウィンドウを開く、字幕表示ウィンドウを閉じる。このウィンドウの幅は調整可能です。マウスをウィンドウの左右の端に移動し、ドラッグして幅を調整します。
+
+![](../img/01.png)
+
+### 字幕記録のエクスポート
+
+「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、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)
+
+カスタム字幕エンジンを使用する場合、前の字幕エンジンの設定はすべて無効になります。カスタム字幕エンジンの設定は完全にエンジンコマンドによって行われます。
+
+開発者の方で、カスタム字幕エンジンを開発したい場合は、[字幕エンジン説明文書](../engine-manual/ja.md)をご覧ください。

docs/user-manual/zh.md

@@ -0,0 +1,302 @@
+# Auto Caption 用户手册
+
+对应版本：v1.0.0
+
+## 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。
+
+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。
+
+## 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）。
+
+**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)
+
+## 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。
+
+![](../../assets/media/config_zh.png)
+
+## 使用 SOSV 模型
+
+使用 SOSV 模型的方式和 Vosk 一样，下载地址如下：https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model
+
+## 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）：
+
+```bash
+brew install blackhole-2ch
+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。
+
+### 启动和关闭字幕
+
+在修改完全部配置后，点击界面的“启动字幕引擎”按钮，即可启动字幕。如果需要独立的字幕展示窗口，单击界面的“打开字幕窗口”按钮即可激活独立的字幕展示窗口。如果需要暂停字幕识别，单击界面的“关闭字幕引擎”按钮即可。
+
+### 调整字幕展示窗口
+
+如下图为字幕展示窗口，该窗口实时展示当前最新字幕。窗口右上角三个按钮的功能分别是：将窗口固定在最前面、打开字幕控制窗口、关闭字幕展示窗口。该窗口宽度可以调整，将鼠标移动至窗口的左右边缘，拖动鼠标即可调整宽度。
+
+![](../img/01.png)
+
+### 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”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)
+
+注意使用自定义字幕引擎时，前面的字幕引擎的设置将全部不起作用，自定义字幕引擎的配置完全通过引擎指令进行配置。
+
+如果你是开发者，想开发自定义字幕引擎，请查看[字幕引擎说明文档](../engine-manual/zh.md)。
+
+## 单独使用字幕引擎
+
+### 运行参数说明
+
+> 以下内容默认用户对使用终端运行程序有一定了解。
+
+字幕引擎可用使用的完整的运行参数如下：
+
+![](../img/06.png)
+
+而在单独使用时其中某些参数并不需要使用，或者不适合进行修改。
+
+下面的运行参数说明仅包含必要的参数。
+
+#### `-e , --caption_engine`
+
+需要选择的字幕引擎模型，目前有三个可用，分别为：`gummy, vosk, sosv`。
+
+该项的默认值为 `gummy`。
+
+该项适用于所有模型。
+
+#### `-a, --audio_type`
+
+需要识别的音频类型，其中 `0` 表示系统音频输出，`1` 表示麦克风音频输入。
+
+该项的默认值为 `0`。
+
+该项适用于所有模型。
+
+#### `-d, --display_caption`
+
+是否在控制台显示字幕，`0` 表示不显示，`1` 表示显示。
+
+该项默认值为 `0`，只使用字幕引擎的话建议选 `1`。
+
+该项适用于所有模型。
+
+#### `-t, --target_language`
+
+> 其中 Vosk 和 SOSV 模型分句效果较差，会导致翻译内容难以理解，不太建议这两个模型使用翻译。
+
+需要翻译成的目标语言，所有模型都支持的翻译语言如下：
+
+- `none` 不进行翻译
+- `zh` 简体中文
+- `en` 英语
+- `ja` 日语
+- `ko` 韩语
+
+除此之外 `vosk` 和 `sosv` 模型还支持如下翻译：
+
+- `de` 德语
+- `fr` 法语
+- `ru` 俄语
+- `es` 西班牙语
+- `it` 意大利语
+
+该项的默认值为 `none`。
+
+该项适用于所有模型。
+
+#### `-s, --source_language`
+
+需要识别的语言的源语言，默认值为 `auto`，表示不指定源语言。
+
+但是指定源语言能在一定程度上提高识别准确率，可用使用上面的语言代码指定源语言。
+
+该项仅适用于 Gummy 和 SOSV 模型。
+
+其中 Gummy 模型可用使用上述全部的语言，在加上粤语（`yue`）。
+
+而 SOSV 模型支持指定的语言有：英语、中文、日语、韩语、粤语。
+
+#### `-k, --api_key`
+
+指定 `Gummy` 模型需要使用的阿里云 API KEY。
+
+该项默认值为空。
+
+该项仅适用于 Gummy 模型。
+
+#### `-tm, --translation_model`
+
+指定 Vosk 和 SOSV 模型的翻译方式，默认为 `ollama`。
+
+该项支持的值有：
+
+- `ollama` 使用本地 Ollama 模型进行翻译，需要用户安装 Ollama 软件和对应的模型
+- `google` 使用 Google 翻译 API 进行翻译，无需额外配置，但是需要有能访问 Google 的网络
+
+该项仅适用于 Vosk 和 SOSV 模型。
+
+#### `-omn, --ollama_name`
+
+指定需要调用进行翻译的 Ollama 模型。该项默认值为空。
+
+建议使用参数量小于 1B 的模型，比如： `qwen2.5:0.5b`, `qwen3:0.6b`。
+
+用户需要在 Ollama 中下载了对应的模型才能正常使用。
+
+该项仅适用于 Vosk 和 SOSV 模型。
+
+#### `-vosk, --vosk_model`
+
+指定需要调用的 Vosk 模型的本地文件夹的路径。该项默认值为空。
+
+该项仅适用于 Vosk  模型。
+
+#### `-sosv, --sosv_model`
+
+指定需要调用的 SOSV 模型的本地文件夹的路径。该项默认值为空。
+
+该项仅适用于 SOSV  模型。
+
+### 使用源代码运行字幕引擎
+
+> 以下内容默认使用该方式的用户对 Python 环境配置和使用有所了解。
+
+首先下载项目源代码到本地，其中字幕引擎源代码在项目的 `engine` 目录下。然后配置 Python 环境，其中项目依赖的 Python 包在 `engine` 目录下 `requirements.txt` 文件中。
+
+配置好后进入 `engine` 目录，执行命令进行运行字幕引擎。
+
+比如要使用 Gummy 模型，指定音频类型为系统音频输出，源语言为英语，翻译语言为中文，执行的命令如下：
+
+> 注意：为了更直观，下面的命令写在了多行，如果执行失败，尝试去掉反斜杠，并改换单行命令执行。
+
+```bash
+python main.py \
+-e gummy \
+-k sk-******************************** \
+-a 0 \
+-d 1 \
+-s en \
+-t zh
+```
+
+指定 Vosk 模型，指定音频类型为系统音频输出，翻译语言为英语，使用 Ollama `qwen3:0.6b` 模型进行翻译：
+
+```bash
+python main.py \
+-e vosk \
+-vosk D:\Projects\auto-caption\engine\models\vosk-model-small-cn-0.22 \
+-a 0 \
+-d 1 \
+-t en \
+```
+
+指定 SOSV 模型，指定音频类型为麦克风，自动选择源语言，不翻译，执行的命令如下：
+
+```bash
+python main.py \
+-e sosv \
+-sosv D:\\Projects\\auto-caption\\engine\\models\\sosv-int8 \
+-a 1 \
+-d 1 \
+-s auto \
+-t none
+```
+
+使用 Gummy 模型的运行效果如下：
+
+![](../img/07.png)
+
+### 运行字幕引擎可执行文件
+
+首先在 [GitHub Release](https://github.com/HiMeditator/auto-caption/releases/tag/engine) 中下载对应平台的可执行文件（目前仅提供 Windows 和 Linux 平台的字幕引擎可执行文件）。
+
+然后再字幕引擎可执行文件所在目录打开终端，执行命令进行运行字幕引擎。
+
+只需要将上述指令中的 `python main.py` 替换为可执行文件名称即可（比如：`engine-win.exe`）。

electron-builder.yml

@@ -1,22 +1,30 @@
 appId: com.himeditator.autocaption
-productName: auto-caption
+productName: Auto Caption
 directories:
   buildResources: build
 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/*'
+  - '!.repomap/*'
+  - '!.virtualme/*'
 extraResources:
-  from: ./python-subprocess/dist/main-gummy.exe
-  to: ./python-subprocess/dist/main-gummy.exe
-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/audio2text/__init__.py

@@ -0,0 +1,3 @@
+from .gummy import GummyRecognizer
+from .vosk import VoskRecognizer
+from .sosv import SosvRecognizer

engine/audio2text/gummy.py

@@ -0,0 +1,117 @@
+from dashscope.audio.asr import (
+    TranslationRecognizerCallback,
+    TranscriptionResult,
+    TranslationResult,
+    TranslationRecognizerRealtime
+)
+import dashscope
+from dashscope.common.error import InvalidParameter
+from datetime import datetime
+from utils import stdout_cmd, stdout_obj, stdout_err
+from utils import shared_data
+
+class Callback(TranslationRecognizerCallback):
+    """
+    语音大模型流式传输回调对象
+    """
+    def __init__(self):
+        super().__init__()
+        self.index = 0
+        self.usage = 0
+        self.cur_id = -1
+        self.time_str = ''
+
+    def on_open(self) -> None:
+        self.usage = 0
+        self.cur_id = -1
+        self.time_str = ''
+        stdout_cmd('info', 'Gummy translator started.')
+
+    def on_close(self) -> None:
+        stdout_cmd('info', 'Gummy translator closed.')
+        stdout_cmd('usage', str(self.usage))
+
+    def on_event(
+        self,
+        request_id,
+        transcription_result: TranscriptionResult,
+        translation_result: TranslationResult,
+        usage
+    ) -> None:
+        caption = {}
+
+        if transcription_result is not None:
+            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:
+            lang = translation_result.get_language_list()[0]
+            caption['translation'] = translation_result.get_translation(lang).text
+
+        if usage:
+            self.usage += usage['duration']
+
+        if 'text' in caption:
+            stdout_obj(caption)
+
+
+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
+
+    初始化参数：
+        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: int, source: str, target: str | None, api_key: str | None):
+        if api_key:
+            dashscope.api_key = api_key
+        self.translator = TranslationRecognizerRealtime(
+            model = "gummy-realtime-v1",
+            format = "pcm",
+            sample_rate = rate,
+            transcription_enabled = True,
+            translation_enabled = (target is not None),
+            source_language = source,
+            translation_target_languages = [target],
+            callback = Callback()
+        )
+
+    def start(self):
+        """启动 Gummy 引擎"""
+        self.translator.start()
+
+    def translate(self):
+        """持续读取共享数据中的音频帧，并进行语音识别，将识别结果输出到标准输出中"""
+        global shared_data
+        restart_count = 0
+        while shared_data.status == 'running':
+            chunk = shared_data.chunk_queue.get()
+            try:
+                self.translator.send_audio_frame(chunk)
+            except InvalidParameter as e:
+                restart_count += 1
+                if restart_count > 5:
+                    stdout_err(str(e))
+                    shared_data.status = "kill"
+                    stdout_cmd('kill')
+                    break
+                else:
+                    stdout_cmd('info', f'Gummy engine stopped, restart attempt: {restart_count}...')
+
+    def stop(self):
+        """停止 Gummy 引擎"""
+        try:
+            self.translator.stop()
+        except Exception:
+            return

