每首歌选择音频、填写对应歌词并设置处理方式后,点“加入队列”。上传完成即可准备下一首;正在处理的任务使用提交时的歌词、音轨和设置,之后修改表单不会影响它。队列最多容纳 50 首未完成歌曲,按加入顺序逐首处理;某首失败后继续下一首。
队列只显示本次服务启动后提交的任务,包括已完成和失败的任务;刷新网页仍保留本次队列,不加载以前启动留下的历史记录。队列显示每首歌的处理状态、等待位置和下载入口。尚未开始的歌曲可以“取消排队”,已开始的歌曲会继续完成。关闭或重启本地服务会清空页面队列,并中断未完成任务,需要重新提交;已有结果文件仍保留在本机。接口 Key 不写入任务文件或浏览器存储。
TTML 下载文件名取自导入音乐,去掉音频扩展名再加 .ttml,例如 歌名 (Live).flac → 歌名 (Live).ttml。歌曲名中的中文和标点会保留;已有任务也可按保存的歌名下载。
歌词为必填:填写正确歌词,或导入 UTF-8 TXT / LRC / JSON / 逐行 TTML。普通 TXT 每行一句;JSON 主歌词可省略时间。每行代表一次真实演唱;重复副歌要完整重复填写。LRC 示例:
[00:01.20] 青い箱をひらく
[00:05.80] Paper lanterns drift away
LRC 也支持每行同时写开始和结束时间:
[00:01.200]青い箱をひらく[00:04.800]
[00:05.800]Paper lanterns drift away[00:09.300]
[开始]歌词[结束] 会保留每句的明确范围,包括句间空白、重叠和最后一句结束;在歌词原文和起止范围上与逐行 TTML 相同。它可以和只有开始时间的行混用:缺少结束时间时,使用下一句起点,最后一句以音频结束为上限。单独的空白时间标签仍忽略。主歌词按开始时间排序;行尾必须晚于行首,范围不能超出音频。不支持把重复演唱的多个起点放在同一行,也不支持行内逐字时间标签,请展开为独立歌词行或使用 TTML / JSON。
带明确句段时间的 LRC / TTML / JSON 继续使用原有锚定窗口;只有开始标签的 LRC 仍按下一句起点或音频终点补齐结束。普通 TXT 每行一句;JSON 的 main 行可以省略 start / end,auto 与显式 tifa 都接受这种输入。带句段范围的歌词进入原生 TIFA 细对齐;无时间主歌词先由 MMS 做全曲声学定位,再把证据推导的窗口交给 TIFA。ctc 也接受无时间主歌词,并可从全曲 MMS 声学和全局有序 CTC 定位窗口,包括重复演唱。MMS-300M 的原生 20 ms 帧步进只是模型网格,不等于 20 ms 边界准确度;这些结果仍需试听校对。
[
{"text":"青い箱をひらく", "language":"ja"},
{"text":"Paper lanterns drift away", "language":"en"}
]无时间主歌词不按行数或时长平均分配时间;若某段文本无法由整曲声学证据定位,任务会明确失败,不会伪造锚点。细对齐中无法成立的单位也会在结果中明确记录,不用平均边界补齐。ctc 对纯文本和重复演唱使用全局有序定位。背景歌词(role=bg)即使在这些路线上也必须显式给出 start 和 end。歌词文件导入后填入文本框,提交以文本框为准。
纯文本按歌词顺序定位同一主唱的演唱;多位主唱的 JSON 请分别处理或提供逐句时间,以免把重叠人声强行排成先后顺序。未成为每帧第一候选、但仍有可用发音证据的句子会继续交给对应的本地声学路线,并标记为“整曲定位的发音证据较弱”;粗定位诊断分数和拒绝阈值都不是准确率。
逐行 TTML 可以直接导入 .ttml 文件或粘贴 XML;每个 p 的 begin / end(或 begin / dur)作为句段范围,最后一句明确的结束时间会保留。网页在本机将它转换为可编辑的 JSON,再沿用现有对齐和提示词流程;CLI / API 也可直接读取 TTML。已有逐字 span 会拼回整句,字时间由本次模型重新计算。
确信逐句时间准确时,可勾选“信任逐句时间轴,跳过 MMS 粗定位”(默认关闭)。适用于带时间的 LRC、转换后的 TTML 和带时间的 JSON;TTML 每句的开始、结束时间会保留。只有开始时间的 LRC 仍按下一句起点、最后一句按音频终点补齐结束。勾选后,TIFA 直接使用这些句段范围及原有上下文做细对齐,跳过 MMS 粗定位和据此寻找停顿的裁剪;逐字时间仍由 TIFA 计算。此选项适用于自动、TIFA 和三种 LLM + TIFA 路线,纯文本和 MMS 单独对齐时不可用。每首歌入队时保存自己的选项。CLI 对应 --trust-line-timestamps,API 对应布尔字段 trust_line_timestamps。
