ASRBOX，我的第一个长期稳定更新产品的开发全记录

2026 年 7 月 2 日，我清掉 ASRbox 的初始仓库，开始搭一个能真正跑通本地转写的骨架。那时我没有直接写“上传音视频、点击转写、导出字幕”的页面，而是先把一个已经跑通的本地语音工作台拆开，确认哪些结构可以复用，哪些只是另一个产品的历史包袱。

这篇记录按时间顺序整理从第一次 scaffold 到 11 月 10 日 v0.4.1 发布之间的开发过程。它不是功能清单，而是我在一个本地优先产品里，被模型路径、冻结运行时、任务生命周期、字幕版本、跨平台安装和发布流程一步步推着往前走。

这四个月里，仓库累计了 21 个 Git 标签，主分支有 221 个首父提交。几乎每碰到一个真实故障，我都会把模型、任务、发布和恢复路径再往前补一轮。

对我来说，本地优先不是一句口号。模型没有下载、原文件被移动、worker 卡死、Windows 升级残留旧依赖、翻译错位或 CUDA 不可用时，产品得能解释发生了什么，并留下可以恢复的路径。

ASRbox macOS 应用首页

截图 01：本机 macOS 桌面版首页。这里的“本地处理 · 数据不上传”、模型选择和最近任务来自实际运行的桌面应用，而不是网页模拟图。

背景与起点

  • 我第一个决定不是接多少个 ASR 模型，而是先拆解 Voicebox，确定桌面壳、共享 UI、FastAPI 与 SQLite 的工程骨架。
  • 公开 Beta 之后，我很快发现主要工作会转向媒体所有权、模型快照、冻结运行时、worker 生命周期和跨平台差异。
  • 做 AI 核对与翻译时，我一直把 AI 放在“建议、审阅、生成新版本”这条链路里；AI 对话只读取任务和字幕内容回答问题，不直接改写原文。
  • 本地模型后来从 14 个扩展到 26 个，但每加一个模型，我都要先确认能力声明、许可、VAD、时间轴和真机证据。
  • 再往后做官网时，我把它当成产品入口和下载页，而不是复制一套产品后台。

版本轨迹

时间版本阶段主题
2026-07-02起点reset、scaffold、模型下载、异步任务与本地推理
2026-07-13v0.1.0-beta.114 个模型、公开 Beta、发布门禁
2026-07-25v0.1.1引用原文件、媒体所有权与可配置存储
2026-07-27v0.1.5API 边界、并发、备份与不可变字幕版本
2026-09-09v0.1.8字幕翻译、质量控制与 AI 对话
2026-09-11v0.2.0Windows、CUDA 套件与跨平台 GPU 设置
2026-09-18v0.3.0统一专业 UI、三栏任务中心、编辑字幕
2026-09-24v0.3.3六个 speech-LM 模型与 24 模型目录
2026-10-11v0.4.0FireRedASR2、NeMo、翻译安全与 worker 心跳
2026-11-10v0.4.1Granite Speech 5.0、26 个本地模型、跨平台验收

01 拆解 Voicebox，确定项目骨架

我先从仓库里的 docs/voicebox拆解/ 开始，把 Voicebox 拆成五个层次：

  • app/：共享 React UI。
  • tauri/：桌面壳与 sidecar 生命周期。
  • web/：浏览器入口。
  • backend/：FastAPI、SQLite、模型下载与推理服务。
  • scripts/：打包、生成 API 与发布 glue。

我保留下来的不是 Voicebox 的 TTS profile、故事时间线、音效链或 MCP speak，而是声明式模型 registry、下载进度、可恢复任务、平台抽象，以及按领域拆分的 API 与服务层。

ASRbox 的领域范围被压到一条真实链路：

媒体进入
  → 模型下载 / 加载 / VAD
  → 持久任务与队列
  → 字幕分段、版本与导出

第一天结束时，我先让系统有了这条链路的完整对象，而不是一组静态页面。模型配置声明引擎、来源、语言、时间戳、说话人和流式能力；转写选项容纳语言、VAD、提示词、时间戳与输出格式；统一结果对象同时保存全文、分段、词级时间、模型和 Provider。