engine/audio2text/sosv.py

@@ -0,0 +1,176 @@
+"""
+Shepra-ONNX SenseVoice Model
+
+This code file references the following:
+
+https://github.com/k2-fsa/sherpa-onnx/blob/master/python-api-examples/simulate-streaming-sense-voice-microphone.py
+"""
+
+import time
+from datetime import datetime
+import sherpa_onnx
+import threading
+import numpy as np
+
+from utils import shared_data
+from utils import stdout_cmd, stdout_obj
+from utils import google_translate, ollama_translate
+
+
+class SosvRecognizer:
+    """
+    使用 Sense Voice 非流式模型处理流式音频数据，并在标准输出中输出 Auto Caption 软件可读取的 JSON 字符串数据
+
+    初始化参数：
+        model_path: Shepra ONNX Sense Voice 识别模型路径
+        vad_model: Silero VAD 模型路径
+        source: 识别源语言(auto, zh, en, ja, ko, yue)
+        target: 翻译目标语言
+        trans_model: 翻译模型名称
+        ollama_name: Ollama 模型名称
+    """
+    def __init__(self, model_path: str, source: str, target: str | None, trans_model: str, ollama_name: str):
+        if model_path.startswith('"'):
+            model_path = model_path[1:]
+        if model_path.endswith('"'):
+            model_path = model_path[:-1]
+        self.model_path = model_path
+        self.ext = ""
+        if self.model_path[-4:] == "int8":
+            self.ext = ".int8"
+        self.source = source
+        self.target = target
+        if trans_model == 'google':
+            self.trans_func = google_translate
+        else:
+            self.trans_func = ollama_translate
+        self.ollama_name = ollama_name
+        self.time_str = ''
+        self.cur_id = 0
+        self.prev_content = ''
+
+    def start(self):
+        """启动 Sense Voice 模型"""
+        self.recognizer = sherpa_onnx.OfflineRecognizer.from_sense_voice(
+            model=f"{self.model_path}/sensevoice/model{self.ext}.onnx",
+            tokens=f"{self.model_path}/sensevoice/tokens.txt",
+            language=self.source,
+            num_threads = 2,
+        )
+        
+        vad_config = sherpa_onnx.VadModelConfig()
+        vad_config.silero_vad.model = f"{self.model_path}/silero_vad.onnx"
+        vad_config.silero_vad.threshold = 0.5
+        vad_config.silero_vad.min_silence_duration = 0.1
+        vad_config.silero_vad.min_speech_duration = 0.25
+        vad_config.silero_vad.max_speech_duration = 5
+        vad_config.sample_rate = 16000
+        self.window_size = vad_config.silero_vad.window_size
+        self.vad = sherpa_onnx.VoiceActivityDetector(vad_config, buffer_size_in_seconds=100)
+
+        if self.source == 'en':
+            model_config = sherpa_onnx.OnlinePunctuationModelConfig(
+                cnn_bilstm=f"{self.model_path}/punct-en/model{self.ext}.onnx",
+                bpe_vocab=f"{self.model_path}/punct-en/bpe.vocab"
+            )
+            punct_config = sherpa_onnx.OnlinePunctuationConfig(
+                model_config=model_config,
+            )
+            self.punct = sherpa_onnx.OnlinePunctuation(punct_config)
+        else:
+            punct_config = sherpa_onnx.OfflinePunctuationConfig(
+                model=sherpa_onnx.OfflinePunctuationModelConfig(
+                    ct_transformer=f"{self.model_path}/punct/model{self.ext}.onnx"
+                ),
+            )
+            self.punct = sherpa_onnx.OfflinePunctuation(punct_config)
+
+        self.buffer = []
+        self.offset = 0
+        self.started = False
+        self.started_time = .0
+        self.time_str = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+        stdout_cmd('info', 'Shepra ONNX Sense Voice recognizer started.')
+
+    def send_audio_frame(self, data: bytes):
+        """
+        发送音频帧给 SOSV 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'] = ''
+
+        data_np = np.frombuffer(data, dtype=np.int16).astype(np.float32)
+        self.buffer = np.concatenate([self.buffer, data_np])
+        while self.offset + self.window_size < len(self.buffer):
+            self.vad.accept_waveform(self.buffer[self.offset: self.offset + self.window_size])
+            if not self.started and self.vad.is_speech_detected():
+                self.started = True
+                self.started_time = time.time()
+            self.offset += self.window_size
+
+        if not self.started:
+            if len(self.buffer) > 10 * self.window_size:
+                self.offset -= len(self.buffer) - 10 * self.window_size
+                self.buffer = self.buffer[-10 * self.window_size:]
+
+        if self.started and time.time() - self.started_time > 0.2:
+            stream = self.recognizer.create_stream()
+            stream.accept_waveform(16000, self.buffer)
+            self.recognizer.decode_stream(stream)
+            text = stream.result.text.strip()
+            if text and self.prev_content != text:
+                caption['index'] = self.cur_id
+                caption['text'] = text
+                caption['time_s'] = self.time_str
+                caption['time_t'] = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+                self.prev_content = text
+                stdout_obj(caption)
+            self.started_time = time.time()
+        
+        while not self.vad.empty():
+            stream = self.recognizer.create_stream()
+            stream.accept_waveform(16000, self.vad.front.samples)
+            self.vad.pop()
+            self.recognizer.decode_stream(stream)
+            text = stream.result.text.strip()
+
+            if self.source == 'en':
+                text_with_punct = self.punct.add_punctuation_with_case(text)
+            else:
+                text_with_punct = self.punct.add_punctuation(text)
+
+            caption['index'] = self.cur_id
+            caption['text'] = text_with_punct
+            caption['time_s'] = self.time_str
+            caption['time_t'] = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+            if text:
+                stdout_obj(caption)
+                if self.target:
+                    th = threading.Thread(
+                        target=self.trans_func,
+                        args=(self.ollama_name, self.target, caption['text'], self.time_str),
+                        daemon=True
+                    )
+                    th.start()    
+                self.cur_id += 1
+            self.prev_content = ''
+            self.time_str = datetime.now().strftime('%H:%M:%S.%f')[:-3]
+            self.buffer = []
+            self.offset = 0
+            self.started = False
+            self.started_time = .0
+
+    def translate(self):
+        """持续读取共享数据中的音频帧，并进行语音识别，将识别结果输出到标准输出中"""
+        global shared_data
+        while shared_data.status == 'running':
+            chunk = shared_data.chunk_queue.get()
+            self.send_audio_frame(chunk)
+    
+    def stop(self):
+        """停止 Sense Voice 模型"""
+        stdout_cmd('info', 'Shepra ONNX Sense Voice recognizer closed.')

engine/audio2text/vosk.py

@@ -0,0 +1,96 @@
+import json
+import threading
+import time
+from datetime import datetime
+
+from vosk import Model, KaldiRecognizer, SetLogLevel
+from utils import shared_data
+from utils import stdout_cmd, stdout_obj, google_translate, ollama_translate
+
+
+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
+        target: 翻译目标语言
+        trans_model: 翻译模型名称
+        ollama_name: Ollama 模型名称
+    """
+    def __init__(self, model_path: str, target: str | None, trans_model: str, ollama_name: 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.target = target
+        if trans_model == 'google':
+            self.trans_func = google_translate
+        else:
+            self.trans_func = ollama_translate
+        self.ollama_name = ollama_name
+        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 = ''
+            if content == '': return
+            self.cur_id += 1
+            
+            if self.target:
+                th = threading.Thread(
+                    target=self.trans_func,
+                    args=(self.ollama_name, self.target, caption['text'], self.time_str),
+                    daemon=True
+                )
+                th.start()
+        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 translate(self):
+        """持续读取共享数据中的音频帧，并进行语音识别，将识别结果输出到标准输出中"""
+        global shared_data
+        while shared_data.status == 'running':
+            chunk = shared_data.chunk_queue.get()
+            self.send_audio_frame(chunk)
+
+    def stop(self):
+        """停止 Vosk 引擎"""
+        stdout_cmd('info', 'Vosk recognizer closed.')

engine/main.py

@@ -0,0 +1,212 @@
+import wave
+import argparse
+import threading
+import datetime
+from utils import stdout, stdout_cmd, change_caption_display
+from utils import shared_data, start_server
+from utils import merge_chunk_channels, resample_chunk_mono
+from audio2text import GummyRecognizer
+from audio2text import VoskRecognizer
+from audio2text import SosvRecognizer
+from sysaudio import AudioStream
+
+
+def audio_recording(stream: AudioStream, resample: bool, record = False, path = ''):
+    global shared_data
+    stream.open_stream()
+    wf = None
+    full_name = ''
+    if record:
+        if path != '':
+            if path.startswith('"') and path.endswith('"'):
+                path = path[1:-1]
+            if path[-1] != '/':
+                path += '/'
+        cur_dt = datetime.datetime.now()
+        name = cur_dt.strftime("audio-%Y-%m-%dT%H-%M-%S")
+        full_name = f'{path}{name}.wav'
+        wf = wave.open(full_name, 'wb')
+        wf.setnchannels(stream.CHANNELS)
+        wf.setsampwidth(stream.SAMP_WIDTH)
+        wf.setframerate(stream.RATE)
+        stdout_cmd("info", "Audio recording...")
+    while shared_data.status == 'running':
+        raw_chunk = stream.read_chunk()
+        if record: wf.writeframes(raw_chunk) # type: ignore
+        if raw_chunk is None: continue
+        if resample:
+            chunk = resample_chunk_mono(raw_chunk, stream.CHANNELS, stream.RATE, 16000)
+        else:
+            chunk = merge_chunk_channels(raw_chunk, stream.CHANNELS)
+        shared_data.chunk_queue.put(chunk)
+    if record:
+        stdout_cmd("info", f"Audio saved to {full_name}")
+        wf.close() # type: ignore
+    stream.close_stream_signal()
+
+
+def main_gummy(s: str, t: str, a: int, c: int, k: str, r: bool, rp: str):
+    """
+    Parameters:
+        s: Source language
+        t: Target language
+        k: Aliyun Bailian API key
+        r: Whether to record the audio
+        rp: Path to save the recorded audio
+    """
+    stream = AudioStream(a, c)
+    if t == 'none':
+        engine = GummyRecognizer(stream.RATE, s, None, k)
+    else:
+        engine = GummyRecognizer(stream.RATE, s, t, k)
+
+    engine.start()
+    stream_thread = threading.Thread(
+        target=audio_recording,
+        args=(stream, False, r, rp),
+        daemon=True
+    )
+    stream_thread.start()
+    try:
+        engine.translate()
+    except KeyboardInterrupt:
+        stdout("Keyboard interrupt detected. Exiting...")
+    engine.stop()
+
+
+def main_vosk(a: int, c: int, vosk: str, t: str, tm: str, omn: str, r: bool, rp: str):
+    """
+    Parameters:
+        a: Audio source: 0 for output, 1 for input
+        c: Chunk number in 1 second
+        vosk: Vosk model path
+        t: Target language
+        tm: Translation model type, ollama or google
+        omn: Ollama model name
+        r: Whether to record the audio
+        rp: Path to save the recorded audio
+    """
+    stream = AudioStream(a, c)
+    if t == 'none':
+        engine = VoskRecognizer(vosk, None, tm, omn)
+    else:
+        engine = VoskRecognizer(vosk, t, tm, omn)
+
+    engine.start()
+    stream_thread = threading.Thread(
+        target=audio_recording,
+        args=(stream, True, r, rp),
+        daemon=True
+    )
+    stream_thread.start()
+    try:
+        engine.translate()
+    except KeyboardInterrupt:
+        stdout("Keyboard interrupt detected. Exiting...")
+    engine.stop()
+
+
+def main_sosv(a: int, c: int, sosv: str, s: str, t: str, tm: str, omn: str, r: bool, rp: str):
+    """
+    Parameters:
+        a: Audio source: 0 for output, 1 for input
+        c: Chunk number in 1 second
+        sosv: Sherpa-ONNX SenseVoice model path
+        s: Source language
+        t: Target language
+        tm: Translation model type, ollama or google
+        omn: Ollama model name
+        r: Whether to record the audio
+        rp: Path to save the recorded audio
+    """
+    stream = AudioStream(a, c)
+    if t == 'none':
+        engine = SosvRecognizer(sosv, s, None, tm, omn)
+    else:
+        engine = SosvRecognizer(sosv, s, t, tm, omn)
+
+    engine.start()
+    stream_thread = threading.Thread(
+        target=audio_recording,
+        args=(stream, True, r, rp),
+        daemon=True
+    )
+    stream_thread.start()
+    try:
+        engine.translate()
+    except KeyboardInterrupt:
+        stdout("Keyboard interrupt detected. Exiting...")
+    engine.stop()
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
+    # all
+    parser.add_argument('-e', '--caption_engine', default='gummy', help='Caption engine: gummy or vosk or sosv')
+    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=10, help='Number of audio stream chunks collected per second')
+    parser.add_argument('-p', '--port', default=0, help='The port to run the server on, 0 for no server')
+    parser.add_argument('-d', '--display_caption', default=0, help='Display caption on terminal, 0 for no display, 1 for display')
+    parser.add_argument('-t', '--target_language', default='none', help='Target language code, "none" for no translation')
+    parser.add_argument('-r', '--record', default=0, help='Whether to record the audio, 0 for no recording, 1 for recording')
+    parser.add_argument('-rp', '--record_path', default='', help='Path to save the recorded audio')
+    # gummy and sosv
+    parser.add_argument('-s', '--source_language', default='auto', help='Source language code')
+    # gummy only
+    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
+    # vosk and sosv
+    parser.add_argument('-tm', '--translation_model', default='ollama', help='Model for translation: ollama or google')
+    parser.add_argument('-omn', '--ollama_name', default='', help='Ollama model name for translation')
+    # vosk only
+    parser.add_argument('-vosk', '--vosk_model', default='', help='The path to the vosk model.')
+    # sosv only
+    parser.add_argument('-sosv', '--sosv_model', default=None, help='The SenseVoice model path')
+
+    args = parser.parse_args()
+    if int(args.port) == 0:
+        shared_data.status = "running"
+    else:
+        start_server(int(args.port))
+    
+    if int(args.display_caption) != 0:
+        change_caption_display(True)
+        print("Caption will be displayed on terminal")
+
+    if args.caption_engine == 'gummy':
+        main_gummy(
+            args.source_language,
+            args.target_language,
+            int(args.audio_type),
+            int(args.chunk_rate),
+            args.api_key,
+            True if int(args.record) == 1 else False,
+            args.record_path
+        )
+    elif args.caption_engine == 'vosk':
+        main_vosk(
+            int(args.audio_type),
+            int(args.chunk_rate),
+            args.vosk_model,
+            args.target_language,
+            args.translation_model,
+            args.ollama_name,
+            True if int(args.record) == 1 else False,
+            args.record_path
+        )
+    elif args.caption_engine == 'sosv':
+        main_sosv(
+            int(args.audio_type),
+            int(args.chunk_rate),
+            args.sosv_model,
+            args.source_language,
+            args.target_language,
+            args.translation_model,
+            args.ollama_name,
+            True if int(args.record) == 1 else False,
+            args.record_path
+        )
+    else:
+        raise ValueError('Invalid caption engine specified.')
+    
+    if shared_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('./.venv/Lib/site-packages/vosk').resolve())
+else:
+    vosk_path = str(Path('./.venv/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.txt

