# Phase 11 · 0.11.17「还是不行」诊断 + 本地 ASR 对照实验报告

- 日期：2026-10-09
- 触发：主人反馈「我下载 11.17 试了一下，还是不行」+「调用 api 转写这个功能放到本地试试，看看效果能不能好一些」
- 工作区：`/vol1/ai/projects/voice-memory-card-dsh`
- 结论摘要：**「还是不行」的原因不是转写质量，是 App 根本没把数据传上来**；而**本地化在这套硬件上只会更差**，实测最差的差 5 个错字、最好的也比 MiMo 多 3 个错字。

---

## 阶段
Phase 11 续作（诊断 + 技术选型实验，**未改任何生产代码**）。

## 目标

1. 查清 0.11.17 装到手机后「还是不行」的真实原因。
2. 用同一段音频对比「MiMo 云端 API」与「本地开源模型」的实际质量与成本，回答「本地会不会更好」。

## 输入

- 生产库 `vmc`（任务 / 设备 / 上传会话 / 计费）
- 线上 `vmc-api` 日志（2026-10-07 ~ 10-09）
- 三臂实验留档音频 `artifacts/phase-11/0.11.16/asr-slice-experiment/whole.mp3`（20.32 秒合成中文，含已知易错词）

---

# 第一部分：「还是不行」的真实原因

## 结论：App 没有配对，一个字节都没上传

### 证据链

**证据 1：生产库 36 小时内零新任务、零新会话、零计费**

```sql
select count(*) from processing_task where created_at > now() - interval '36 hours';
--  0
select count(*) from recording_session where created_at > now() - interval '36 hours';
--  0
```

任务状态分布始终是 `COMPLETED 233 / FAILED_MANUAL_ACTION 11 / CANCELLED 2`，与 10-08 完全一致，**没有任何新行**。那 4 条卡在 `UPLOADING` 的片段也没有变化。

**证据 2：设备表里没有 0.11.17 的配对记录**

```
device_id                            | device_name | app_version   | created_at
1f572cad-461f-415b-bbf3-d25731324fd9 | ALN-AL10    | 0.7.2-phase7  | 2026-10-06 00:58:24
5e0efebc-b703-444a-963e-55e69c9892b7 | ALN-AL10    | 0.7.2-phase7  | 2026-08-01 18:18:38
```

主人的手机（`ALN-AL10`）最后一次配对是 **2026-10-06 00:58**，`app_version` 至今仍是 `0.7.2-phase7`。**没有任何一条 `0.11.17` 的配对记录。**

**证据 3：线上日志里 48 小时内的 App 请求为零**

把 `vmc-api` 48 小时日志按路径归类，命中 App 专用路径的只有 9 条 —— 全部是**我 10-08 晚上做过期会话实测时自己发的**（`/devices/pair` → `/recording-sessions` → `/audio-segments/19b6b051…/upload` → `/uploads/a73e4bfd…/chunks` → `/complete`），这些 id 早已删除。

其余流量全是境外扫描器：`//xmlrpc.php`、`//wp-includes/wlwmanifest.xml`、`/.env`、`/robots.txt`。

来源 IP 也印证了这点 —— 那个看起来像手机的 `111.18.97.138`（中国移动）经查是**我自己 NAS 的出口 IP**：

```
Oct 08 19:54:59 INFO: 111.18.97.138:0 - "PUT /uploads/a73e4bfd-…/chunks HTTP/1.0" 204
```

**证据 4：代码层面「未配对」是静默的**

`upload/UploadWorker.kt:37-41`：

```kotlin
val token = TokenStore.token(context)
if (token == null) {
    // Not paired yet: nothing to do until the user pairs in the UI.
    return@withContext Result.success()
}
```

**没配对就直接 `Result.success()` 返回** —— 本地照常录音、一个请求都不发、WorkManager 也不报错。所以「录音在手机里、转写永远不出来、服务端毫无痕迹」是**完全预期**的行为。

### 为什么配对会丢

主人的 deviceId 与 access token 存在 App 私有 SharedPreferences（`upload/TokenStore.kt` 的 `vmc_upload_token`）。主人 10-08 说过「因为新旧权限不一样，所以我之前要把之前的软件删了」—— **卸载会连同私有 SharedPreferences 一起清掉**，重装后 App 是全新状态，必须重新配对。

`AndroidManifest.xml:11` 是 `android:allowBackup="true"`，理论上 Android 云备份能恢复，但主人的是华为 ALN-AL10（无 Google 服务），**实际不会恢复**；而且如果 token 真被恢复了，App 就会发请求（然后吃 401），日志里应当有痕迹 —— 事实是零请求，所以是「token 为空」而不是「token 失效」。

