FDE Transcription Pipeline

1) 两条路径怎么走

同一个会话中有两条链路并行：

• Live path（实时链）: 录音开始后，移动端会产出短时片段并上报，Web 端通过 GET /api/v1/processes/{id}/stream（SSE）获取增量 transcript.*，用于“录制中可见”与草稿高亮。
• Final path（最终链）: 停录后，原始 WAV 进入不可变提交路径，后台生成带时间轴的稳定 transcript.final，用于回放、对账和归档。

2) 会话与录音边界（机制）

• Start → Stop = 一个 logical recording：会话以一次 Start/Stop 为粒度落地一个 logical session，后端记录完整元信息与事件序列。
• Field / Sealed 的统一展示：Recordings 列表合并显示同一逻辑会话的 Field 与 Sealed，关联键仍是 logical_session_id；底层保留分离的状态与来源：live ledger 与 sealed backup。
• 5 分钟片段解释：这是本地持久化分片与容错策略，不是单次录音时长上限。一次长录音会连续生成多个分片，最终归并到同一逻辑会话。

3) 进度条、回放和高亮

音频播放通过签名 URL 拉流，播放器与时间线共享同一时间轴。点击字幕片段会按片段偏移跳转；若存在缺口，播放器自动跳转到下一可播放片段并在时间线显示 gap 提示。高亮与滚动由当前播放时间驱动。

4) 真实场景里怎么用

• 手机端持续捕捉，桌面显示“正在进行中”；
• 停录后可立刻看到可回放资产；
• 最终转写完成后可继续追加智能层（摘要、任务、提纲等）；原始音频与底层事实层保持原样，仅追加派生分析。

4.1) 导入已有音频

工作区左上角的上传入口支持 WAV、AIFC/AIFF、M4A/AAC、MP3、FLAC、OGG/Opus。浏览器先在本地解码并生成 16 kHz 单声道 PCM 转写副本，然后把原始文件与标准副本分别做 SHA-256 绑定并保存，上传完成立即启动转写。原始文件不会被标准副本覆盖。

网页直接导入当前限制为原文件 32 MB、标准副本 25 MB（约 13 分钟）。更长音频请使用手机连续捕捉，或在本地 Agent 中运行 fde-agent upload /absolute/path/to/audio --workspace <id>。

5) 核心 API（简化）

• GET /api/v1/processes/{id}/stream：SSE GET，订阅实时增量事件（transcript/process updates）。
• POST /api/v1/processes/{id}/playback：生成 process 分片可播放签名 URL。
• POST /api/v1/assets/{id}/playback：生成 asset 片段可播放签名 URL。
• GET /api/v1/processes / /api/v1/assets：分页列表与搜索。
• GET /api/v1/logical-sessions/{logical_session_id}：按逻辑会话聚合 canonical transcript 与 artifacts。
• GET /api/v1/logical-sessions/{logical_session_id}/export：导出 markdown（仅按逻辑会话）；未就绪时前端会回退到本地生成版本。

6) 发言人治理与重叠语音

• 发言人区间：当前治理范围覆盖 0–13 的 cluster id，支持手工命名、合并与持久化草稿。
• 重叠语音：重叠（overlap）标注为可选实验能力；在未完成校验前仅保留可见层，不替代原始事实层。

7) 离线补偿与外部 Agent/MCP 边界

• 离线补偿：客户端保留事件快照，重连/刷新时先重放会话快照再做增量对齐，避免 transient 丢段。
• 边界控制：原始证据与原始音频为只读底座；Agent/MCP 仅消费导出与派生 artifact，不直接回写证据主链。
• 权限边界：敏感原始资产不直接回写外部模型，必须经过统一会话导出与可审计流程。

8) 实施约束

• 原始音频与转录结果一旦落地为资产默认不可变。
• 后续 AI 输出只做 append-only 的派生层（不回写原始转录与源音频）。
• 跨端账号绑定到同一个 FDE 身份；同一用户可在手机、网页之间共享。