@@ -0,0 +1,10 @@
+dashscope
+numpy
+resampy
+vosk
+pyinstaller
+pyaudio; sys_platform == 'darwin'
+pyaudiowpatch; sys_platform == 'win32'
+googletrans
+ollama
+sherpa_onnx

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

@@ -0,0 +1,118 @@
+"""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（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
+        chunk_rate: 每秒采集音频块的数量，默认为10
+    """
+    def __init__(self, audio_type=0, chunk_rate=10):
+        self.audio_type = audio_type
+        self.mic = pyaudio.PyAudio()
+        if self.audio_type == 0:
+            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.INDEX = self.device["index"]
+        self.FORMAT = pyaudio.paInt16
+        self.SAMP_WIDTH = pyaudio.get_sample_size(self.FORMAT)
+        self.CHANNELS = int(self.device["maxInputChannels"])
+        self.DEFAULT_RATE = int(self.device["defaultSampleRate"])
+        self.CHUNK_RATE = chunk_rate
+
+        self.RATE = 16000
+        self.CHUNK = self.RATE // self.CHUNK_RATE
+        self.open_stream()
+        self.close_stream()
+
+    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" }
+            - 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']}
+
+        设备序号：{self.INDEX}
+        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}
+        """
+        return dedent(dev_info).strip()
+
+    def open_stream(self):
+        """
+        打开并返回系统音频输出流
+        """
+        if self.stream: return self.stream
+        try:
+            self.stream = self.mic.open(
+                format = self.FORMAT,
+                channels = int(self.CHANNELS),
+                rate = self.RATE,
+                input = True,
+                input_device_index = int(self.INDEX)
+            )
+        except OSError:
+            self.RATE = self.DEFAULT_RATE
+            self.CHUNK = self.RATE // self.CHUNK_RATE
+            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) -> 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 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):
+        """
+        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 +1,109 @@
+"""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10
+    """
+    def __init__(self, audio_type=1,  chunk_rate=10):
+        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 = 16000
+        self.CHUNK_RATE = chunk_rate
+        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=16000", "--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

@@ -0,0 +1,142 @@
+"""获取 Windows 系统音频输入/输出流"""
+
+import pyaudiowpatch as pyaudio
+from textwrap import dedent
+
+
+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对象
+        info: 是否打印设备信息
+
+    Returns:
+        dict: 系统音频输出的回环设备
+    """
+    try:
+        WASAPI_info = mic.get_host_api_info_by_type(pyaudio.paWASAPI)
+    except OSError:
+        print("Looks like WASAPI is not available on the system. Exiting...")
+        exit()
+
+    default_speaker = mic.get_device_info_by_index(WASAPI_info["defaultOutputDevice"])
+    if(info): print("wasapi_info:\n", WASAPI_info, "\n")
+    if(info): print("default_speaker:\n", default_speaker, "\n")
+
+    if not default_speaker["isLoopbackDevice"]:
+        for loopback in mic.get_loopback_device_info_generator():
+            if default_speaker["name"] in loopback["name"]:
+                default_speaker = loopback
+                if(info): print("Using loopback device:\n", default_speaker, "\n")
+                break
+        else:
+            print("Default loopback output device not found.")
+            print("Run `python -m pyaudiowpatch` to check available devices.")
+            print("Exiting...")
+            exit()
+
+    if(info): print(f"Output Stream Device: #{default_speaker['index']} {default_speaker['name']}")
+    return default_speaker
+
+
+class AudioStream:
+    """
+    获取系统音频流
+
+    初始化参数：
+        audio_type: 0-系统音频输出流（默认），1-系统音频输入流
+        chunk_rate: 每秒采集音频块的数量，默认为10
+    """
+    def __init__(self, audio_type=0, chunk_rate=10, chunk_size=-1):
+        self.audio_type = audio_type
+        self.mic = pyaudio.PyAudio()
+        if self.audio_type == 0:
+            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.INDEX = self.device["index"]
+        self.FORMAT = pyaudio.paInt16
+        self.SAMP_WIDTH = pyaudio.get_sample_size(self.FORMAT)
+        self.CHANNELS = int(self.device["maxInputChannels"])
+        self.DEFAULT_RATE = int(self.device["defaultSampleRate"])
+        self.CHUNK_RATE = chunk_rate
+
+        self.RATE = 16000
+        self.CHUNK = self.RATE // self.CHUNK_RATE
+        self.open_stream()
+        self.close_stream()
+
+    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" }
+            - 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']}
+
+        设备序号：{self.INDEX}
+        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}
+        """
+        return dedent(dev_info).strip()
+
+    def open_stream(self):
+        """
+        打开并返回系统音频输出流
+        """
+        if self.stream: return self.stream
+        try: 
+            self.stream = self.mic.open(
+                format = self.FORMAT,
+                channels = self.CHANNELS,
+                rate = self.RATE,
+                input = True,
+                input_device_index = self.INDEX
+            )
+        except OSError:
+            self.RATE = self.DEFAULT_RATE
+            self.CHUNK = self.RATE // self.CHUNK_RATE
+            self.stream = self.mic.open(
+                format = self.FORMAT,
+                channels = self.CHANNELS,
+                rate = self.RATE,
+                input = True,
+                input_device_index = self.INDEX
+            )
+        return self.stream
+
+    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 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 +1,6 @@
+from .audioprcs import merge_chunk_channels, resample_chunk_mono
+from .sysout import stdout, stdout_err, stdout_cmd, stdout_obj, stderr
+from .sysout import change_caption_display
+from .shared import shared_data
+from .server import start_server
+from .translation import ollama_translate, google_translate

engine/utils/audioprcs.py

@@ -0,0 +1,64 @@
+import resampy
+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) -> bytes:
+    """
+    将当前多通道音频数据块转换成单通道音频数据块，并进行重采样
+
+    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
+
+    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)
+
+    if orig_sr == target_sr:
+        return chunk_mono.astype(np.int16).tobytes()
+    
+    chunk_mono_r = resampy.resample(chunk_mono, orig_sr, target_sr)
+    chunk_mono_r = np.round(chunk_mono_r).astype(np.int16)
+    real_len = round(chunk_mono.shape[0] * target_sr / orig_sr)
+    if(chunk_mono_r.shape[0] != real_len):
+        print(chunk_mono_r.shape[0], real_len)
+    if(chunk_mono_r.shape[0] > real_len):
+        chunk_mono_r = chunk_mono_r[:real_len]
+    else:
+        while chunk_mono_r.shape[0] < real_len:
+            chunk_mono_r = np.append(chunk_mono_r, chunk_mono_r[-1])
+    return chunk_mono_r.tobytes()

engine/utils/server.py

@@ -0,0 +1,41 @@
+import socket
+import threading
+import json
+from utils import shared_data, stdout_cmd, stderr
+
+
+def handle_client(client_socket):
+    global shared_data
+    while shared_data.status == 'running':
+        try:
+            data = client_socket.recv(4096).decode('utf-8')
+            if not data:
+                break
+            data = json.loads(data)
+
+            if data['command'] == 'stop':
+                shared_data.status = 'stop'
+                break
+        except Exception as e:
+            stderr(f'Communication error: {e}')
+            break
+    
+    shared_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/shared.py

@@ -0,0 +1,8 @@
+import queue
+
+class SharedData:
+    def __init__(self):
+        self.status = "running"
+        self.chunk_queue = queue.Queue()
+
+shared_data = SharedData()

engine/utils/sysout.py

@@ -0,0 +1,62 @@
+import sys
+import json
+import sherpa_onnx
+
+display_caption = False
+caption_index = -1
+display = sherpa_onnx.Display()
+
+def stdout(text: str):
+    stdout_cmd("print", text)
+
+def stdout_err(text: str):
+    stdout_cmd("error", text)
+
+def stdout_cmd(command: str, content = ""):
+    msg = { "command": command, "content": content }
+    sys.stdout.write(json.dumps(msg) + "\n")
+    sys.stdout.flush()
+
+def change_caption_display(val: bool):
+    global display_caption
+    display_caption = val
+
+def caption_display(obj):
+    global display_caption
+    global caption_index
+    global display
+
+    if caption_index >=0 and caption_index != int(obj['index']):
+        display.finalize_current_sentence()
+    caption_index = int(obj['index'])
+    full_text = f"{obj['text']}\n{obj['translation']}"
+    if obj['translation']:
+        full_text += "\n"
+    display.update_text(full_text)
+    display.display()
+
+def translation_display(obj):
+    global original_caption
+    global display
+    full_text = f"{obj['text']}\n{obj['translation']}"
+    if obj['translation']:
+        full_text += "\n"
+    display.update_text(full_text)
+    display.display()
+    display.finalize_current_sentence()
+
+def stdout_obj(obj):
+    global display_caption
+    print(obj['command'], display_caption)
+    if obj['command'] == 'caption' and display_caption:
+        caption_display(obj)
+        return
+    if obj['command'] == 'translation' and display_caption:
+        translation_display(obj)
+        return
+    sys.stdout.write(json.dumps(obj) + "\n")
+    sys.stdout.flush()
+
+def stderr(text: str):
+    sys.stderr.write(text + "\n")
+    sys.stderr.flush()

engine/utils/translation.py

@@ -0,0 +1,51 @@
+from ollama import chat
+from ollama import ChatResponse
+import asyncio
+from googletrans import Translator
+from .sysout import stdout_cmd, stdout_obj
+
+lang_map = {
+    'en': 'English',
+    'es': 'Spanish',
+    'fr': 'French',
+    'de': 'German',
+    'it': 'Italian',
+    'ru': 'Russian',
+    'ja': 'Japanese',
+    'ko': 'Korean',
+    'zh': 'Chinese',
+    'zh-cn': 'Chinese'
+}
+
+def ollama_translate(model: str, target: str, text: str, time_s: str):
+    response: ChatResponse = chat(
+        model=model,
+        messages=[
+            {"role": "system", "content": f"/no_think Translate the following content into {lang_map[target]}, and do not output any additional information."},
+            {"role": "user", "content": text}
+        ]
+    )
+    content = response.message.content or ""
+    if content.startswith('<think>'):
+        index = content.find('</think>')
+        if index != -1:
+            content = content[index+8:]
+    stdout_obj({
+        "command": "translation",
+        "time_s": time_s,
+        "text": text,
+        "translation": content.strip()
+    })
+
+def google_translate(model: str, target: str, text: str, time_s: str):
+    translator = Translator()
+    try:
+        res = asyncio.run(translator.translate(text, dest=target))
+        stdout_obj({
+            "command": "translation",
+            "time_s": time_s,
+            "text": text,
+            "translation": res.text
+        })
+    except Exception as e:
+        stdout_cmd("warn", f"Google translation request failed, please check your network connection...")