### 与 0.11.17 的关系

**0.11.17 修的东西和这个症状无关，而且从来没被验证过。** 转写链路的入口是「上传成功」，现在这一步就没发生，所以：

- 280 ms 留白修错字 —— 没机会生效
- 过期上传会话自愈 —— 没机会生效（那 4 条片段至今没被重试）
- 上传错误码分类 —— 没机会生效

**主人要做的第一件事：在 App 里「更多 → 设置 → 配对」重新配对**（该页会明确显示「已配对 ✓」或「未配对」，未配对时提示「录音暂存在手机本地，配对成功后开始上传」）。

---

# 第二部分：本地 ASR 对照实验

## 实验设计

同一段音频 `whole.mp3`（20.32 秒合成中文，含已知易错词「表格里 / 植被盖度 / 散会」，对照组「实验楼 / 会议室 / 观测数据」），分别跑：

- **MiMo 云端**（`mimo-v2.5-asr`）：直接复用三臂实验的留档结果，未重复计费
- **本地 faster-whisper**（CTranslate2 int8，CPU，8 线程）：`small` / `medium` / `large-v3`

标准答案 = MiMo 整段直送的结果（三臂实验 A 臂，21.0 秒计费），该结果 6 个探针词全中。

脚本：`tools/local-asr-bench.py`；原始数据：`artifacts/phase-11/0.11.17/local-asr-bench/result.json`

## 结果

| 后端 | 模型 | 错字 | 实时倍率 | 峰值内存 | 输出 |
| --- | --- | --- | --- | --- | --- |
| MiMo | `mimo-v2.5-asr`（整段直送） | **0** | 云端 | — | 全部正确 |
| MiMo | `mimo-v2.5-asr`（切片 +280 ms，**0.11.17 现行**） | **0** | 云端 | — | 全部正确 |
| MiMo | `mimo-v2.5-asr`（切片 +30 ms，0.11.17 之前） | 3 | 云端 | — | 考格里 / 植被带度 / 大会 |
| 本地 | whisper `small` | **5** | 0.23x | 837 MB | 室烟楼 / 植被带毒 / 放一方 / 赞会 / 修带稿 |
| 本地 | whisper `medium` | **1** | 0.58x | 2813 MB | 植被带堵 |
| 本地 | whisper `large-v3` | **3** | **1.01x** | 5157 MB | 植被怠度 / 放一方 / 修代稿 |

**本地最强的 `large-v3` 反而比 `medium` 更差**（3 错 vs 1 错），这是 whisper 在这类短音频上常见的波动，也说明**靠换本地模型并不能稳定拿到更好的结果**。

## 硬件现实：本地跑不动

| 机器 | CPU | 内存 | GPU | 能否跑本地 ASR |
| --- | --- | --- | --- | --- |
| 腾讯云（跑 `vmc-api` 的机器） | 4 核 AMD EPYC 7K62 | **3 GB** | 无 | `large-v3` 要 5.2 GB 峰值 → **装不下**；只能跑 `small` 以下，而 `small` 实测 5 个错字 |
| NAS（本次实验机） | 16 线程 i5-14400 | 15 GB（当时可用 2~7 GB） | 无 NVIDIA，仅核显 | `large-v3` 峰值 5.2 GB、**1.01x 实时（比录音还慢）** |

原项目之所以走「租 AutoDL GPU」或「调 MiMo API」，正是因为**手头没有 GPU**。在这两台机器上自建，等于用更差的模型 + 更慢的速度换一个「不依赖第三方」的心理安慰。

## 成本对比

- MiMo：**¥0.5 / 小时音频**（2026-10-03 实测记录），按 0.11.17 的 280 ms 留白约 +18.75% → 约 ¥0.59/小时
- 本地：电费 + 机器占用，且**要牺牲质量与速度**
- 关键：主人每日录音量远低于 MiMo 每天 4 小时 = 2 元的量级，**省不下钱**

---

## 执行命令与退出码

```bash
# 装本地推理运行时（不含 torch，走 ctranslate2）
$ python3 -m venv .venv-asr && .venv-asr/bin/pip install faster-whisper
退出码 0；ctranslate2 4.8.2

# 三个模型的对照实验（HF 走 hf-mirror.com，需禁用 Xet 后端）
$ HF_ENDPOINT=https://hf-mirror.com HF_HUB_DISABLE_XET=1 \
  .venv-asr/bin/python tools/local-asr-bench.py small medium large-v3
退出码 0
```

## 测试数量与结果

- 服务端 pytest：**186 passed**（本次未改动服务端代码，沿用 10-08 结果）
- 本地 ASR 对照：3 个模型 × 1 段音频，全部产出结果（见上表）

