Syzygy 1.2.0 开发周期：语音听写、本地大模型与提示词版本管理

本文是 1.2.0 开发周期整理，更新于 2026 年 10 月 4 日，不作为 1.2.0 已发布或发布日期的证明。可用安装包与实际发布版本以下载页为准。下文提交数量统计截至 9 月 26 日。

1.1.0 在 2026 年 8 月 31 日发布。此后到 9 月 26 日，主干合入 70 个提交，其中 32 个 feat、17 个 refactor、9 个 add、5 个 fix。这一版的三块能力全部是在这 70 个提交里从零长出来的：语音听写的第一行代码出现在 9 月 5 日，本地大模型 crate 建于 9 月 14 日，技能注册表建于 9 月 23 日。加上贯穿整月的发布工程（macOS 公证与更新签名、Linux AppImage 签名），1.2.0 的主题可以概括为：让数据进入工作台的方式从复制扩展到说话，让 AI 的算力从云端搬回本机，让用户积累的提示词和技能像代码一样有版本。

#语音听写：从第一行代码到完整链路

动工之前先做了一个会决定整个形态的决策（ADR 0001）：转写结果物化为剪贴板条目，进入 Syzygy 既有的预览、搜索、组织、粘贴流程，恢复焦点后自动注入外部应用的方案被否决。自动注入要跨平台处理全局按键、焦点恢复和辅助功能权限，误投递的风险由用户承担；而工作台内粘贴的路径已经存在，语音结果放进这个模型里，用户保留最终落点的控制权。

完整链路如下：

flowchart LR
  A[麦克风采集] --> B[VAD 流式分段]
  B --> C[分段转写与引擎回退]
  C --> D[整段重转写]
  D --> E[标点润色与热词改写]
  E --> F[物化为剪贴板条目]

不看图也可以这样理解：录音被切成段送识别，识别失败按预算换引擎重试，说完之后整段录音还有一次利用全上下文重新识别的机会，最后经过确定性的文本清理进入剪贴板。

分段。 长录音必须在用户停止之前决定何处分段送识别。这一版引入 Silero VAD 作为默认分段器：模型锁定在目录里（来源、版本、SHA-256 固定，不接受任何路径下直接放一个 onnx 文件），推理跑在 sherpa-onnx 的阻塞线程上，窗口与采样率对齐 Silero 的训练设定，每段裁掉尾部再切下一段。能量检测没有删除，它作为回退分支保留：模型未安装或加载失败时自动接管，两套分段共享同一套窗口上限和最小段长。用户按下停止时，未完成的检测强制 flush，不会丢音频。要诚实交代的边界：策略与接口已有回归测试覆盖，但跨设备真实麦克风的长录音验收（Windows、Linux 的设备差异）还在计划中。

回退链与重试预算。 识别引擎分四类，顺序由用户配置：系统识别（macOS Speech）、本地 Whisper、本地 Paraformer（sherpa-onnx 运行时），以及 AI 账号远程引擎。远程引擎走三种音频协议：OpenAI 兼容的 chat 补全（音频作为 content part 发送）、multipart 转写端点、DashScope 原生多模态端点（qwen-audio-3.0-asr-flash 使用原生协议，价格与区域可用性以厂商当前说明为准），另有腾讯云 ASR 模块。

这一版的重点是把重试从"失败一次就降级"改成三重预算：一段识别总共最多尝试 12 次，单个引擎降级前最多 3 次，墙钟预算 60 秒。预算只在尝试启动时检查，已经开始的请求会跑到自己的结论，没有硬超时把在途请求拦腰取消。失败分类决定去向：超时、传输错误、5xx 这类瞬态失败原地退避重试（500ms 起步、每档加 500ms、封顶 1.5s），引擎不可用和"确定没说话"直接换下一个引擎，对确定性结论反复提问没有意义。旧实现里 max_attempts 会在计划期静默截断用户配置的引擎清单，这个语义已经删除。远程引擎的请求与响应形状用 wiremock 契约测试锁定，凭据只存系统钥匙串，语音配置文件里保留厂商的非敏感字段。

整段重转写。 分段是为了即时性，代价是丢失跨段上下文。所以停止之后、后处理之前，运行时把该会话自己的分段录音（至少两段、总长不超过 300 秒，这正好对上远程引擎 10MB 的请求上限）按口语序拼接，交回本会话胜出的引擎再做一次整段识别，产出的文本替换分段拼接结果。重转写是升级而非关卡：引擎拒绝、拼接失败或用户取消，都回退到分段拼接文本继续走后处理，说过的字不会丢。会话期间音频只驻留内存，进入终态即清空，不落盘。