这个顺序是我有意定的。先让真实数据流成立，再让界面围绕它生长，比先做一套完整页面、回头再补模型和失败状态省事得多。

02 功能铺开，先做一个完整工作台

7 月 4 日到 6 日，我基本在连着补界面。品牌导航、主题偏好、Toast、危险操作确认、空状态、离线状态、移动导航、任务中心抽屉、全局搜索、命令面板、快捷键、批任务操作、输出文件、模型推荐和首次运行清单几乎同时进入仓库。

字幕侧也快速堆出完整工作台：编辑器、复制、搜索高亮、查找替换、字幕预览、音频播放器、点击分段跳转、波形预览、说话人标签、时间戳调整、版本历史、版本 diff、导出预设和输出模板。

到了 7 月 6 日，提交主题开始收束：前端质量门禁、语义 UI primitives、桌面工作台拆分、窄窗口适配、桌面能力与加载路径。

现在回看，那几天加进去的按钮并没有全部留下。快捷键、命令面板和部分独立页面后来被我移除，任务中心与字幕编辑则重构成更稳定的形式。真正有用的是它让我看清了工作流：媒体、任务、字幕和状态最后都要在同一处对齐。

03 第一个公开 Beta：14 个模型和发布门禁

我先在 7 月 8 日发布 v0.1.0-rc.1，7 月 13 日发布 v0.1.0-beta.1。第一个公开 Beta 支持 14 个本地 ASR 模型，包括 Whisper、Faster Whisper、MLX Whisper、SenseVoice 与 Qwen3-ASR。

这次发布逼着我补齐了很多此前可以暂时忽略的边界：

  • 模型下载暂停、继续、停止和失败重试。
  • 模型目录、磁盘占用与可用空间。
  • Tauri CSP、capabilities、shell scope 和 CORS。
  • loopback API 的每次启动 token。
  • 有界流式上传与批任务上限。
  • Python runtime、开发与构建三套精确锁。
  • FFmpeg GPLv3 许可、校验和、来源记录与源码包。

Release workflow 开始检查版本与标签一致性，检查发布资产，冻结后端、.app 与 DMG 都要过 smoke。14 个本地模型在 Apple Silicon 上用真实 MP4 片段逐一完成非空转写；TXT、SRT、VTT、ASS、JSON、Markdown 六种导出全部进入产品路径。

同一份 Beta 说明也明确写下限制：只支持 macOS Apple Silicon；DMG 未签名、未公证；没有自动更新、Windows/Linux 或 Intel Mac 包；Provider API key 明文保存在本机 SQLite。

这次 Beta 也让我第一次把“开源”落实到发布流程里。除了许可证，用户还需要能下载、校验、安装、理解限制和报告问题。

04 引入 Beads 和 OpenSpec，处理真实故障

7 月 21 日，我给仓库初始化 Beads issue tracking；7 月 22 日加入 OpenSpec change metadata。从那以后，跨会话推进不再只靠提交列表，而是用任务、规格、实现和归档留下上下文。

同一天，我还新增 AI 字幕核对和 Docker 部署。AI 核对从设计时就被限制在安全范围内：它从已完成且有字幕版本的任务出发，生成逐段建议，每条建议包含原文、建议文本和原因；用户可以逐句试听、逐条勾选，只有明确采纳才会创建新版本。

我也把同一套 Web UI 和 API 带进了 Linux CPU 环境：多阶段非 root 镜像、同源页面、内置 ffmpeg、健康检查、持久化 /data，默认只绑定回环地址。Apple 专用的 MLX 在 Linux 容器里会被识别并拒绝下载。

05 v0.1.1 到 v0.1.5：数据所有权、更新与安全

v0.1.1 到 v0.1.3：原文件引用与运行时故障

v0.1.1 里，我把重点放在媒体所有权。

我开始让桌面端默认直接引用原文件，不再强制复制；大文件零额外占用，设置中可以切回托管复制。任务记录 managed 或 external，删除任务、批量删除和存储清理只移除 ASRbox 托管文件，不碰被引用的原始媒体。

但这个正确的方向马上暴露了新的故障：

  • 模型存储迁移后，模型标记里的绝对 snapshot 路径失效。Qwen3-ASR 报 Unrecognized processing class，FunASR/SenseVoice 拿到无法加载的路径。
  • FunASR 在 PyInstaller 冻结环境中的模型注册表为空。
  • 本地推理 worker 可能挂死，让任务永远停在“转写中”。

这里的修法分别是：在当前存储根下重新定位 snapshot；打包全部 funasr 子模块并在启动时预导入；超过无进展窗口就终止 worker，让任务以 LOCAL_WORKER_STALLED 失败，同时保留已完成分片供重试。