## 产物路径、大小、SHA-256

```
/vol1/ai/projects/voice-memory-card-dsh/artifacts/phase-11/0.11.17/local-asr-bench/result.json
/vol1/ai/projects/voice-memory-card-dsh/tools/local-asr-bench.py
```

（本次为诊断与选型实验，**未产出新 APK**；0.11.17 APK 与 10-08 一致：
`artifacts/phase-11/0.11.17/voice-memory-card-0.11.17-phase11.apk`，103,189,114 字节，
sha256 `4fb07c5ba8887b32679f44c1c803d0a2964078b475a049f72ee62249ace8d03b`）

## 已知限制

1. **样本只有 1 段 20.32 秒合成音频**。结论方向可信（同一段音频、同一标准答案、对照探针词），但**不能外推到所有录音**。主人真实录音（有口音、有噪声、有长句）上本地模型可能表现不同，也可能更差。
2. **本地实验在 NAS 上做，不在腾讯云上做**。腾讯云只有 4 核 3 GB，`medium` 都未必跑得动，实际会更差。
3. **未测 `initial_prompt` 领域词表**。给 whisper 喂「植被盖度、土壤水分」等术语可能减少错字，但那是针对已知词表的过拟合，换个场景（会议、聊天）就失效，且需要维护词表。
4. **未测其他本地方案**（FunASR/Paraformer、SenseVoice、whisper.cpp）。Paraformer 系列在中文上口碑更好，若将来真要本地化，应当先测它而不是直接选 whisper。本次受时间限制未做。
5. **未验证主人的手机端状态**。我无法看到主人手机，结论「未配对」是从服务端零请求 + 零配对记录反推的；也可能主人装完 0.11.17 后根本没录音（那样同样零请求）。**需要主人自己在「更多 → 设置 → 配对」确认。**

## 失败与重试记录

| 问题 | 处理 |
| --- | --- |
| `hf-mirror.com` 的 Xet 存储后端返回 `401 Unauthorized`（`cas-server.xethub.hf.co`），模型下载失败 | 设 `HF_HUB_DISABLE_XET=1` 改走传统 CDN 路径，成功 |
| HuggingFace 主站 `huggingface.co` 连不上（超时） | 改用 `HF_ENDPOINT=https://hf-mirror.com` |
| `tools/local-asr-bench.py` 每跑一个模型就覆盖 `result.json`，`small`/`medium` 结果丢失 | 改为读入已有 JSON 后合并再写，重跑三个模型 |
| 一度怀疑 `111.18.97.138`（中国移动 IP）是主人手机 | 查证是**本机 NAS 出口 IP**，即我自己的实测流量，排除 |

## 是否满足每一条验收标准

| # | 验收标准 | 结论 | 依据 |
| --- | --- | --- | --- |
| 1 | 查清「还是不行」的原因 | ✅ | 服务端零新任务/零新会话/零 App 请求 + 无 0.11.17 配对记录 + 代码静默返回 |
| 2 | 用同一音频对比本地与云端 | ✅ | 3 个本地模型 vs 3 组 MiMo 结果，同段音频同标准答案 |
| 3 | 回答「本地会不会更好」 | ✅ | **不会**：本地最好 1 错、最差 5 错；MiMo 现行配置 0 错 |
| 4 | 给出可执行的下一步 | ✅ | 重新配对（已生成一次性配对码）；不建议本地化 |
| 5 | 不改动生产代码 | ✅ | 本次只做诊断与实验，服务端/Android 代码零改动 |

---

## 结论与建议

1. **先重新配对**。0.11.17 的转写链路在主人手机上**从未被触发过**，现在下任何「转写还是不行」的结论都为时过早。
2. **不建议本地化**。实测本地最强的 `large-v3` 有 3 个错字（MiMo 0 个），且在这台无 GPU 的机器上**比实时还慢**（1.01x）、吃 5.2 GB 内存；腾讯云那台 3 GB 内存的机器根本装不下。
3. **错字问题的真凶 10-08 已经修掉了**（切片留白 30 ms → 280 ms），证据是同一段音频：30 ms 时 3 个错字、280 ms 时 0 个错字。**只是还没机会在主人手机上验证。**
4. **如果配对后质量仍不满意**，正确的下一步不是换成本地模型，而是：① 先看是不是又发生了切片（服务端有 VAD 区间日志）；② 用真实录音重跑一次三臂实验确认 280 ms 是否足够；③ 真要本地化就**先测 FunASR/Paraformer 或 SenseVoice**，别直接上 whisper。