<tt xmlns="http://www.w3.org/ns/ttml">
<body><div>
<p begin="00:00:01.200" end="00:00:04.800">Paper lanterns</p>
<p begin="00:00:05.800" end="00:00:09.300">drift away</p>
</div></body>
</tt>支持歌曲绝对时间的时分秒、分秒、秒数及 h/m/s/ms 表达式;AMLL div 的时间只做包含范围检查,不叠加到歌词时间。支持内联的 x-translation 翻译、x-roman 罗马音和 x-bg 伴唱;伴唱缺少独立时间时沿用该句范围。Apple 在 head 的 iTunesMetadata 内存放的 translations / transliterations 通过 text for="L1" 等标记关联 p 的 itunes:key;每句有多轨 sidecar 翻译时固定取关联轨道中的第一份,不按中文或其他语言偏好选择。TTML 的根节点、行和伴唱 xml:lang 声明全部忽略,不继承到行级;这些声明可能错误,不作为对齐、字典或 LLM 输入。本地 TIFA / MMS 仍使用用户手选的语言,LLM 路线则自行判断。v1 / v2 / v3 / v1000 等演唱者 ID 会保留,其他命名映射为可用的 vN。没有 itunes:key 且没有关联翻译的逐行文件也可以读取。
当前每句保留一份翻译和一份罗马音;多份内联标注、重复或无效的关联行 ID、未知角色、嵌套伴唱、DTD / 实体、帧 / tick / SMPTE 时间、seq 容器和带 begin/end 的 body 会明确报错。TTML 的排版样式、演唱者姓名 / person 或 group 类型和其他歌曲元数据不作为对齐输入;普通 XML 空白按规则折叠,xml:space="preserve" 可保留句内空白。歌词文件上限为 2 MB,导入后可在 JSON 中检查句段和声部。
音频预处理三选一:
- 只保留主唱(默认):用 BS-Roformer 去掉伴奏,并尽量去掉和声;输入可以是原曲,也可以是导入的主唱 / 人声轨。
- 保留全部人声:用 Kim 去掉伴奏、保留主唱和和声;已导入人声时直接使用导入轨。
- 直接使用所选音轨:不改动原曲或导入轨。
导入的音轨必须与原曲同起点、同时长。分离失败会报错,不会静默改用其他轨。所有模式共用同一套四组本地模型,安装后没有按功能补装步骤;缺项时页面会提示补装命令。SOFA 不再下载或要求,旧 models/sofa/ 缓存也不会被读取。
用于本地对齐的网页“歌曲语言”与 CLI --language 使用同一组取值:
| 取值 | 含义 |
|---|---|
mixed |
默认;日语 / 英语 / 日英混唱 |
ja / en |
日语 / 英语 |
zh |
中文(普通话) |
zh-en |
中英混唱 |
auto |
仅用于 JSON 行级,表示继承整首选择 |
本地方案无法仅凭汉字区分中文与日语:只有整首或该行选择 zh / zh-en 时,汉字才按普通话处理;其他模式沿用日语读法。中文指普通话,不处理粤语。行级 language 只用于本地方案。所有 LLM 对齐路线(llm_text、llm_direct、llm_import)不提供语言选择,也不发送整首或行级语言提示;模型自行判断每段语言,返回片段必须保留 lang。
.\.venv\Scripts\python.exe -X utf8 -m timing "song.flac" --lyrics "song.lrc" --output "song.ttml" --language mixed| 参数 | 用途 |
|---|---|
--lyrics |
必填;UTF-8 TXT / LRC / JSON / 逐行 TTML |
--aligner auto |
默认;带句段范围时使用 TIFA,无时间主歌词先由 MMS 粗定位再交给 TIFA;接受普通 TXT / 无时间 JSON 主歌词或带逐句范围的 LRC / TTML / JSON |
--aligner tifa |
使用 TIFA 细对齐;无时间主歌词仍先由 MMS 粗定位;歌词格式和定位流程与 auto 相同 |
--aligner ctc |
MMS 逐句或整曲 CTC 对齐;0.20.0 接受锚定歌词以及无时间 TXT / JSON |
--aligner llm_text |