收尾不挡下一次录音。 之前的设计里 AI 后处理进行期间录音按钮是灰的。现在 Stop 受理的瞬间麦克风槽就释放了，收尾（后处理、重转写、物化）全部在后台完成并按 Run 归属回填，用户可以立刻开始下一轮听写。

后处理。 文本清理分两层。第一层是确定性标点润色：中文标点补全、重复标点收敛这类规则不经过模型，成本与文本长度线性，结果可复现。第二层是热词词典。识别器不会按用户录入的写法返回术语，中文引擎会按自己的分词把 OpenAI 返回成 open ai，把 GPT 返回成 G P T。1.2.0 之前，词典用 12 条手工短语改写逐个补偿；现在匹配规则改为"去掉行内空白后再匹配、命中回映射到原文"，一次覆盖全部 1,153 条已启用词条，那 12 条手工改写随之删除。空白跨度有限制（不超过被中断术语本身的两倍），不会把相隔较远的字符合成一个词，拼音候选不走这条路径。

免费版的 60 秒。 免费版单次连续录音上限 60 秒，这条限制的实现方式经过专门设计：到上限时录音暂停（麦克风关闭、这一段不转写），点击继续在原录音上接着录，停止后所有片段合并转写；计时按音频样本数计算，运行时不持时钟，到上限与麦克风真正关闭之间送达的样本照常保留。Pro 版没有这个上限。

此外有一批小而实在的修复：系统识别在用户口语语言与系统区域不一致时报"未检测到语音"的问题已修；语音输入的运行历史改为有界保留，避免长期使用后无限增长；Quick Panel 获得了与主窗口一致的语音入口，听写台的布局按"说话流为主列"重新排布。

#本地大模型：进程内推理，回环端点

本地模型的目标只有一个：让剪贴板理解、翻译、对话这些能力可以完全离线运行，且数据不出本机。

实现选了 mistral.rs 0.9.3 作为进程内引擎，直接加载 GGUF 权重，macOS 构建启用 Metal。模型通过一个仅绑定 127.0.0.1 的 OpenAI 兼容端点对外服务：POST /v1/chat/completions 支持缓冲与 SSE 两种响应，GET /v1/models 提供模型列表。协议适配与推理引擎因此解耦，应用内所有 AI 消费者走同一个调用边界。带推理标签的模型输出经过一个增量过滤器，<think> 内容在流式过程中被剥离，不会泄漏到用户面前。本地服务一次只承载一个模型，应用重启后按上次意图自动恢复。

下载的接纳规则比"文件存在"严格得多：下载在暂存文件中校验长度与 SHA-256，通过后才发布到模型目录；每次实际加载前独立重新校验，文件或父目录是符号链接时直接拒绝。同长度的篡改文件过不了关，"上次校验通过"也构成不了这次的加载许可。

模型从哪来？四份目录（chat、ASR、embedding、OCR）由上游快照可复现生成：同步脚本锁定上游 revision 与 SDK 版本，每个工件声明 role、路径、格式、大小与 SHA-256，policy 决定哪些条目进入产品目录，--check 离线重算并逐字节比较以发现漂移。运行时绑定是一个闭集：mistral.rs GGUF、fastembed ONNX、whisper.cpp、sherpa-onnx Paraformer、PaddleOCR MNN。目录里没有对应引擎绑定的条目不会被宣称可安装，API-only 的模型（比如 DashScope 的 ASR）不会被伪装成可下载权重。

检索是这版的另一条主线。语义向量检索与词法检索融合，融合算法用倒数排名聚合（k=60），两种排名先各自排好再合并，同分按文档 ID 字典序定序，同样的输入永远得到同样的结果。向量是派生缓存：正文指纹与模型身份共同决定其有效性，切换模型时其他模型的向量被清除，不会混用向量空间。索引任务空闲时执行有界回填，每批最多 64 条、间隔至少 15 秒，不与增量更新争抢。本地 embedding 与远程 embedding 共用同一端口，远程走已配置账号的 /embeddings，校验返回的索引、数量、维度与数值有效性。远程模型目录新增 OpenRouter 同步脚本，用量记账随之对齐（含按模型的价格数据）。

