模型会换，但项目、语料、切片和试听这些对象不应该跟着重写。我先把稳定流程放进 FastAPI。

开发机器可能只有 CPU，也可能有 MPS 或 CUDA；重型依赖没装齐时，整条流程不能直接瘫掉。

保留 demo 后端跑通业务流程，再用环境报告暴露加速器、命令、模型和授权状态。真实后端准备好后直接切换。

我不想让转写和克隆去补救一段底噪很重的原始录音，所以把清理放在最前面。

UVR 不只是装一个命令，还依赖单独的音频环境和指定 ONNX 权重；少一个文件，界面却显示可用，会让排查很痛苦。

环境报告同时检查音频 Python 和 UVR-MDX-NET 权重。条件不齐就明确标成 unavailable，不做假成功。

多人录音不能直接当成一个角色的数据。我给说话人分离留了独立入口，避免不同音色混进同一份语料。

模型受 Hugging Face 条款约束，只有文件存在还不够，用户必须自己接受许可并提供令牌。

运行报告把 available 和 authorized 分开显示。我宁愿让缺少授权直接暴露，也不在代码里绕过许可。

先找出真正说话的区间，再送去转写。这样长静音不会拖慢后面步骤，切片也更容易人工校对。

当前 MVP 还没把真实 VAD 接进主流程，但界面和数据结构已经需要为时间区间留位置。

先固定 segment 的起止时间与批准状态，再用独立音频环境做可用性检查，后续替换实现不用改上层接口。

中文转写必须和切片时间绑定，否则后面改一句文本时，很难找回对应音频。

FunASR 实际要同时依赖识别、VAD 和标点三个模型，第一次部署经常出现只下载了一部分的情况。

我把它放进独立环境，并在启动时逐一检查三组模型文件。只有全部到位才把集成标为可用。

训练数据和推理服务分开。工作台只准备可靠的参考音频、文本和参数，再通过本地 API 发起生成。

参考音频路径、四组权重和返回格式都可能出错；接口返回 200 也不代表拿到的真是 WAV。

本机服务使用相对路径，启动前检查四组权重，生成后再验证 RIFF/WAVE 头。参考音频只从已批准切片中选择。

音色之外还需要角色怎么说话。我把角色设定和台词风格留在独立 Skill，而不是散落在接口参数里。

风格描述很容易变成一次性提示词，换角色后就无法复用，也很难确认当前到底用了哪套规则。

环境报告直接检查 Skill 文件，角色配置保留 style prompt。现在先把边界固定，后续再接自动生成。