package.json

@@ -1,6 +1,7 @@
 {
   "name": "auto-caption",
-  "version": "0.1.0",
+  "productName": "Auto Caption",
+  "version": "1.0.0",
   "description": "A cross-platform subtitle display software.",
   "main": "./out/main/index.js",
   "author": "himeditator",
@@ -24,16 +25,17 @@
     "@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-router": "^4.5.1",
-    "ws": "^8.18.2"
+    "vue-i18n": "^11.1.9",
+    "vue-router": "^4.5.1"
   },
   "devDependencies": {
     "@electron-toolkit/eslint-config-prettier": "3.0.0",
     "@electron-toolkit/eslint-config-ts": "^3.0.0",
     "@electron-toolkit/tsconfig": "^1.0.1",
     "@types/node": "^22.14.1",
-    "@types/ws": "^8.18.1",
+    "@types/pidusage": "^2.0.5",
     "@vitejs/plugin-vue": "^5.2.3",
     "electron": "^35.1.5",
     "electron-builder": "^25.1.8",

python-prototype/gummy.ipynb

@@ -1,221 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "code",
-   "execution_count": 1,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "from dashscope.audio.asr import *\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：37\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：44100.0Hz\n",
-      "    - 是否回环设备：True\n",
-      "\n",
-      "音频样本块大小：4410\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：44100\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
-}

python-prototype/requirements.txt

@@ -1,4 +0,0 @@
-numpy
-dashscope
-pyaudio
-pyaudiowpatch

python-subprocess/audio2text/gummy.py

@@ -1,80 +0,0 @@
-from dashscope.audio.asr import (
-    TranslationRecognizerCallback,
-    TranscriptionResult,
-    TranslationResult,
-    TranslationRecognizerRealtime    
-)
-from datetime import datetime
-import json
-import sys
-
-class Callback(TranslationRecognizerCallback):
-    """
-    语音大模型流式传输回调对象
-    """
-    def __init__(self):
-        super().__init__()
-        self.usage = 0
-        self.cur_id = -1
-        self.time_str = ''
-    
-    def on_open(self) -> None:
-        pass
-
-    def on_close(self) -> None:
-        pass
-
-    def on_event(
-        self,
-        request_id,
-        transcription_result: TranscriptionResult,
-        translation_result: TranslationResult,
-        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')
-                caption['time_s'] = cur_time
-                self.time_str = cur_time
-            else:
-                caption['time_s'] = self.time_str
-            caption['time_t'] = datetime.now().strftime('%H:%M:%S')
-            caption['translation'] = ""
-        
-        if translation_result is not None:
-            lang = translation_result.get_language_list()[0]
-            caption['translation'] = translation_result.get_translation(lang).text
-        
-        if usage:
-            self.usage += usage['duration']
-
-        # print(caption)
-        self.send_to_node(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:
-    def __init__(self, rate, source, target):
-        self.translator = TranslationRecognizerRealtime(
-            model = "gummy-realtime-v1",
-            format = "pcm",
-            sample_rate = rate,
-            transcription_enabled = True,
-            translation_enabled = (target is not None),
-            source_language = source,
-            translation_target_languages = [target],
-            callback = Callback()
-        )

python-subprocess/main-gummy.py

@@ -1,48 +0,0 @@
-import sys
-
-if sys.platform == 'win32':
-    from sysaudio.win import AudioStream, mergeStreamChannels
-elif sys.platform == 'linux':
-    from sysaudio.linux import AudioStream, mergeStreamChannels
-else:
-    raise NotImplementedError(f"Unsupported platform: {sys.platform}")
-
-from audio2text.gummy import GummyTranslator
-import sys
-import argparse
-
-def convert_audio_to_text(s_lang, t_lang, audio_type):
-    sys.stdout.reconfigure(line_buffering=True)
-    stream = AudioStream(audio_type)
-    stream.openStream()
-
-    if t_lang == 'none':
-        gummy = GummyTranslator(stream.RATE, s_lang, None)
-    else:
-        gummy = GummyTranslator(stream.RATE, s_lang, t_lang)
-    gummy.translator.start()
-
-    while True:
-        try:
-            if not stream.stream: continue
-            data = stream.stream.read(stream.CHUNK)
-            data = mergeStreamChannels(data, stream.CHANNELS)
-            gummy.translator.send_audio_frame(data)
-        except KeyboardInterrupt:
-            stream.closeStream()
-            gummy.translator.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')
-    args = parser.parse_args()
-    convert_audio_to_text(
-        args.source_language,
-        args.target_language,
-        0 if args.audio_type == '0' else 1
-    )
-    

python-subprocess/sysaudio/linux.py

@@ -1,79 +0,0 @@
-import pyaudio
-import numpy as np
-
-def mergeStreamChannels(data, channels):
-    """
-    将当前多通道流数据合并为单通道流数据
-
-    Args:
-        data: 多通道数据
-        channels: 通道数
-
-    Returns:
-        mono_data_bytes: 单通道数据
-    """
-    # (length * channels,)
-    data_np = np.frombuffer(data, dtype=np.int16)
-    # (length, channels)
-    data_np_r = data_np.reshape(-1, channels)
-    # (length,)
-    mono_data = np.mean(data_np_r.astype(np.float32), axis=1)
-    mono_data = mono_data.astype(np.int16)
-    mono_data_bytes = mono_data.tobytes()
-    return mono_data_bytes
-
-
-class AudioStream:
-    def __init__(self, audio_type=1):
-        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 // 20
-        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}
-        音频数据格式：{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 = self.CHANNELS,
-            rate = self.RATE,
-            input = True,
-            input_device_index = self.INDEX
-        )
-        return self.stream
-    
-    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

python-subprocess/sysaudio/win.py

@@ -1,127 +0,0 @@
-"""获取 Windows 系统音频输出流"""
-
-import pyaudiowpatch as pyaudio
-import numpy as np
-
-
-def getDefaultLoopbackDevice(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
-
-    Returns:
-        dict: 系统音频输出的回环设备
-    """
-    try:
-        WASAPI_info = mic.get_host_api_info_by_type(pyaudio.paWASAPI)
-    except OSError:
-        print("Looks like WASAPI is not available on the system. Exiting...")
-        exit()
-
-    default_speaker = mic.get_device_info_by_index(WASAPI_info["defaultOutputDevice"])
-    if(info): print("wasapi_info:\n", WASAPI_info, "\n")
-    if(info): print("default_speaker:\n", default_speaker, "\n")
-
-    if not default_speaker["isLoopbackDevice"]:
-        for loopback in mic.get_loopback_device_info_generator():
-            if default_speaker["name"] in loopback["name"]:
-                default_speaker = loopback
-                if(info): print("Using loopback device:\n", default_speaker, "\n")
-                break
-        else:
-            print("Default loopback output device not found.")
-            print("Run `python -m pyaudiowpatch` to check available devices.")
-            print("Exiting...")
-            exit()
-            
-    if(info): print(f"Output Stream Device: #{default_speaker['index']} {default_speaker['name']}")
-    return default_speaker
-
-
-def mergeStreamChannels(data, channels):
-    """
-    将当前多通道流数据合并为单通道流数据
-
-    Args:
-        data: 多通道数据
-        channels: 通道数
-
-    Returns:
-        mono_data_bytes: 单通道数据
-    """
-    # (length * channels,)
-    data_np = np.frombuffer(data, dtype=np.int16)
-    # (length, channels)
-    data_np_r = data_np.reshape(-1, channels)
-    # (length,)
-    mono_data = np.mean(data_np_r.astype(np.float32), axis=1)
-    mono_data = mono_data.astype(np.int16)
-    mono_data_bytes = mono_data.tobytes()
-    return mono_data_bytes
-
-class AudioStream:
-    """
-    获取系统音频流
-    
-    参数：
-        audio_type: （默认）0-系统音频输出流，1-系统音频输入流
-    """
-    def __init__(self, audio_type=0):
-        self.audio_type = audio_type
-        self.mic = pyaudio.PyAudio()
-        if self.audio_type == 0:
-            self.device = getDefaultLoopbackDevice(self.mic, False)
-        else:
-            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 // 20
-        self.INDEX = self.device["index"]
-
-    def printInfo(self):
-        dev_info = f"""
-        采样设备：
-            - 设备类型：{ "音频输入" if self.audio_type == 0 else "音频输出" }
-            - 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
-            - 是否回环设备：{self.device['isLoopbackDevice']}
-
-        音频样本块大小：{self.CHUNK}
-        样本位宽：{self.SAMP_WIDTH}
-        音频数据格式：{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 = self.CHANNELS,
-            rate = self.RATE,
-            input = True,
-            input_device_index = self.INDEX
-        )
-        return self.stream
-    
-    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

src/main/CaptionWindow.ts

@@ -1,43 +1,42 @@
 import { shell, BrowserWindow, ipcMain } from 'electron'
 import path from 'path'
 import { is } from '@electron-toolkit/utils'
-import icon from '../../resources/icon.png?asset'
-import { controlWindow } from './control'
-import { sendStyles, sendCaptionLog } from './utils/config'
+import icon from '../../build/icon.png?asset'
+import { controlWindow } from './ControlWindow'
+import { allConfig } from './utils/AllConfig'
 
-class CaptionWindow { 
+class CaptionWindow {
   window: BrowserWindow | undefined;
-  
-  public createWindow(): void { 
+
+  public createWindow(): void {
     this.window = new BrowserWindow({
       icon: icon,
-      width: 900,
+      width: allConfig.captionWindowWidth,
       height: 100,
       minWidth: 480,
       show: false,
       frame: false,
       transparent: true,
-      alwaysOnTop: true,
       center: true,
       autoHideMenuBar: true,
-      ...(process.platform === 'linux' ? { icon } : {}),
       webPreferences: {
         preload: path.join(__dirname, '../preload/index.js'),
         sandbox: false
       }
     })
-  
-    setTimeout(() => {
-      if (this.window) {
-        sendStyles(this.window);
-        sendCaptionLog(this.window, 'set');
-      }
-    }, 1000);
+
+    this.window.setAlwaysOnTop(true, 'screen-saver')
 
     this.window.on('ready-to-show', () => {
       this.window?.show()
     })
 