接着在 v0.1.2-rc.2 与 v0.1.3 里，我加入 MOSS-Transcribe-Diarize 0.9B：单次推理同时产出文本、段级时间戳和 S01/S02 说话人标签，支持五十多种语言，不再依赖单独的 pyannote 两段式后处理。

v0.1.4 到 v0.1.5：更新中心和不可变字幕

v0.1.4 里，我补上了应用内更新中心：启动后自动检查版本，发现更新后显示进度、速度和剩余时间，下载先写 .part，字节数和 SHA-256 都匹配后才落到正式文件。更新只接受固定官方仓库、匹配版本和平台的 HTTPS Release 资产。

v0.1.5 主要在补安全边界：API 凭据改走 Authorization header，原生音频播放使用短时路径 ticket，SQLite 在线备份使用事务一致快照，并发重试、重转写、删除和版本写入都收紧到单写入边界。

这一版也让字幕编辑真正接入后端版本历史。保存不会覆盖旧文本，而是创建一个不可变版本；恢复、重新转写、手工编辑、后处理和 AI 修改都进入同一份历史。后面 v0.3.0 的“编辑字幕”只是把这套底层能力搬到了更顺手的工作台里。

06 AI 字幕核对、翻译与对话

9 月 8 日与 9 日，我连续发布了 v0.1.6、v0.1.7、v0.1.8。

在 v0.1.6 里，我让字幕翻译第一次进入产品：源语言可以自动识别或指定，目标语言支持预设与自定义，译文从已保存的原字幕版本开始，拥有独立版本历史；可以导出纯译文或双语字幕，也可以取消和续译。

ASRbox macOS AI 工作台

截图 02：macOS 桌面版的 AI 工作台。左侧选择完成任务，中间选择 LLM Provider，右侧保留任务状态与隐私提示。

到了 v0.1.7，我修了两个会直接影响字幕可信度的问题：

  • Whisper 系模型在静音或音乐段可能幻觉出数百个重复词。默认解码改为抗幻觉，并增加重复 token 折叠与质量警告。
  • Qwen3-ASR 长音频会在固定 512 token 处静默截断。输出预算改为按音频时长缩放，下限 1024、上限 8192。

ASRbox macOS 字幕翻译

截图 03：字幕翻译从已保存的原字幕版本出发，译文保留自己的版本历史，原文不会被覆盖。

v0.1.8 里，我把 AI 从“修改字幕”推进到“理解字幕”。AI 对话可以回答软件用法，也可以绑定一个字幕任务，做摘要、查找某句话及其时间位置。会话和消息存在本地，并加入提示词注入防护，把字幕与知识文本始终视为数据而不是指令。

ASRbox macOS AI 对话

截图 04：AI 对话可以选择本地任务或仅做软件答疑，所有会话保存在本地。

07 Windows、CUDA 与跨平台适配

v0.1.9 里，我加入 Windows x64 桌面端，沿用 Tauri 2、内置 FastAPI sidecar 与同一套本地转写能力。实际适配远不止打一个 NSIS 安装包：还需要 vendored Windows FFmpeg/ffprobe、GPL 来源材料、updater 平台资产识别、Windows backend regression job，以及一套不再硬编码 .venv/bin/python 的构建测试脚本。

Windows 上最先暴露给我的是一个很显眼的问题：应用启动时不断闪出控制台窗口。修复方式是把主程序改为 GUI subsystem，并让运行时探测、转写 worker、ffmpeg 和 GPU 检测等所有子进程都以无窗口方式创建。

做 Windows 版时，我最直接的体会是，跨平台不只是“macOS 能跑，Windows 也编译一次”。路径分隔符、进程退出、socket 错误码、symlink 权限、窗口子系统、线程环境和安装器升级语义，任何一个都可能让同一个产品在两个平台上表现完全不同。

为了不让 Windows 安装包继续膨胀，我也没有把完整 PyTorch 塞进去。应用改为按需下载约 2.6GB 的 cu128 套件，分卷与逐文件 SHA-256 校验后安装；启用失败时保持 CPU 并显示原因，关闭开关即可回退。

v0.2.0 里，我把 GPU 面板按平台拆开：macOS 显示 Metal/MPS、MLX 和会自动走 GPU 的模型，Windows 显示 CUDA 状态与重新检测入口。LLM Provider 也开始支持从端点直接拉取模型 ID，Ollama 走原生模型列表，拉取失败时仍可手工填写。