读取整首歌词文字,由模型推断每段语言、上下文读音和分段;不发送音频、时间或语言预设,随后在本地计时;需逐句 LRC / TTML / JSON |
--aligner llm_direct |
一次发送完整音轨和歌词,由模型自行判断每段语言、读音和拆分;不发送语言预设,需逐句范围与音频兼容接口 |
--aligner llm_import --llm-result result.json |
使用网页 LLM 返回的 JSON,不请求接口,不需要 Key;提示词不含语言预设,输入仍需逐句范围 |
--export-llm-prompt prompt.txt |
将全部歌词和不含语言预设的输出规则写入提示词 TXT 后退出;需要带句段范围的 --lyrics |
--llm-prompt-profile fine / original |
整曲音频 API 和网页提示词的日语拆分规则;默认 fine 细拆,original 保留适度合并的旧版;llm_text 使用固定文本提示词,不受此参数影响 |
--audio-mode lead |
默认;去掉伴奏、尽量去掉和声(BS) |
--audio-mode vocals |
去掉伴奏、保留主唱和和声(Kim) |
--audio-mode source |
直接使用原曲或导入轨 |
--vocals vocals.wav |
导入同起点同时长的人声 / 原声轨 |
--word-level |
英语保留整词,不细分候选音节 |
--english-splitter syllabify / pyphen / llm |
英语候选音节方案 |
--language mixed / ja / en / zh / zh-en |
本地整首语言;默认 mixed 覆盖日语 / 英语 / 日英混唱,zh 为普通话,zh-en 为中英混唱;LLM 对齐不使用此参数 |
本地 --language 决定文字处理:zh / zh-en 时汉字按普通话(拼音)处理,其余模式汉字按日语读法。llm_text 与 llm_direct / llm_import 一样,由模型推断每段语言;手选语言、JSON 行级 language 和 TTML xml:lang 都不作为请求提示,也不约束本地回退。返回片段的 lang 是模型结果。源文件、歌词和输出路径不能相互覆盖。CLI 中间输出保存在 <输出文件名>.timing/。
本地中英混唱示例:
.\.venv\Scripts\python.exe -X utf8 -m timing "song.flac" --lyrics "song.lrc" --output "song.ttml" --language zh-en用 JSON 明确每行范围及对应关系;以下均为演示文本:
[
{"text":"青い箱", "start":10.0, "end":15.0, "agent":"v1", "language":"ja"},
{"text":"paper lantern", "start":14.0, "end":19.0, "agent":"v2", "language":"en"},
{"text":"ah", "start":12.0, "end":15.0, "role":"bg", "parent":0}
]parent 是主歌词行从 0 开始的下标;agent 为 v1、v2、v3 等正整数演唱者 ID(最多 9 位数字),role 为 main / bg。可附加 translation 和 roman。行级 language 接受 auto / mixed / ja / en / zh / zh-en,供本地文字处理使用,显式值优先于整首 --language;zh 为普通话。例如中文行写 {"text":"今天很好","start":10.0,"end":13.0,"language":"zh"},英文行写 "language":"en"。LLM 对齐模式不读取或发送这些预设。显式结构不代表模型自动识别或分离不同歌手。
背景歌词(role=bg)在“只保留主唱”模式下对齐到 Kim 提取的完整人声,或导入的完整人声;没有原曲回退,也不能把“原曲减主唱”的剩余轨当作纯伴唱。“保留全部人声”和“直接使用所选音轨”模式使用该模式选定的音轨。