+    this.window.on('close', () => {
+      if(this.window) {
+        allConfig.captionWindowWidth = this.window?.getBounds().width;
+      }
+    })
+
     this.window.on('closed', () => {
       this.window = undefined
     })
@@ -46,7 +45,7 @@ class CaptionWindow {
       shell.openExternal(details.url)
       return { action: 'deny' }
     })
-  
+
     if (is.dev && process.env['ELECTRON_RENDERER_URL']) {
       this.window.loadURL(`${process.env['ELECTRON_RENDERER_URL']}/#/caption`)
     } else {
@@ -57,7 +56,6 @@ class CaptionWindow {
   }
 
   public handleMessage() {
-    // 字幕窗口请求创建控制窗口
     ipcMain.on('caption.controlWindow.activate', () => {
       if(!controlWindow.window){
         controlWindow.createWindow()
@@ -66,22 +64,23 @@ class CaptionWindow {
         controlWindow.window.show()
       }
     })
-    // 字幕窗口高度发生变化
+
     ipcMain.on('caption.windowHeight.change', (_, height) => {
       if(this.window){
-        this.window.setSize(this.window.getSize()[0], height) 
+        this.window.setSize(this.window.getSize()[0], height)
       }
     })
-    // 关闭字幕窗口
+
     ipcMain.on('caption.window.close', () => {
       if(this.window){
         this.window.close()
       }
     })
-    // 是否固定在最前面
+
     ipcMain.on('caption.pin.set', (_, pinned) => {
       if(this.window){
-        this.window.setAlwaysOnTop(pinned)
+        if(pinned) this.window.setAlwaysOnTop(true, 'screen-saver')
+        else this.window.setAlwaysOnTop(false)
       }
     })
   }

src/main/ControlWindow.ts

@@ -0,0 +1,176 @@
+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'
+import { allConfig } from './utils/AllConfig'
+import { captionEngine } from './utils/CaptionEngine'
+import { Log } from './utils/Log'
+
+class ControlWindow {
+  mounted: boolean = false;
+  window: BrowserWindow | undefined;
+
+  public createWindow(): void {
+    this.window = new BrowserWindow({
+      icon: icon,
+      width: 1200,
+      height: 800,
+      minWidth: 750,
+      minHeight: 500,
+      show: false,
+      center: true,
+      autoHideMenuBar: true,
+      webPreferences: {
+        preload: path.join(__dirname, '../preload/index.js'),
+        sandbox: false
+      }
+    })
+
+    allConfig.readConfig()
+
+    this.window.on('ready-to-show', () => {
+      this.window?.show()
+    })
+
+    this.window.on('closed', () => {
+      this.mounted = false
+      this.window = undefined
+      allConfig.writeConfig()
+    })
+
+    this.window.webContents.setWindowOpenHandler((details) => {
+      shell.openExternal(details.url)
+      return { action: 'deny' }
+    })
+
+    if (is.dev && process.env['ELECTRON_RENDERER_URL']) {
+      this.window.loadURL(process.env['ELECTRON_RENDERER_URL'])
+    } else {
+      this.window.loadFile(path.join(__dirname, '../renderer/index.html'))
+    }
+  }
+
+  public handleMessage() {
+    nativeTheme.on('updated', () => {
+      if(allConfig.uiTheme === 'system'){
+        if(nativeTheme.shouldUseDarkColors && this.window){
+          this.window.webContents.send('control.nativeTheme.change', 'dark')
+        }
+        else if(!nativeTheme.shouldUseDarkColors && this.window){
+          this.window.webContents.send('control.nativeTheme.change', 'light')
+        }
+      }
+    })
+
+    ipcMain.handle('both.window.mounted', () => {
+      this.mounted = true
+      return allConfig.getFullConfig(Log.getAndClearLogQueue())
+    })
+
+    ipcMain.handle('control.nativeTheme.get', () => {
+      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) => {
+      allConfig.uiLanguage = args
+      if(captionWindow.window){
+        captionWindow.window.webContents.send('control.uiLanguage.set', args)
+      }
+    })
+
+    ipcMain.on('control.uiTheme.change', (_, args) => {
+      allConfig.uiTheme = args
+    })
+
+    ipcMain.on('control.uiColor.change', (_, args) => {
+      allConfig.uiColor = args
+    })
+
+    ipcMain.on('control.leftBarWidth.change', (_, args) => {
+      allConfig.leftBarWidth = args
+    })
+
+    ipcMain.on('control.styles.change', (_, args) => {
+      allConfig.setStyles(args)
+      if(captionWindow.window){
+        allConfig.sendStyles(captionWindow.window)
+      }
+    })
+
+    ipcMain.on('control.styles.reset', () => {
+      allConfig.resetStyles()
+      if(this.window){
+        allConfig.sendStyles(this.window)
+      }
+      if(captionWindow.window){
+        allConfig.sendStyles(captionWindow.window)
+      }
+    })
+
+    ipcMain.on('control.captionWindow.activate', () => {
+      if(!captionWindow.window){
+        captionWindow.createWindow()
+      }
+      else {
+        captionWindow.window.show()
+      }
+    })
+
+    ipcMain.on('control.controls.change', (_, args) => {
+      allConfig.setControls(args)
+    })
+
+    ipcMain.on('control.engine.start', () => {
+      captionEngine.start()
+    })
+
+    ipcMain.on('control.engine.stop', () => {
+      captionEngine.stop()
+    })
+
+    ipcMain.on('control.engine.forceKill', () => {
+      captionEngine.kill()
+    })
+
+    ipcMain.on('control.captionLog.clear', () => {
+      allConfig.captionLog.splice(0)
+    })
+  }
+
+  public sendErrorMessage(message: string) {
+    this.window?.webContents.send('control.error.occurred', message)
+  }
+}
+
+export const controlWindow = new ControlWindow()

src/main/control.ts

@@ -1,136 +0,0 @@
-import { shell, BrowserWindow, ipcMain } from 'electron'
-import path from 'path'
-import { is } from '@electron-toolkit/utils'
-import icon from '../../resources/icon.png?asset'
-import { captionWindow } from './caption'
-import {
-  captionEngine,
-  captionLog,
-  controls,
-  setStyles,
-  resetStyles,
-  sendStyles,
-  sendCaptionLog,
-  setControls,
-  sendControls,
-  readConfig,
-  writeConfig
-} from './utils/config'
-
-class ControlWindow {
-  window: BrowserWindow | undefined;
-
-  public createWindow(): void {
-    this.window = new BrowserWindow({
-      icon: icon,
-      width: 1200,
-      height: 800,
-      minWidth: 900,
-      minHeight: 600,
-      show: false,
-      center: true,
-      autoHideMenuBar: true,
-      ...(process.platform === 'linux' ? { icon } : {}),
-      webPreferences: {
-        preload: path.join(__dirname, '../preload/index.js'),
-        sandbox: false
-      }
-    })
-
-    setTimeout(() => {
-      if (this.window) {
-        readConfig()
-        sendStyles(this.window) // 配置初始样式
-        sendCaptionLog(this.window, 'set') // 配置当前字幕记录
-        sendControls(this.window) // 配置字幕引擎配置
-      }
-    }, 1000);
-    
-
-    this.window.on('ready-to-show', () => {
-      this.window?.show()
-    })
-  
-    this.window.on('closed', () => {
-      this.window = undefined
-      writeConfig()
-    })
-  
-    this.window.webContents.setWindowOpenHandler((details) => {
-      shell.openExternal(details.url)
-      return { action: 'deny' }
-    })
-  
-    if (is.dev && process.env['ELECTRON_RENDERER_URL']) {
-      this.window.loadURL(process.env['ELECTRON_RENDERER_URL'])
-    } else {
-      this.window.loadFile(path.join(__dirname, '../renderer/index.html'))
-    }
-  }
-
-  public handleMessage() {
-    // 控制窗口样式更新
-    ipcMain.on('control.style.change', (_, args) => {
-      setStyles(args)
-      if(captionWindow.window){
-        sendStyles(captionWindow.window)
-      }
-    })
-    ipcMain.on('control.style.reset', () => {
-      resetStyles()
-      if(captionWindow.window){
-        sendStyles(captionWindow.window)
-      }
-      if(this.window){
-        sendStyles(this.window)
-      }
-    })
-    // 控制窗口请求创建字幕窗口
-    ipcMain.on('control.captionWindow.activate', () => {
-      if(!captionWindow.window){
-        captionWindow.createWindow()
-      }
-      else {
-        captionWindow.window.show()
-      }
-    })
-    // 字幕引擎控制配置更新并启动引擎
-    ipcMain.on('control.control.change', (_, args) => {
-      setControls(args)
-    })
-    // 启动字幕引擎
-    ipcMain.on('control.engine.start', () => {
-      if(controls.engineEnabled){
-        this.window?.webContents.send('control.engine.already')
-      }
-      else {
-        if(
-          process.env.DASHSCOPE_API_KEY ||
-          (controls.customized && controls.customizedApp)
-        ) {
-          if(this.window){
-            captionEngine.start(this.window)
-          }
-        }
-        else {
-          this.sendErrorMessage('没有检测到 DASHSCOPE_API_KEY 环境变量，如果要使用 gummy 引擎，需要在阿里云百炼平台获取 API Key 并添加到本机环境变量')
-        }
-      }
-    })
-    // 停止字幕引擎
-    ipcMain.on('control.engine.stop', () => {
-      captionEngine.stop()
-      this.window?.webContents.send('control.engine.stopped')
-    })
-    // 清空字幕记录
-    ipcMain.on('control.caption.clear', () => {
-      captionLog.splice(0)
-    })
-  }
-
-  public sendErrorMessage(message: string) {
-    this.window?.webContents.send('control.error.send', message)
-  }
-}
-
-export const controlWindow = new ControlWindow()

src/main/i18n/index.ts

@@ -0,0 +1,11 @@
+import zh from './lang/zh'
+import en from './lang/en'
+import ja from './lang/ja'
+import { allConfig } from '../utils/AllConfig'
+
+export function i18n(key: string): string{
+  if(allConfig.uiLanguage === 'zh') return zh[key] || key
+  else if(allConfig.uiLanguage === 'en') return en[key] || key
+  else if(allConfig.uiLanguage === 'ja') return ja[key] || key
+  else return key
+}

src/main/i18n/lang/en.ts

@@ -0,0 +1,9 @@
+export default {
+  "gummy.key.missing": "API KEY is not set, and the DASHSCOPE_API_KEY environment variable is not detected. To use the gummy engine, you need to obtain an API KEY from the Alibaba Cloud Bailian platform and add it to the settings or configure it in the local environment variables.",
+  "platform.unsupported": "Unsupported platform: ",
+  "engine.start.error": "Caption engine failed to start: ",
+  "engine.output.parse.error": "Unable to parse caption engine output as a JSON object: ",
+  "engine.error": "Caption engine error: ",
+  "engine.shutdown.error": "Failed to shut down the caption engine process: ",
+  "engine.start.timeout": "Caption engine startup timeout, automatically force stopped"
+}

src/main/i18n/lang/ja.ts

@@ -0,0 +1,9 @@
+export default {
+  "gummy.key.missing": "API KEY が設定されておらず、DASHSCOPE_API_KEY 環境変数も検出されていません。Gummy エンジンを使用するには、Alibaba Cloud Bailian プラットフォームから API KEY を取得し、設定に追加するか、ローカルの環境変数に設定する必要があります。",
+  "platform.unsupported": "サポートされていないプラットフォーム: ",
+  "engine.start.error": "字幕エンジンの起動に失敗しました: ",
+  "engine.output.parse.error": "字幕エンジンの出力を JSON オブジェクトとして解析できませんでした: ",
+  "engine.error": "字幕エンジンエラー: ",
+  "engine.shutdown.error": "字幕エンジンプロセスの終了に失敗しました: ",
+  "engine.start.timeout": "字幕エンジンの起動がタイムアウトしました。自動的に強制停止しました"
+}

src/main/i18n/lang/zh.ts

@@ -0,0 +1,9 @@
+export default {
+  "gummy.key.missing": "没有设置 API KEY，也没有检测到 DASHSCOPE_API_KEY 环境变量。如果要使用 gummy 引擎，需要在阿里云百炼平台获取 API KEY，并在添加到设置中或者配置到本机环境变量。",
+  "platform.unsupported": "不支持的平台：",
+  "engine.start.error": "字幕引擎启动失败：",
+  "engine.output.parse.error": "字幕引擎输出内容无法解析为 JSON 对象：",
+  "engine.error": "字幕引擎错误：",
+  "engine.shutdown.error": "字幕引擎进程关闭失败：",
+  "engine.start.timeout": "字幕引擎启动超时，已自动强制停止"
+}

src/main/index.ts

@@ -1,8 +1,9 @@
 import { app, BrowserWindow } from 'electron'
 import { electronApp, optimizer } from '@electron-toolkit/utils'
-import { controlWindow } from './control'
-import { captionWindow } from './caption'
-import { captionEngine, writeConfig } from './utils/config'
+import { controlWindow } from './ControlWindow'
+import { captionWindow } from './CaptionWindow'
+import { allConfig } from './utils/AllConfig'
+import { captionEngine } from './utils/CaptionEngine'
 
 app.whenReady().then(() => {
   electronApp.setAppUserModelId('com.himeditator.autocaption')
@@ -23,9 +24,9 @@ app.whenReady().then(() => {
   })
 })
 