08 Ollama 翻译故障与长音频丢失

v0.2.1 是我沿着 Ollama 实测问题做的一轮修复。最容易误判的地方是连接测试已经成功，但真正跑字幕翻译时仍会失败、译文错位，或者显示与实际不符的超时提示。

最后我把修复落在协议层：

  • 改用 Ollama 原生 chat API。
  • 请求显式携带 context size，默认 32768。
  • 关闭 thinking，使用原生 JSON Schema 输出约束。
  • 本地 Ollama 单批 300 秒，其他协议 90 秒。
  • 超时、响应不全或重复时，确定性对半拆批，递归到单段。
  • 本地 Ollama 初始批次收紧到 16 段、1600 字符。
  • 相邻译文共享源文没有的长公共子串，或整批异常膨胀时，自动拆批重试。

同一版里，我还修了无时间戳模型的长音频内容丢失。Qwen3-ASR 与 SenseVoice 的单段零时长结果曾被 chunk 合并器当作 overlap 丢弃，导致 18 分钟视频只剩第一块约十四行字幕。修复后先让结果铺满自己的 chunk window，再做重叠过滤。

我还把模型页改得更直接：全目录天梯用 S/A/B/C 表示速度、准确率和语言覆盖，并标注 GPU、CPU、精确时间轴、说话人分离与下载状态。来自 Windows + RTX 5080 实测的档位单独标注，未实测项保留估算标记。

09 v0.3.0：任务中心与字幕编辑

v0.3.0 是我第一次把界面从功能入口重排成一套工作流。

ASRbox macOS 三栏任务中心

截图 05：任务中心在 macOS 桌面版里稳定为三栏：任务列表、播放器与字幕详情、任务状态检查器。截图中的波形、任务 ID、分段与导出文件均来自本机真实任务。

到这时，功能已经不少，但它们并不共享同一种信息层级。我用连续表面替代半透明面板和全屏渐变，让亮色与暗色主题保持同一套结构；首页也变成单一创作工作台，文件拖入、模型/语言/后端参数与开始动作在一条链路里对齐。

我把“编辑字幕”模式改成保留播放、时间范围与说话人信息，但让每段文字都能直接编辑。保存时只提交一次批量更新，恰好创建一个不可变 edit 版本；没有实际变化时不能保存。

播放交互上，我做了更细的区分：句段试听默认严格按时间轴；设置可以给前后各增加 0.5 到 3 秒 padding；播放器 bar 一旦暂停、继续或拖动，就从句段试听接管为连续自由播放。

这次我还修了发布链路里的一个细节：不同平台生成的校验文件可能带 ./ 前缀，而旧客户端的 updater 按 basename 解析，因此更新不可用。最终所有平台资产先集齐，再由单一 publish job 生成不带目录前缀的统一 SHA256SUMS.txt。

10 模型目录扩展与 24 个模型

我先用 docs/asr-models-roadmap.md 把模型扩展划成四个阶段：

  1. FunASR 系扩展与 Distil-Whisper，零新依赖。
  2. transformers speech-LM 统一引擎与多语言精度梯队。
  3. FireRedASR2-AED 与后续 forced-alignment 后处理。
  4. NeMo 引擎，仅 Docker/server。

每加一个模型，我都会先回答能力是否如实声明、新 runtime 是否膨胀桌面包、许可与署名是否同步、下载源能否回退、测试与真机证据是否足够、API 契约是否稳定。

ASRbox macOS 模型管理

截图 06：macOS 桌面版的模型管理页。这里显示真实下载状态、模型能力、模型来源、速度/准确率参考档位和默认模型。

v0.3.1 里，我先加入字幕“一键替换”：搜索词实时高亮、显示匹配数量、定位当前项、替换全部；保存复用批量更新，一次只创建一个新的 edit 版本。

v0.3.2 里，我增加 Paraformer Large 中文、Fun-ASR-Nano 和 Faster Whisper Distil Large V3，同时修掉三个只出现在安装包里的故障：

  • 冻结包缺 Silero VAD，Faster Whisper 全部 MODEL_LOAD_FAILED。
  • FunASR 缺 TorchScript 依赖源码。
  • 启动期的 OMP_NUM_THREADS=1 被 worker 继承，CPU 只跑单核。

v0.3.2 后期还碰到一个 Windows 就地升级问题：NSIS 覆盖安装会留下上一版已经删除的文件，旧的 tokenizers dist-info 让新 speech-LM 模型无法导入。后来安装器在复制新文件前清理自管理的 $INSTDIR\binaries，用户数据和已下载模型不受影响。