请求发出之前还有一道预检。模型的能力声明是三态的：未声明、声明为空、明确列出，三者的语义不同。声明明确不含所需输入模态时，请求在调用提供方之前就被显式拒绝并报告原因，附件不会被静默 OCR，也不会被悄悄丢弃。声明未知时允许尝试，但尝试的成功不会反过来改写声明。

#提示词与技能：把文本资产当代码管

提示词在这版有了真正的版本管理。应用内置 gitoxide（gix，纯 Rust 的 git 实现），保存更新工作草稿，显式发布才分配版本并写入 Git 提交。历史与差异命令查看发布记录，恢复将所选版本写回工作内容，检查后可再决定是否发布。变量系统做了五级解析（按作用域逐级回退），配套的安全测试保证模板不会把密钥等内容带进渲染结果。提示词模板获得了标签体系，检索与组织对齐剪贴板条目的习惯。

附件机制让提示词可以引用图片或文件：附件有独立的身份、存储与引用语法，请求组装严格按正文渲染顺序排列内容，被引用的附件缺失时请求以失败结束，不会静默跳过。发请求前引用声明与三态模态预检配合，声明了 vision 的模型才会接到图片。

技能注册表是新领域。技能来源是一份用户维护的有序列表（支持添加、开关、移除、排序），扫描以 SKILL.md 文件的 SHA-256 做内容去重，保留首个实例并标记重复来源。移除一个来源不会删除磁盘上的文件，外部目录不会因为被索引而变成应用可回收空间。编辑器里的斜杠菜单按来源限定符筛选技能，技能、提示词、记忆三者的存储所有权分开，共享的只是文件底座与编辑器组件。

#发布工程：让更新通道值得信任

发版本身占了这个周期 14 个提交。macOS 侧建起一条可重复的公证流水线：公证脚本负责提交应用与轮询苹果的状态机，签名脚本在不暴露私钥的前提下给 Tauri 更新包签名，公钥由独立脚本投影进桌面构建配置，更新器的公钥进构建、私钥不落构建机。期间修掉一个具体问题：codesign 输出 plist 需要 --xml 参数。

Linux 侧的 AppImage 走容器化构建，脚本支持 dry-run 预览，签名发生在重打包之后，私钥路径先校验再使用。DMG 制作改用 zlib 压缩控制体积。iOS 的上架素材也在这个周期补齐（登录、首页与主要功能界面的商店截图）。随发版脚本一起，内置语音词典的再生成也纳入了流水线：从人工复核过的 CSpell 数据离线复现词典文件，词典内容可溯源、可重建。

此外有一批小而具体的变更：复制路径文本（比如编辑器里的 Copy Path）时，符合条件的纯文本路径在捕获时升级为文件条目，原始文本保留为出处，粘贴回写忠实于所复制的内容；取消条目标签后标签本身保留，孤儿标签关联随迁移清理；翻译多引擎的优先级字段重构为显式的回退顺序；OCR 模型处理与资源同步逻辑重构，模型注册表补齐翻译支持；AI 对话接入了用量记账，聊天链路引入确定性 nonce 加密。

测试面同步扩张：这 70 个提交里有 4 个纯端到端测试提交，覆盖技能工作台、斜杠技能面板、隐私应用选择、语音听写界面、布局回归、工作区路由、AI 模型声明、图片预览与提示词附件。语音运行时这一条线的单元与集成测试在 9 月中旬累计 193 个通过（领域 crate 83、运行时 crate 110），技能注册表落地当周相关 10 个包累计 1,066 个测试通过。多语言文案键位校验维持在 100% 同步。

#已知边界与下一步

如实列出这一版没有做完的：VAD 分段与识别链路的跨设备真实麦克风长录音验收待执行；重转写的流式部分结果上屏未做（当前整段替换一次性落地）；识别错误分类还没有下探到 429 与 Retry-After 这样的细粒度；当前运行时已经装配 Qwen Realtime 与 DashScope Message、阶跃星辰、讯飞、火山引擎和腾讯云。代码接入不代表所有厂商账号与真实麦克风场景已经完成验收。

下一步的方向在路线图里有完整叙述：移动端应用市场上架、把数据空间与记忆以 MCP 服务器形式暴露、铺设加密中继节点。上一版的变更见 1.1.0 更新说明，语音能力的使用方式见语音输入指南，本地模型与提示词工作台分别有独立的模型与技能文章。