-app.on('will-quit', async () => { 
-  captionEngine.stop()
-  writeConfig()
+app.on('will-quit', async () => {
+  captionEngine.kill()
+  allConfig.writeConfig()
 });
 
 app.on('window-all-closed', () => {

src/main/types/index.ts

@@ -1,13 +1,47 @@
+export type UILanguage =  "zh" | "en" | "ja"
+
+export type UITheme = "light" | "dark" | "system"
+
+export interface Controls {
+  engineEnabled: boolean,
+  sourceLang: string,
+  targetLang: string,
+  transModel: string,
+  ollamaName: string,
+  engine: string,
+  audio: 0 | 1,
+  translation: boolean,
+  recording: boolean,
+  API_KEY: string,
+  voskModelPath: string,
+  sosvModelPath: string,
+  recordingPath: string,
+  customized: boolean,
+  customizedApp: string,
+  customizedCommand: string,
+  startTimeoutSeconds: number
+}
+
 export interface Styles {
+  lineNumber: number,
+  lineBreak: number,
   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 {
@@ -18,14 +52,30 @@ export interface CaptionItem {
   translation: string
 }
 
-export interface Controls {
-  engineEnabled: boolean,
-  sourceLang: string,
-  targetLang: string,
-  engine: string,
-  audio: 0 | 1,
-  translation: boolean,
-  customized: boolean,
-  customizedApp: string,
-  customizedCommand: string
+export interface SoftwareLogItem {
+  type: "INFO" | "WARN" | "ERROR",
+  index: number,
+  time: string,
+  text: string
+}
+
+export interface FullConfig {
+  platform: string,
+  uiLanguage: UILanguage,
+  uiTheme: UITheme,
+  uiColor: string,
+  leftBarWidth: number,
+  styles: Styles,
+  controls: Controls,
+  captionLog: CaptionItem[],
+  softwareLog: SoftwareLogItem[]
+}
+
+export interface EngineInfo {
+  pid: number,
+  ppid: number,
+  port:number,
+  cpu: number,
+  mem: number,
+  elapsed: number
 }

src/main/utils/AllConfig.ts

@@ -0,0 +1,207 @@
+import {
+  UILanguage, UITheme, Styles, Controls,
+  CaptionItem, FullConfig, SoftwareLogItem
+} from '../types'
+import { Log } from './Log'
+import { app, BrowserWindow } from 'electron'
+import * as path from 'path'
+import * as fs from 'fs'
+import os from 'os'
+
+interface CaptionTranslation {
+  time_s: string,
+  translation: string
+}
+
+function getDesktopPath() {
+  const homeDir = os.homedir()
+  return path.join(homeDir, 'Desktop')
+}
+
+const defaultStyles: Styles = {
+  lineNumber: 1,
+  lineBreak: 1,
+  fontFamily: 'sans-serif',
+  fontSize: 24,
+  fontColor: '#000000',
+  fontWeight: 4,
+  background: '#dbe2ef',
+  opacity: 80,
+  showPreview: true,
+  transDisplay: true,
+  transFontFamily: 'sans-serif',
+  transFontSize: 24,
+  transFontColor: '#000000',
+  transFontWeight: 4,
+  textShadow: false,
+  offsetX: 2,
+  offsetY: 2,
+  blur: 0,
+  textShadowColor: '#ffffff'
+};
+
+const defaultControls: Controls = {
+  sourceLang: 'en',
+  targetLang: 'zh',
+  transModel: 'ollama',
+  ollamaName: '',
+  engine: 'gummy',
+  audio: 0,
+  engineEnabled: false,
+  API_KEY: '',
+  voskModelPath: '',
+  sosvModelPath: '',
+  recordingPath: getDesktopPath(),
+  translation: true,
+  recording: false,
+  customized: false,
+  customizedApp: '',
+  customizedCommand: '',
+  startTimeoutSeconds: 30
+};
+
+
+class AllConfig {
+  captionWindowWidth: number = 900;
+
+  uiLanguage: UILanguage = 'zh';
+  leftBarWidth: number = 8;
+  uiTheme: UITheme = 'system';
+  uiColor: string = '#1677ff';
+  styles: Styles = {...defaultStyles};
+  controls: Controls = {...defaultControls};
+  
+  lastLogIndex: number = -1;
+  captionLog: CaptionItem[] = [];
+
+  constructor() {}
+
+  public readConfig() {
+    const configPath = path.join(app.getPath('userData'), 'config.json')
+    if(fs.existsSync(configPath)){
+      Log.info('Read Config from:', 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.uiColor) this.uiColor = config.uiColor
+      if(config.leftBarWidth) this.leftBarWidth = config.leftBarWidth
+      if(config.styles) this.setStyles(config.styles)
+      if(config.controls) this.setControls(config.controls)
+    }
+  }
+
+  public writeConfig() {
+    const config = {
+      captionWindowWidth: this.captionWindowWidth,
+      uiLanguage: this.uiLanguage,
+      uiTheme: this.uiTheme,
+      uiColor: this.uiColor,
+      leftBarWidth: this.leftBarWidth,
+      controls: this.controls,
+      styles: this.styles
+    }
+    const configPath = path.join(app.getPath('userData'), 'config.json')
+    fs.writeFileSync(configPath, JSON.stringify(config, null, 2))
+    Log.info('Write Config to:', configPath)
+  }
+
+  public getFullConfig(softwareLog: SoftwareLogItem[]): FullConfig {
+    return {
+      platform: process.platform,
+      uiLanguage: this.uiLanguage,
+      uiTheme: this.uiTheme,
+      uiColor: this.uiColor,
+      leftBarWidth: this.leftBarWidth,
+      styles: this.styles,
+      controls: this.controls,
+      captionLog: this.captionLog,
+      softwareLog: softwareLog
+    }
+  }
+
+  public setStyles(args: Object) {
+    for(let key in this.styles) {
+      if(key in args) {
+        this.styles[key] = args[key]
+      }
+    }
+    Log.info('Set Styles:', this.styles)
+  }
+
+  public resetStyles() {
+    this.setStyles(defaultStyles)
+  }
+
+  public sendStyles(window: BrowserWindow) {
+    window.webContents.send('both.styles.set', this.styles)
+    Log.info(`Send Styles to #${window.id}:`, this.styles)
+  }
+
+  public setControls(args: Object) {
+    const engineEnabled = this.controls.engineEnabled
+    for(let key in this.controls){
+      if(key in args) {
+        this.controls[key] = args[key]
+      }
+    }
+    this.controls.engineEnabled = engineEnabled
+    let _controls = {...this.controls}
+    _controls.API_KEY = _controls.API_KEY.replace(/./g, '*')
+    Log.info('Set Controls:', _controls)
+  }
+
+  public sendControls(window: BrowserWindow, info = true) {
+    window.webContents.send('control.controls.set', this.controls)
+    if(info) Log.info(`Send Controls to #${window.id}:`, this.controls)
+  }
+
+  public updateCaptionLog(log: CaptionItem) {
+    let command: 'add' | 'upd' = 'add'
+    if(
+      this.captionLog.length &&
+      this.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)
+    }
+  }
+
+  public updateCaptionTranslation(trans: CaptionTranslation){
+    for(let i = this.captionLog.length - 1; i >= 0; i--){
+      if(this.captionLog[i].time_s === trans.time_s){
+        this.captionLog[i].translation = trans.translation
+        for(const window of BrowserWindow.getAllWindows()){
+          this.sendCaptionLog(window, 'upd', i)
+        }
+        break
+      }
+    }
+  }
+  public sendCaptionLog(
+    window: BrowserWindow,
+    command: 'add' | 'upd' | 'set',
+    index: number | undefined = undefined
+  ) {
+    if(command === 'add'){
+      window.webContents.send(`both.captionLog.add`, this.captionLog.at(-1))
+    }
+    else if(command === 'upd'){
+      if(index !== undefined) window.webContents.send(`both.captionLog.upd`, this.captionLog[index])
+      else window.webContents.send(`both.captionLog.upd`, this.captionLog.at(-1))
+    }
+    else if(command === 'set'){
+      window.webContents.send(`both.captionLog.set`, this.captionLog)
+    }
+  }
+}
+
+export const allConfig = new AllConfig()

src/main/utils/CaptionEngine.ts

@@ -0,0 +1,287 @@
+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
+  client: net.Socket | undefined
+  port: number = 8080
+  status: 'running' | 'starting' | 'stopping' | 'stopped' | 'starting-timeout' = 'stopped'
+  timerID: NodeJS.Timeout | undefined
+  startTimeoutID: NodeJS.Timeout | undefined
+
+  private getApp(): boolean {
+    if (allConfig.controls.customized) {
+      Log.info('Using customized caption engine')
+      this.appPath = allConfig.controls.customizedApp
+      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.API_KEY && !process.env.DASHSCOPE_API_KEY
+      ) {
+        controlWindow.sendErrorMessage(i18n('gummy.key.missing'))
+        return false
+      }
+      this.command = []
+      if (is.dev) {
+        if(process.platform === "win32") {
+          this.appPath = path.join(
+            app.getAppPath(), 'engine',
+            '.venv', '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',
+            '.venv', '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')
+        }
+      }
+      this.command.push('-a', allConfig.controls.audio ? '1' : '0')
+      if(allConfig.controls.recording) {
+        this.command.push('-r', '1')
+        this.command.push('-rp', `"${allConfig.controls.recordingPath}"`)
+      }
+      this.port = Math.floor(Math.random() * (65535 - 1024 + 1)) + 1024
+      this.command.push('-p', this.port.toString())
+      this.command.push(
+        '-t', allConfig.controls.translation ?
+        allConfig.controls.targetLang : 'none'
+      )
+
+      if(allConfig.controls.engine === 'gummy') {
+        this.command.push('-e', 'gummy')
+        this.command.push('-s', allConfig.controls.sourceLang)
+        if(allConfig.controls.API_KEY) {
+          this.command.push('-k', allConfig.controls.API_KEY)
+        }
+      }
+      else if(allConfig.controls.engine === 'vosk'){
+        this.command.push('-e', 'vosk')
+        this.command.push('-vosk', `"${allConfig.controls.voskModelPath}"`)
+        this.command.push('-tm', allConfig.controls.transModel)
+        this.command.push('-omn', allConfig.controls.ollamaName)
+      }
+      else if(allConfig.controls.engine === 'sosv'){
+        this.command.push('-e', 'sosv')
+        this.command.push('-s', allConfig.controls.sourceLang)
+        this.command.push('-sosv', `"${allConfig.controls.sosvModelPath}"`)
+        this.command.push('-tm', allConfig.controls.transModel)
+        this.command.push('-omn', allConfig.controls.ollamaName)
+      }
+    }
+    Log.info('Engine Path:', this.appPath)
+    if(this.command.length > 2 && this.command.at(-2) === '-k') {
+      const _command = [...this.command]
+      _command[_command.length -1] = _command[_command.length -1].replace(/./g, '*')
+      Log.info('Engine Command:', _command)
+    }
+    else Log.info('Engine Command:', this.command)
+    return true
+  }
+
+  public connect() {
+    if(this.client) { Log.warn('Client already exists, ignoring...') }
+    if (this.startTimeoutID) {
+      clearTimeout(this.startTimeoutID)
+      this.startTimeoutID = undefined
+    }
+    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, 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)
+
+    const timeoutMs = allConfig.controls.startTimeoutSeconds * 1000
+    this.startTimeoutID = setTimeout(() => {
+      if (this.status === 'starting') {
+        Log.warn(`Engine start timeout after ${allConfig.controls.startTimeoutSeconds} seconds, forcing kill...`)
+        this.status = 'starting-timeout'
+        controlWindow.sendErrorMessage(i18n('engine.start.timeout'))
+        this.kill()
+      }
+    }, timeoutMs)
+    
+    this.process.stdout.on('data', (data: any) => {
+      const lines = data.toString().split('\n')
+      lines.forEach((line: string) => {
+        if (line.trim()) {
+          try {
+            const data_obj = JSON.parse(line)
+            handleEngineData(data_obj)
+          } catch (e) {
+            controlWindow.sendErrorMessage(i18n('engine.output.parse.error') + e)
+            Log.error('Error parsing JSON:', e)
+          }
+        }
+      });
+    });
+
+    this.process.stderr.on('data', (data: any) => {
+      const lines = data.toString().split('\n')
+      lines.forEach((line: string) => {
+        if(line.trim()){
+          Log.error(line)       
+        }
+      })
+    });
+
+    this.process.on('close', (code: any) => {
+      this.process = undefined;
+      this.client = undefined
+      allConfig.controls.engineEnabled = false
+      if(controlWindow.window){
+        allConfig.sendControls(controlWindow.window, false)
+        controlWindow.window.webContents.send('control.engine.stopped')
+      }
+      this.status = 'stopped'
+      clearInterval(this.timerID)
+      if (this.startTimeoutID) {
+        clearTimeout(this.startTimeoutID)
+        this.startTimeoutID = undefined
+      }
+      Log.info(`Engine exited with code ${code}`)
+    });
+  }
+
+  public stop() {
+    if(this.status !== 'running'){
+      Log.warn('Trying to stop engine which is not running, current status:', this.status)
+    }
+    this.sendCommand('stop')
+    if(this.client){
+      this.client.destroy()
+      this.client = undefined
+    }
+    this.status = '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('Killing engine process, PID:', this.process.pid)
+
+    if (this.startTimeoutID) {
+      clearTimeout(this.startTimeoutID)
+      this.startTimeoutID = undefined
+    }
+    if(this.client){
+      this.client.destroy()
+      this.client = undefined
+    }
+    if (this.process.pid) {
+      let cmd = `kill -9 ${this.process.pid}`;
+      if (process.platform === "win32") {
+        cmd = `taskkill /pid ${this.process.pid} /t /f`
+      }
+      exec(cmd, (error) => {
+        if (error) {
+          Log.error('Failed to kill process:', error)
+        } else {
+          Log.info('Process killed successfully')
+        }
+      })
+    }
+  }
+}
+
+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()
+    }
+  }
+  else if(data.command === 'caption') {
+    allConfig.updateCaptionLog(data);
+  }
+  else if(data.command === 'translation') {
+    allConfig.updateCaptionTranslation(data);
+  }
+  else if(data.command === 'print') {
+    console.log(data.content)
+  }
+  else if(data.command === 'info') {
+    Log.info('Engine Info:', data.content)
+  }
+  else if(data.command === 'warn') {
+    Log.warn('Engine Warn:', data.content)
+  }
+  else if(data.command === 'error') {
+    Log.error('Engine Error:', data.content)
+    controlWindow.sendErrorMessage(/*i18n('engine.error') +*/ data.content)
+  }
+  else if(data.command === 'usage') {
+    Log.info('Engine Token Usage: ', data.content)
+  }
+  else {
+    Log.warn('Unknown command:', data)
+  }
+}
+
+export const captionEngine = new CaptionEngine()