线程问题修完后，结果很直观：推理 CPU 从约 100% 升到约 400%，18 分 05 秒英文视频从 600.9 秒降到 120.5 秒，90 秒片段从 57–60 秒降到 15.1 秒，字幕段数与字符数完全一致。

v0.3.3 里，我加入六个 speech-LM 模型：Granite Speech 4.1 2B / 2B Plus、Cohere Transcribe 2B、ARK-ASR 0.6B / 3B、Voxtral Mini 3B；同时把 Qwen3-ASR 与 MOSS 迁进统一的 transformers_speech_lm 引擎。

11 v0.4.0：中文模型、NeMo 与翻译安全

v0.4.0 里，我加入 FireRedASR2 AED 1.1B。它是小红书开源的中文模型，项目文档记录 AISHELL-1 CER 0.57%，支持中英与语码切换，输出词级时间戳并聚合为句段时间轴。

为了不新增 Windows 依赖，我只把官方推理代码最小集 vendored 进应用，用 torchaudio 的 Kaldi 兼容 fbank 替代没有 Windows wheel 的上游特征库。长音频按 VAD 切成不超过 60 秒的输入。

Docker/server 构建里，我也加入 NeMo 引擎：Parakeet TDT 0.6B v3 与 Canary 1B Flash，CC-BY-4.0 署名在模型详情中显示。因为 NeMo 体积大且依赖 CUDA，桌面冻结二进制完全隐藏这些条目，并用静态断言确保它不会被打进桌面包。当时它已经在 server 构建里接通，但 CUDA 真机验证仍被列为后续工作。

翻译上，我在这一版处理了一个危险问题：结构合法、但跨段错位的译文此前可以被静默发布。新校验按译文长度归一化，并在全部批次完成后、写入版本前对完整结果再校验；命中段做一次定点重译，仍失败则以 TRANSLATION_ALIGNMENT_UNVERIFIED 明确失败并保留成功批次。

我还新增了三条逐段完整性判据：

  • 整段回显源文。
  • 模型元评论外泄。
  • 整段占位符译文。

worker 监控也从固定“无进展时限”升级为“活动心跳”：进程 CPU 时间持续前进时，说明推理仍在推进，慢 chunk 不再被误杀；进程活着但心跳冻结，或超过硬性上限仍无产出，才判定停滞并终止。

12 v0.4.1：Granite Speech 5.0 与 26 个模型

v0.4.1 里，我加入 Granite Speech 5.0 2B：英语、法语、德语、西班牙语、葡萄牙语和日语转写与标点还原，无中文能力，无原生时间戳，长音频按官方建议以 120 秒为上限分块。

本地模型目录至此达到 26 个，这个数字不含 2 个只在 Docker/server 构建中出现的 NeMo 模型。写版本说明时，我没有把“更新”自动写成“更准”：同一合成样本上，Granite 5.0 与 4.1 普通版的清晰英文输出逐字一致，脚本 WER 都是 3.1%；日语字符错误率 6.2% 对 7.7%，还有表记差异。因此这一版只记录上游版本与六语种覆盖，不宣传速度或准确率提升。

这次我在 macOS Apple Silicon CPU、Windows x64 和 NVIDIA RTX 2060 SUPER 上做了跨平台验证。Windows 安装版完成 25.3 秒音频转写与六种导出；同一机器 CPU 路径耗时 412.2 秒，CUDA 路径 40.9 秒，输出逐字一致，峰值显存 5086–5612 MiB。

这组时间只对应 25.3 秒的样本。RTX 2060 SUPER 只有 8GB 显存，150 秒长音频会触发部分计算下沉到 CPU，所以我没有把这一版写成“所有长音频都能全 GPU 加速”。

Windows 上，我还完成了一次 v0.4.0 到 v0.4.1 的同目录升级：18 个任务、2358 个字幕段、18 个字幕版本和 10 个已下载模型目录原样保留，旧 Granite 4.1 不需要重下。仍未覆盖的是安装包签名、SmartScreen 流程、GUI 自动化交互和完整的 Docker/CI 双平台门禁。