在 dictionaries/pronunciations.json 中填 ja(词到假名字符串)、en(词到音素数组)和 zh(汉字或词组到拼音)。例如 "zh": {"重": "chong2", "重庆": "chong2 qing4"};词组需每字一个音节,单字设置优先。TIFA、MMS 和本地文本路径使用这些设置,共享读音 / 音素辅助使用 TIFA 资源;llm_text 的成功行使用模型返回的读音,失败行才尝试人工覆盖和中性脚本回退:出现明确假名时按日语处理,无假名且不含汉字的拉丁文字按英语处理;含汉字但无假名、无法消解中日语歧义时保留给人工处理并标注回退。llm_direct / llm_import 使用听音模型返回的读音。拼音可带声调数字或声调符号,字典匹配时会去掉声调。不修改原文或制造时间。表中整数提供读音候选,特殊年份 / 编号仍应校对。中文按普通话处理:TIFA 使用原生中文音素词典,MMS 使用无调拼音标签;不覆盖粤语。词典不支持的唱法会明确报错,可指定受支持的读音后重试。
--aligner llm_text 把词库查询替换为一次整首歌词的文字调用。本版沿用逐句定位流程,需要带逐句开始和结束时间的 LRC、逐行 TTML 或完整 JSON。请求只包含歌词原文、稳定行 ID、不含语言预设的固定输出规则和允许音素,不包含音频、音频片段、文件名、标题、翻译、整首或行级语言提示、演唱者关系、角色、之前测出的时间或时间戳。模型像 llm_direct / llm_import 一样自行判断每段语言、读音和分段。行 ID 用于保证重复副歌的每次演唱分别返回,不会把相同文字的出现合并。
应用按行校验返回结果:每个 ID 恰好出现一次,每个分段字段只允许 text / lang / reading,且 lang 必须存在,因为它是模型输出;所有 text 拼接必须与对应歌词逐字符完全相同,保持空格、标点、大小写和重复文字。读音分别使用日语片假名、普通话拼音或无调英语音素。单行不合法、漏行或重复行时,只让该行尝试人工读音覆盖和中性脚本回退:明确假名启用日语,无假名且不含汉字的拉丁文字启用英语,含汉字但无假名的歧义保留给人工处理,不读取 --language、JSON 行级语言或隐藏默认值。回退在 llm_text.json 和任务报告中逐行标注;若本地回退也不可用,该行标记为人工待补轴并保留锚定的整句范围。整次请求失败时各行执行同一回退。成功和失败都不调用第二次模型请求。
文本模型的固定提示词要求根据整首上下文选择读音,同时明确没有听到音频,不能声称识别音高、时长或时间戳。提示词只包含中日英读音所需规则和允许音素,不使用“细拆 / 适度合并”模板选择。完成校验后交给本地 TIFA 计时。形态合格只表示文字、读音和分段结构通过检查,不代表演唱读音或边界已经正确。
日语提示词要求 LLM 先结合整首歌词的词义、形态和语法确定读音与文字对应,再判断自然分块;既不把依赖的小假名、促音或鼻音单独高亮,也不把本可独立的词或短语无必要地整段合并。听音模式以实际人声的发音、重新起音和连续性为首要证据,词义和语法帮助绑定文字;确有独立重新起音或单独发音的鼻音可以拆开,仅音高变化或拖音本身不足以拆分。小假名组合不拆,促音 っ/ッ 优先并入前一块,延长同一元音的 う/い/ー 等与前面的发音合并;鼻音 ん/ン 正常也依附前一块,如 カバン → カ/バン、押し込んだ → 押/し/込ん/だ。例如 ありがとう 拆为 あ / り / が / とう,さようなら 拆为 さ / よう / な / ら,いって 拆为 いっ / て。合并块保留完整的鼻音、闭塞和长音元音长度,不删音素;鼻音仍是实际发声的莫拉,不能当作静音。真正独立的元音如 買う 的 う 不机械合并。文本模式只能依据词义和语法判断,不能听出实际重新发音。这些组合优先于拖音和句尾的一般细拆要求,已返回的 LLM 分块会原样用于本地对齐和 TTML 显示。
本地日语路线用 Fugashi / MeCab 读取 models/unidic-cwj-202512/ 中的 UniDic CWJ 202512(ver.2025.12)常规分析包,负责日语分词和读音基线;普通文本、TIFA 与 MMS 的本地路径共用这套文字处理。它是静态词库,不是需要训练的对齐模型,安装时会显式下载并核对文件哈希,运行任务时不会联网补词。TIFA 模型目录里的 japanese_dict_full.txt 只是假名到音素的映射表,不能拿它替代分词词典。旧版 models/unidic-cwj-3.1.0/ 若仍留在本机,只作为已完成下载缓存,当前运行路径不读取它。
dictionaries/pronunciations.json 的日语覆盖仍用于歌词特殊读法、多音字或人工确认的唱法;唱法没有支持的音素时仍会报错。LLM 文本读音成功采用的行不查询本地 UniDic;失败行才执行人工覆盖和上述中性脚本回退,含汉字但无假名的歧义留给人工处理。听音整曲与网页 LLM 导入始终使用返回结果里的读音和分段。任何词典升级都不是“日语读音一定更准”的保证,也不能解决脱离上下文的异读或实际演唱变音。