src/main/utils/Log.ts

@@ -0,0 +1,58 @@
+import { controlWindow } from "../ControlWindow"
+import { type SoftwareLogItem } from "../types"
+
+let logIndex = 0
+const logQueue: SoftwareLogItem[] = []
+
+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 getAndClearLogQueue() {
+    const copiedQueue = structuredClone(logQueue)
+    logQueue.length = 0
+    return copiedQueue
+  }
+
+  static handleLog(logType: "INFO" | "WARN" | "ERROR", ...msg: any[]) {
+    const timeStr = getTimeString()
+    const logPre = `[${logType} ${timeStr}]`
+    let logStr = ""
+    for(let i = 0; i < msg.length; i++) {
+      logStr += i ? " " : ""
+      if(typeof msg[i] === "string") logStr += msg[i]
+      else logStr += JSON.stringify(msg[i], undefined, 2)
+    }
+    console.log(logPre, logStr)
+    const logItem: SoftwareLogItem = {
+      type: logType,
+      index: ++logIndex,
+      time: timeStr,
+      text: logStr
+    }
+    if(controlWindow.mounted && controlWindow.window) {
+      controlWindow.window.webContents.send('control.softwareLog.add', logItem)
+    }
+    else {
+      logQueue.push(logItem)
+    }
+  }
+
+  static info(...msg: any[]){
+    this.handleLog("INFO", ...msg)
+  }
+
+  static warn(...msg: any[]){
+    this.handleLog("WARN", ...msg)
+  }
+
+  static error(...msg: any[]){
+    this.handleLog("ERROR", ...msg)
+  }
+}

src/main/utils/config.ts

@@ -1,123 +0,0 @@
-import { Styles, CaptionItem, Controls } from '../types'
-import { app, BrowserWindow } from 'electron'
-import { CaptionEngine } from './engine'
-import * as path from 'path'
-import * as fs from 'fs'
-
-export const captionEngine = new CaptionEngine()
-
-export const styles: Styles = {
-  fontFamily: 'sans-serif',
-  fontSize: 24,
-  fontColor: '#000000',
-  background: '#dbe2ef',
-  opacity: 80,
-  transDisplay: true,
-  transFontFamily: 'sans-serif',
-  transFontSize: 24,
-  transFontColor: '#000000'
-}
-
-export const captionLog: CaptionItem[] = []
-
-export const controls: Controls = {
-  sourceLang: 'en',
-  targetLang: 'zh',
-  engine: 'gummy',
-  audio: 0,
-  engineEnabled: false,
-  translation: true,
-  customized: false,
-  customizedApp: '',
-  customizedCommand: ''
-}
-
-export function setStyles(args: any) {
-  styles.fontFamily = args.fontFamily
-  styles.fontSize = args.fontSize
-  styles.fontColor = args.fontColor
-  styles.background = args.background
-  styles.opacity = args.opacity
-  styles.transDisplay = args.transDisplay
-  styles.transFontFamily = args.transFontFamily
-  styles.transFontSize = args.transFontSize
-  styles.transFontColor = args.transFontColor
-  console.log('[INFO] Set Styles:', styles)
-}
-
-export function resetStyles() {
-  setStyles({
-    fontFamily: 'sans-serif',
-    fontSize: 24,
-    fontColor: '#000000',
-    background: '#dbe2ef',
-    opacity: 80,
-    transDisplay: true,
-    transFontFamily: 'sans-serif',
-    transFontSize: 24,
-    transFontColor: '#000000'
-  })
-}
-
-export function sendStyles(window: BrowserWindow) {
-  window.webContents.send('caption.style.set', styles)
-  console.log(`[INFO] Send Styles to #${window.id}:`, styles)
-}
-
-export function sendCaptionLog(window: BrowserWindow, command: string) {
-  if(command === 'add'){
-    window.webContents.send(`both.log.add`, captionLog[captionLog.length - 1])
-  }
-  else if(command === 'set'){
-    window.webContents.send(`both.log.${command}`, captionLog)
-  }
-}
-
-export function addCaptionLog(log: CaptionItem) {
-  if(captionLog.length && captionLog[captionLog.length - 1].index === log.index) {
-    captionLog.splice(captionLog.length - 1, 1, log)
-  }
-  else {
-    captionLog.push(log)
-  }
-  for(const window of BrowserWindow.getAllWindows()){
-    sendCaptionLog(window, 'add')
-  }
-}
-
-export function setControls(args: any) {
-  controls.sourceLang = args.sourceLang
-  controls.targetLang = args.targetLang
-  controls.engine = args.engine
-  controls.audio = args.audio
-  controls.translation = args.translation
-  controls.customized = args.customized
-  controls.customizedApp = args.customizedApp
-  controls.customizedCommand = args.customizedCommand
-  console.log('[INFO] Set Controls:', controls)
-}
-
-export function sendControls(window: BrowserWindow) {
-  window.webContents.send('control.control.set', controls)
-  console.log(`[INFO] Send Controls to #${window.id}:`, controls)
-}
-
-export function readConfig() { 
-  const configPath = path.join(app.getPath('userData'), 'config.json')
-  if(fs.existsSync(configPath)){
-    const config = JSON.parse(fs.readFileSync(configPath, 'utf-8'))
-    setStyles(config.styles)
-    setControls(config.controls)
-    console.log('[INFO] Read Config from:', configPath)
-  }
-}
-
-export function writeConfig() {
-  const config = {
-    controls: controls,
-    styles: styles
-  }
-  const configPath = path.join(app.getPath('userData'), 'config.json')
-  fs.writeFileSync(configPath, JSON.stringify(config, null, 2))
-  console.log('[INFO] Write Config to:', configPath)
-}

src/main/utils/configSave.ts

@@ -1,3 +0,0 @@
-class configSave { 
-
-}

src/main/utils/engine.ts

@@ -1,122 +0,0 @@
-import { spawn, exec } from 'child_process'
-import { app, BrowserWindow } from 'electron'
-import { is } from '@electron-toolkit/utils'
-import path from 'path'
-import { addCaptionLog, controls, sendControls } from './config'
-import { controlWindow } from '../control'
-
-export class CaptionEngine {
-  appPath: string = ''
-  command: string[] = []
-  process: any | undefined
-
-  private getApp() {
-    if (controls.customized && controls.customizedApp) {
-      this.appPath = controls.customizedApp
-      this.command = [controls.customizedCommand]
-    }
-    else if (controls.engine === 'gummy') {
-      controls.customized = false
-      let gummyName = ''
-      if (process.platform === 'win32') {
-        gummyName = 'main-gummy.exe'
-      }
-      else if (process.platform === 'linux') {
-        gummyName = 'main-gummy'
-      }
-      else {
-        controlWindow.sendErrorMessage('不支持的操作系统平台：' + process.platform)
-        throw new Error('Unsupported platform')
-      }
-      if (is.dev) {
-        this.appPath = path.join(
-          app.getAppPath(),
-          'python-subprocess', 'dist', gummyName
-        )
-      }
-      else {
-        this.appPath = path.join(
-          process.resourcesPath,
-          'python-subprocess', 'dist', gummyName
-        )
-      }
-      this.command = []
-      this.command.push('-s', controls.sourceLang)
-      this.command.push('-t', controls.translation ? controls.targetLang : 'none')
-      this.command.push('-a', controls.audio ? '1' : '0')
-
-      console.log('[INFO] Engine Path:', this.appPath)
-      console.log('[INFO] Engine Command:', this.command)
-    }
-  }
-
-  public start(window: BrowserWindow) {
-    if (this.process) {
-      this.stop();
-    }
-    this.getApp()
-    try {
-      this.process = spawn(this.appPath, this.command)
-    }
-    catch (e) {
-      controlWindow.sendErrorMessage('字幕引擎启动失败：' + e)
-      console.error('[ERROR] Error starting subprocess:', e)
-      return
-    }
-
-    console.log('[INFO] Caption Engine Started: ', {
-      appPath: this.appPath,
-      command: this.command
-    })
-
-    controls.engineEnabled = true
-    sendControls(window)
-    window.webContents.send('control.engine.started')
-
-    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}`);
-    });
-
-    this.process.on('close', (code: any) => {
-      console.log(`[INFO] Subprocess exited with code ${code}`);
-      this.process = undefined;
-      controls.engineEnabled = false
-      sendControls(window)
-    });
-  }
-
-  public stop() {
-    if (this.process) {
-      if (process.platform === "win32" && this.process.pid) {
-        exec(`taskkill /pid ${this.process.pid} /t /f`, (error) => {
-          if (error) {
-            controlWindow.sendErrorMessage('字幕引擎进程关闭失败：' + error)
-            console.error(`[ERROR] Failed to kill process: ${error}`);
-          }
-        });
-      } else {
-        this.process.kill('SIGKILL');
-      }
-    }
-    this.process = undefined;
-    controls.engineEnabled = false;
-    console.log('[INFO] Caption engine process stopped');
-    if(controlWindow.window) sendControls(controlWindow.window);
-  }
-}

src/renderer/index.html

@@ -2,7 +2,7 @@
 <html>
   <head>
     <meta charset="UTF-8" />
-    <title>Auto Caption</title>
+    <title>Auto Caption v1.0.0</title>
     <!-- https://developer.mozilla.org/en-US/docs/Web/HTTP/CSP -->
     <meta
       http-equiv="Content-Security-Policy"

src/renderer/src/App.vue

@@ -3,4 +3,25 @@
 </template>
 
 <script setup lang="ts">
+import { onMounted } from 'vue'
+import { FullConfig } from './types'
+import { useCaptionLogStore } from './stores/captionLog'
+import { useSoftwareLogStore } from './stores/softwareLog'
+import { useCaptionStyleStore } from './stores/captionStyle'
+import { useEngineControlStore } from './stores/engineControl'
+import { useGeneralSettingStore } from './stores/generalSetting'
+
+onMounted(() => {
+  window.electron.ipcRenderer.invoke('both.window.mounted').then((data: FullConfig) => {
+    useGeneralSettingStore().uiLanguage = data.uiLanguage
+    useGeneralSettingStore().uiTheme = data.uiTheme
+    useGeneralSettingStore().uiColor = data.uiColor
+    useGeneralSettingStore().leftBarWidth = data.leftBarWidth
+    useCaptionStyleStore().setStyles(data.styles)
+    useEngineControlStore().platform = data.platform
+    useEngineControlStore().setControls(data.controls)
+    useCaptionLogStore().captionData = data.captionLog
+    useSoftwareLogStore().softwareLogs = data.softwareLog
+  })
+})
 </script>