写发布说明时，我把支持范围、真机证据、质量结论和没做完的部分一起写了进去。

13 官网开发与上线记录

9 月 12 日，我初始化官网仓库。目标很清楚：把 ASRbox 从 README 带到一个独立站点，形成“认识产品 → 免费下载客户端 → 去 GitHub 深入了解”的路径。

ASRbox 官网首页

截图 07：实际访问 asrbox.xiaokatake.com 截取的官网首页。左侧是产品定位与下载入口，右侧直接使用 macOS 任务中心截图，底部展示 26 个本地模型、6 种导出、14 种翻译语言与约 10 倍 GPU 加速。

我做了首页、功能、下载、文档导航、隐私和 FAQ；中文默认，英文位于 /en/。

技术栈最后选了 Astro 5 + Tailwind CSS v4 + TypeScript，静态输出，页面默认零框架运行时。主题、波形 Hero、Release 信息刷新和移动菜单用少量 vanilla TypeScript；文案集中在双语字典，产品版本和关键数字集中在单一 product.ts，减少页面之间的信息漂移。

下载页在构建时读取 GitHub 最新 Release，并固化回退值；运行时再次刷新。未签名提醒、SHA-256 说明、macOS Gatekeeper 和 Windows SmartScreen 都放在下载动作前。

ASRbox 官网下载页

截图 08：线上官网的下载页。版本号、Windows / macOS 安装包大小、平台标识和公开测试提醒都来自页面实际显示内容。

官网用的产品截图，我没有使用旧 GIF，也没有做假 mockup。截图脚本启动隔离的演示数据目录，用 TTS 合成非敏感音频，真实走后端转写；双人对话用 MOSS 生成 S01/S02，再用产品自己的编辑 API 修正误识别，因此截图里的版本历史也是真的。

9 月 13 日，我把站点上线到 asrbox.xiaokatake.com，使用 1Panel OpenResty、Cloudflare、Let's Encrypt 与 Full (strict) SSL。上线后马上遇到一个只在生产出现的问题：本地构建有液态玻璃，线上却丢失 backdrop-filter。修复后才恢复模糊。

官网这部分我有意写得比产品本体短。它负责提供入口、截图和下载，不复制产品后台。

14 这次开发留下的工程原则

回头看 ASRbox 的工程结构，桌面端是 Tauri 2 与 PyInstaller sidecar，前端是桌面和 Web 共用的 React，后端用 FastAPI、SQLite、任务队列、媒体预处理、模型 registry、Provider、字幕版本和导出服务，Docker 复用同源 API。

ASRbox macOS 设置页

截图 09：macOS 桌面版设置页。语言、主题、强调色、界面密度、播放冗余与服务连接都在同一套设置体系里。

这套系统最后留下来的原则比单个功能更稳定：

  • 模型按需下载，不把权重塞进安装包。
  • 删除任务绝不删除外部原文件。
  • 每次字幕修改创建不可变版本，AI 不能静默覆盖。
  • 精确时间轴与近似时间轴必须分开声明。
  • 没有真机验证过的性能不包装成结论。
  • 发布资产必须校验版本、平台、文件名与 SHA-256。

ASRbox 目前仍是公开测试版，仍只提供 macOS Apple Silicon、Windows x64 和 Linux CPU Docker。当前有 26 个桌面可下载本地模型，另有 2 个仅 Docker/server 的 NeMo 模型；仍没有签名与公证，Provider key 仍以明文保存在本地 SQLite，模型下载仍会访问外部源。

我把这些限制写清楚，是因为它们会直接影响安装、数据安全和隐私，不能藏在下载按钮后面。

这四个多月里，我从 14 个模型做到了 26 个。但比数量更重要的是，一条字幕转写出来之后，用户能够编辑它、试听它、翻译它、让 AI 只提出建议、恢复任意版本、导出多种格式，并且知道媒体和文本在什么时候留在本机、什么时候发给了第三方。

这次做完，我最大的感受是：本地 AI 产品真正的难点通常不在“模型能不能跑起来”，而在模型没有、文件被移动、worker 卡死、Windows 行为不一致时，产品还能不能给出可恢复的路径。ASRbox 的这几个月，基本就是在一次次故障里补这些路径。

项目仓库：Goldloli/asrbox

产品官网：asrbox.xiaokatake.com

文中界面截图均取自本机运行的 macOS 桌面版 ASRbox v0.4.0；文章中的版本时间线和功能叙述截至 v0.4.1。