syllabify 使用选中的音素,pyphen 使用拼写候选,llm 把去重后的英语单词和已选音素作为文字发给兼容接口,再检查返回分段是否连续覆盖这些音素。英语 LLM 拆分不发送音频,也不产生时间。英语边界按声音优先处理:听音路线从实际人声确定音节和辅音归属,llm_text 从上下文确定规范读音,syllabify / llm 从已提供音素确定,之后才映射回原词字母;词根、词缀或拼写不覆盖声音。pyphen 只是拼写候选,不能把它的切分当作发音证据。细分边界不确定时保留整词,书面词界始终保留。例如仅当音频或音素确为 w ao | k ih ng 时,walking 才显示为 wal/king;没有把所有辅音一律划给后一音节的规则。无法安全映射时保留整词。连续元音或一个不可分读音可以作为整体,不按字数平均分配时间。方案记录在 alignment.json,结构正确不等于实际唱法正确。
整曲音频 API 和网页提示词有“日语拆分”选择:**细拆(默认)**要求日语全曲以最小自然且有据可依的独立单位为基本显示单元;**适度合并(旧版)**保留原有的连贯段落语义,但仍须隔离演唱中独立突出的单位,不能因整句流畅而不拆。两版都先依据整首词义、形态和语法判断,避免把依赖的声音单独高亮,也避免把可独立词句无必要地整段合并,并共用小假名、促音、真长音和鼻音附前规则:とう、よう 的延长元音或 っ 不单独切出,カバン 显示为 カ/バン,押し込んだ 显示为 押/し/込ん/だ。鼻音 ん/ン 仍是保留完整音素和时值的发声莫拉;独立重新起音或实际单独发音时可以拆开,仅音高变化或拖音本身不要求独立。两份模板独立保留,英语统一要求逐词分开,词内可按演唱需要拆音节,禁止把半个词与相邻单词合并;中文规则不变。“LLM 文本读音”使用另一份固定提示词,不显示也不读取这个选项。新 API 与文本任务读取更新后的提示词;网页提示词更新或切换后需重新生成并让模型返回新结果,质量仍需试听检查。已导入 JSON 始终采用它实际返回的分段。CLI 选择旧版可加 --llm-prompt-profile original。
只有网页端的音频模型也能使用,应用不需要它的 API:
- 填写逐句 LRC、导入逐行 TTML 或使用带完整时间的 JSON,选择“网页 LLM(导入结果)”。生成提示词,然后复制或下载。提示词已经包含全部歌词、每次演唱的行 ID、英语可用音素和输出格式,但不含歌曲或行级语言预设。
- 在模型网页上传同一首完整录音,粘贴提示词。保留前奏、间奏、尾奏及原始起点;有和声歌词时,上传的录音要包含和声。也可上传与原曲同起点、同时长的完整人声轨。
- 将返回的完整 JSON 粘贴回来,或导入 UTF-8 JSON 文件。可以先点“检查结果”,再生成 TTML。所有检查和计时都在本机进行,不请求 LLM,也不会用另一个接口修正结果。
返回的每段包含 text、lang、reading,由网页模型自行决定中文 / 日语 / 英语语言、读音及显示分段。lang 是模型输出,不是预设提示。读取结果后由本地 TIFA 计算具体时间;中日英混唱也不需手选语言。
结果必须包含 request_id 和全部行 ID;parts 拼接须与原歌词完全相同,不接受生成的时间、改写文字、漏行、重复 ID 或不支持的读音。某行听不清可明确返回 parts:[],该行会保留整句 LRC 范围供人工补轴。格式错误会在分离和计时前说明行号,修好后再导入。歌词或逐句范围改变后需重新生成提示词;相同歌词结果可用于对比不同本地音轨,绑定标识不验证音频内容。JSON 文件上限 16 MiB。提示词和导入结果不保存到浏览器存储,任务报告会保存实际采用的拆分与读音。
命令行两步使用,无需接口配置:
.\.venv\Scripts\python.exe -X utf8 -m timing --lyrics song.lrc --export-llm-prompt prompt.txt
.\.venv\Scripts\python.exe -X utf8 -m timing song.flac --lyrics song.lrc --aligner llm_import --llm-result result.json --output song.ttml在页面填写 Base URL、模型 ID 和 Key。接口采用 Chat Completions;默认不强制 JSON 模式或采样参数。可自定义 Key 头名称和 auto / bearer / raw 发送格式。Authorization 在自动格式下加 Bearer,其他头默认原样发送。