src/renderer/src/assets/input.css

@@ -0,0 +1,30 @@
+.input-item {
+  margin: 10px 0;
+}
+
+.input-label {
+  display: inline-block;
+  width: 80px;
+  text-align: right;
+  margin-right: 10px;
+}
+
+.switch-label {
+  display: inline-block;
+  min-width: 80px;
+  text-align: right;
+  margin-right: 10px;
+}
+
+.input-area {
+  display: inline-block;
+  width: calc(100% - 100px);
+  min-width: 100px;
+}
+
+.input-item-value {
+  width: 80px;
+  text-align: right;
+  font-size: 12px;
+  color: var(--tag-color)
+}

src/renderer/src/assets/main.css

@@ -0,0 +1,12 @@
+:root {
+  --control-background: #fff;
+  --tag-color: rgba(0, 0, 0, 0.45);
+  --icon-color: rgba(0, 0, 0, 0.88);
+}
+
+body {
+  margin: 0;
+  padding: 0;
+  height: 100vh;
+  overflow: hidden;
+}

src/renderer/src/assets/reset.css

@@ -1,6 +0,0 @@
-body {
-    margin: 0;
-    padding: 0;
-    height: 100vh;
-    overflow: hidden;
-}

src/renderer/src/components/CaptionControl.vue

@@ -1,165 +0,0 @@
-<template>
-  <div style="height: 20px;"></div>
-  <a-card size="small" title="字幕控制">
-    <template #extra>
-      <a @click="applyChange">更改设置</a> |
-      <a @click="cancelChange">取消更改</a>
-    </template>
-    <div class="control-item">
-      <span class="control-label">源语言</span>
-      <a-select
-        class="control-input"
-        v-model:value="currentSourceLang"
-        :options="langList"
-      ></a-select>
-    </div>
-    <div class="control-item">
-      <span class="control-label">翻译语言</span>
-      <a-select
-        class="control-input"
-        v-model:value="currentTargetLang"
-        :options="langList.filter((item) => item.value !== 'auto')"
-      ></a-select>
-    </div>
-    <div class="control-item">
-      <span class="control-label">字幕引擎</span>
-      <a-select
-        class="control-input"
-        v-model:value="currentEngine"
-        :options="captionEngine"
-      ></a-select>
-    </div>
-    <div class="control-item">
-      <span class="control-label">音频选择</span>
-      <a-select
-        class="control-input"
-        v-model:value="currentAudio"
-        :options="audioType"
-      ></a-select>
-    </div>
-    <div class="control-item">
-      <span class="control-label">启用翻译</span>
-      <a-switch v-model:checked="currentTranslation" />
-      <span class="control-label">自定义引擎</span>
-      <a-switch v-model:checked="currentCustomized" />
-    </div>
-    <div v-show="currentCustomized">
-      <a-card size="small" title="自定义字幕引擎">
-        <p class="customize-note">说明：允许用户使用自定义字幕引擎提供字幕。提供的引擎要能通过 <code>child_process.spawn()</code> 进行启动，且需要通过 IPC 与项目 node.js 后端进行通信。具体通信接口见后端实现。</p>
-        <div class="control-item">
-          <span class="control-label">引擎路径</span>
-          <a-input
-            class="control-input"
-            v-model:value="currentCustomizedApp"
-          ></a-input>
-        </div>
-        <div class="control-item">
-          <span class="control-label">引擎指令</span>
-          <a-input
-            class="control-input"
-            v-model:value="currentCustomizedCommand"
-          ></a-input>
-        </div>
-      </a-card>
-    </div>
-  </a-card>
-  <div style="height: 20px;"></div>
-</template>
-
-<script setup lang="ts">
-import { ref, computed, watch } from 'vue'
-import { storeToRefs } from 'pinia'
-import { useCaptionControlStore } from '@renderer/stores/captionControl'
-import { notification } from 'ant-design-vue'
-
-const captionControl = useCaptionControlStore()
-const { captionEngine, audioType, changeSignal } = storeToRefs(captionControl)
-
-const currentSourceLang = ref('auto')
-const currentTargetLang = ref('zh')
-const currentEngine = ref('gummy')
-const currentAudio = ref<0 | 1>(0)
-const currentTranslation = ref<boolean>(false)
-
-const currentCustomized = ref<boolean>(false)
-const currentCustomizedApp = ref('')
-const currentCustomizedCommand = ref('')
-
-const langList = computed(() => {
-  for(let item of captionEngine.value){
-    if(item.value === currentEngine.value) {
-      return item.languages
-    }
-  }
-  return []
-})
-
-function applyChange(){
-  captionControl.sourceLang = currentSourceLang.value
-  captionControl.targetLang = currentTargetLang.value
-  captionControl.engine = currentEngine.value
-  captionControl.audio = currentAudio.value
-  captionControl.translation = currentTranslation.value
-
-  captionControl.customized = currentCustomized.value
-  captionControl.customizedApp = currentCustomizedApp.value
-  captionControl.customizedCommand = currentCustomizedCommand.value
-
-  captionControl.sendControlChange()
-
-  notification.open({
-      message: '字幕控制已更改',
-      description: '如果字幕引擎已经启动，需要关闭后重启才会生效'
-  });
-}
-
-function cancelChange(){
-  currentSourceLang.value = captionControl.sourceLang
-  currentTargetLang.value = captionControl.targetLang
-  currentEngine.value = captionControl.engine
-  currentAudio.value = captionControl.audio
-  currentTranslation.value = captionControl.translation
-
-  currentCustomized.value = captionControl.customized
-  currentCustomizedApp.value = captionControl.customizedApp
-  currentCustomizedCommand.value = captionControl.customizedCommand
-}
-
-watch(changeSignal, (val) => {
-  if(val == true) {
-    cancelChange();
-    captionControl.changeSignal = false;
-  }
-})
-</script>
-
-<style scoped>
-.control-item {
-  margin: 10px 0;
-}
-
-.control-label {
-  display: inline-block;
-  width: 80px;
-  text-align: right;
-  margin-right: 10px;
-}
-
-.customize-note {
-  padding: 0 20px;
-  color: red;
-  font-size: 12px;
-}
-
-.control-input {
-  width: calc(100% - 100px);
-  min-width: 100px;
-}
-
-.control-item-value {
-  width: 80px;
-  text-align: right;
-  font-size: 12px;
-  color: #666
-}
-</style>

src/renderer/src/components/CaptionData.vue

@@ -1,202 +0,0 @@
-<template>
-  <div class="caption-stat">
-    <a-row>
-      <a-col :span="6">
-        <a-statistic title="字幕引擎" :value="(customized && customizedApp)?'自定义':engine" />
-      </a-col>
-      <a-col :span="6">
-        <a-statistic title="字幕引擎状态" :value="engineEnabled?'已启动':'未启动'" />
-      </a-col>
-      <a-col :span="6">
-        <a-statistic title="已记录字幕" :value="captionData.length" />
-      </a-col>
-    </a-row>    
-  </div>
-
-  <div class="caption-control">
-    <a-button
-      type="primary"
-      class="control-button"
-      @click="openCaptionWindow"
-    >打开字幕窗口</a-button>
-    <a-button
-      class="control-button"
-      @click="captionControl.startEngine"
-    >启动字幕引擎</a-button>
-    <a-button 
-     danger class="control-button"
-     @click="captionControl.stopEngine"
-    >关闭字幕引擎</a-button>
-  </div>
-
-  <div class="caption-list">
-    <div class="caption-title">
-      <span style="margin-right: 30px;">字幕记录</span>
-      <a-button
-        type="primary"
-        style="margin-right: 20px;"
-        @click="exportCaptions"
-        :disabled="captionData.length === 0"
-      >
-        导出字幕记录
-      </a-button>
-      <a-button
-        danger
-        @click="clearCaptions"
-      >
-        清空字幕记录
-      </a-button>
-    </div>
-    <a-table
-      :columns="columns"
-      :data-source="captionData"
-      v-model:pagination="pagination"
-    >
-      <template #bodyCell="{ column, record }">
-        <template v-if="column.key === 'index'">
-          {{ record.index }}
-        </template>
-        <template v-if="column.key === 'time'">
-          <div class="time-cell">
-            <div class="time-start">{{ record.time_s }}</div>
-            <div class="time-end">{{ record.time_t }}</div>
-          </div>
-        </template>
-        <template v-if="column.key === 'content'">
-          <div class="caption-content">
-            <div class="caption-text">{{ record.text }}</div>
-            <div class="caption-translation">{{ record.translation }}</div>
-          </div>
-        </template>
-      </template>
-    </a-table>
-  </div>
-</template>
-
-<script setup lang="ts">
-import { ref } from 'vue'
-import { storeToRefs } from 'pinia'
-import { useCaptionLogStore } from '@renderer/stores/captionLog'
-import { useCaptionControlStore } from '@renderer/stores/captionControl'
-const captionLog = useCaptionLogStore()
-const { captionData } = storeToRefs(captionLog)
-const captionControl = useCaptionControlStore()
-const { engineEnabled, engine, customized, customizedApp } = storeToRefs(captionControl)
-const pagination = ref({
-  current: 1,
-  pageSize: 10,
-  showSizeChanger: true,
-  pageSizeOptions: ['10', '20', '50'],
-  showTotal: (total: number) => `共 ${total} 条记录`,
-  onChange: (page: number, pageSize: number) => {
-    pagination.value.current = page
-    pagination.value.pageSize = pageSize
-  },
-  onShowSizeChange: (current: number, size: number) => {
-    pagination.value.current = current
-    pagination.value.pageSize = size
-  }
-})
-
-const columns = [
-  {
-    title: '序号',
-    dataIndex: 'index',
-    key: 'index',
-    width: 80,
-  },
-  {
-    title: '时间',
-    dataIndex: 'time',
-    key: 'time',
-    width: 160,
-  },
-  {
-    title: '字幕内容',
-    dataIndex: 'content',
-    key: 'content',
-  },
-]
-
-function openCaptionWindow() {
-  window.electron.ipcRenderer.send('control.captionWindow.activate')
-}
-
-function exportCaptions() {
-  const jsonData = JSON.stringify(captionData.value, null, 2)
-  const blob = new Blob([jsonData], { type: 'application/json' })
-  const url = URL.createObjectURL(blob)
-  const a = document.createElement('a')
-  a.href = url
-  const timestamp = new Date().toISOString().replace(/[:.]/g, '-')
-  a.download = `captions-${timestamp}.json`
-  document.body.appendChild(a)
-  a.click()
-  document.body.removeChild(a)
-  URL.revokeObjectURL(url)
-}
-
-function clearCaptions() {
-  captionLog.clear()
-}
-</script>
-
-<style scoped>
-.caption-control {
-  display: flex;
-  flex-wrap: wrap;
-  justify-content: center;
-  margin: 30px;
-}
-
-.control-button {
-  height: 40px;
-  margin: 20px;
-  font-size: 16px;
-}
-
-.caption-list {
-  background: #fff;
-  padding: 20px;
-  border-radius: 8px;
-  box-shadow: 0 2px 8px rgba(0, 0, 0, 0.1);
-}
-
-.caption-title {
-  font-size: 24px;
-  font-weight: bold;
-  margin-bottom: 10px;
-}
-
-.time-cell {
-  display: flex;
-  flex-direction: column;
-  gap: 4px;
-  font-size: 14px;
-}
-
-.time-start {
-  color: #1677ff;
-}
-
-.time-end {
-  color: #ff4d4f;
-}
-
-.caption-content {
-  padding: 8px 0;
-}
-
-.caption-text {
-  font-size: 16px;
-  color: #333;
-  margin-bottom: 4px;
-}
-
-.caption-translation {
-  font-size: 14px;
-  color: #666;
-  padding-left: 16px;
-  border-left: 3px solid #1890ff;
-}
-</style>