- 英语 LLM 拆分(
--english-splitter llm):配合 TIFA 等本地路线,按任务去重后只发送英语文字与已选音素,保持原字母和音素连续对应,不发送音频,不产生时间。 --aligner llm_text:整首上下文文本读音,发送歌词文字、稳定行 ID、不含语言预设的固定输出规则和允许音素;不发送音频、音频片段、整首或行级语言提示、演唱者关系、时间和时间戳。模型自行判断并返回每段lang、读音和拆分;失败行按前述中性脚本规则回退,不自动补发请求。--aligner llm_direct:一次发送完整音轨和全部歌词,模型自行判断每段中日英语言、实际读音及拆分;同一句中也能混用这些语言。不使用手选语言、行级语言提示、本地词语读音和英语拆分开关。仍需完整逐句 LRC / TTML / JSON,歌词不改写。
整曲识别不再按 8 行 / 45 秒分批,也不自动修正请求。接口超时、输出截断或格式错误不会自动重发;可用行继续对齐,缺漏或无效的行保留整句 LRC 范围,标为待补轴。一次请求读取超时为 600 秒;完整音轨编码成 16 kHz 单声道 PCM WAV,不删前奏、间奏和尾奏,保留原曲时间线。仅主歌词时发送所选处理轨;有背景歌词时发送同时含主唱和和声的完整人声轨(直接使用音轨模式则沿用所选轨),本地计时仍分别使用对应音轨。
整曲音频识别和网页提示词的远端处理会接触完整录音;llm_text 和英语文字拆分不会。普通 5 分钟音轨的 WAV 约 9.2 MiB,Base64 约 12.2 MiB。整曲音频应用对编码音频设有 64 MiB 的本地上限,整曲响应上限为 16 MiB;音频超出本地上限时不发送请求,保留整句时间供手工补轴。接口自己的大小、时长、输入格式和输出长度限制可能更严格。请选能接受整曲输入、足够长 JSON 输出的音频模型;应用不会因接口拒绝而偷偷改成逐句多次请求。
音频使用 messages[].content[].input_audio.data 中的 WAV data URL。只有文字接口兼容不代表支持此音频格式;固定词测试也不能验证音频能力。远端服务的可用性和质量需自行确认。
API Key 通过页面或 TIMING_LLM_API_KEY 环境变量提供;不要写入源码或命令参数。CLI 连接参数示例:
--english-splitter llm --llm-base-url https://provider.example/v1 --llm-model MODEL_ID
--llm-api-key-header x-api-key --llm-api-key-format raw
环境变量还支持 TIMING_LLM_BASE_URL、TIMING_LLM_MODEL、TIMING_LLM_JSON_MODE、TIMING_LLM_API_KEY_HEADER、TIMING_LLM_API_KEY_FORMAT。没有自动加载 .env 的功能;请在当前终端中设置环境变量。
思考参数可选跟随平台 / 开启 / 关闭。跟随平台不发额外参数;开启时选择 reasoning_effort、enable_thinking 或 thinking 格式,按接口文档填写强度。后两种格式需要纯开关时留空强度。CLI 支持 --llm-thinking-mode、--llm-thinking-format、--llm-reasoning-effort,对应环境变量前缀 TIMING_LLM_。参数不匹配会报错,不会静默删掉重试。
提示词在 timing/prompts/。对齐记录保存实际映射、请求数、参数和回退原因;LLM 报告同时记录 language_hints_sent=false,不保存 Key、音频 Base64 或思考正文。读音和拆分校验只说明映射结构合格,不证明时间更准确。
下载 TTML、JSON 报告及本次分离产生的音轨。主唱提取的剩余轨包含伴奏和和声,只供试听;背景歌词使用 Kim 完整人声或导入的完整人声,不使用剩余轨。分离后的采样点和重建检查只验证时间线完整性。
partial_timing_lines 列出需补轴的单位,manual_timing_lines 列出整句占位,export_placeholders 记录带输入句段范围路线的 TTML 零时长编辑标记。保留的有效单位仍使用模型原生边界;标记不能视作已测量的字时长。无时间主歌词若无法定位会明确失败,不用这些占位符代替声学锚点。
页面刷新可恢复最近任务的查询;应用重启会将尚未结束的任务标为中断,需重新提交。进度持久化对短暂文件占用有重试和恢复副本;若整个目录不可写,结果写入仍可能失败。数据在 data/,不会自动上传或清理。