已被取代（2026-06-25），由 00-roadmap-elevenlabs-parity.md 及 01–03 号规范取代。保留以供历史参考。
ElevenLabs-Parity 计划——实现规范¶
日期： 2026-06-12 状态： 提案——源自 discussion #346 及 docs/competitive-analysis.md（PR #345）中的研究。 负责人： debpalash
目标¶
执行 #346 路线图——在质量和自由度上与 ElevenLabs 对齐，且完全本地化——以一系列小型 PR 推进。下面每个工作项都基于 docs/competitive-analysis.md 中的规范或研究章节（引用为 Spec N / §RN / Action N）；本文档补充了排序、依赖和验收标准。按照章程持续合入 main：无 RC、无仪式、无版本噪音。
形态：依赖感知的独立 PR 波次¶
与稳定化清查采用相同的形态：每个工作项都是一个 PR，经自动化审查 + 安全门卫合入，可二分定位，且测试与 PR 同处一个变更中。波次的排序依据：(a) 前置依赖边，(b) 单位工作量带来的用户可见价值，(c) 舆情研究显示用户会以哪些方面来评判我们（安装可靠性、配音契合度、听写质量）。
在开展此项研究期间已交付（无需 PR）：Smart Fit Phase A——规划器、指纹、生成路径（#347，即 Spec 1 前半部分）；时间线片段编辑器（#348）；/docs 中的 Scalar（#307）。
第 0 波——护栏与前置条件¶
| PR | 事项 | 来源 | 工作量 | 为何优先 |
|---|---|---|---|---|
| 0.1 | 文档漂移 CI：每日 inventory-vs-docs 任务，滚动维护单一 issue，绿色时自动关闭。仓库内 docs/features.yaml 从 README 功能矩阵 + 引擎表初始化；检查器自测遵循 tests/scripts/test_validate_install_docs.py 模式 |
Spec 9a | S | 本计划会新增大量文档；漂移保护必须先于这些文档落地 |
| 0.2 | 同意锁定的声音档案：档案上的 verified_own_voice 标志——通过录制同意话语的流程设置；增量 alembic 迁移；设置与档案 UI 展示 |
Action 22, §R1 guardrail 2 | M | agentic v2/v3（1.6，后续）与画廊共享（3.4）的硬性前置条件。也是对 voicebox「无同意锁定」新闻报道的反叙事 |
| 0.3 | 在 tests/evals/ 中新增 LLM-judge 评估层——移植 Patter（用例/运行器/断言），通过 llm_backend.py 进行判定，不构成门禁的定时任务，结论在本地重新计算 |
Spec 9b | M | 为第 1–2 波（听写优化、配音 QC）落地时提供语义回归网 |
第 1 波——速赢项（相互独立；可并行）¶
| PR | 事项 | 来源 | 工作量 | 验收标准 |
|---|---|---|---|---|
| 1.1 | 在新 backend/services/refinement.py 中实现 Whisper 循环坍缩预清理，应用于 capture_ws.py 中的 final 结果（绝不用于 partial） |
Spec 3 phase 1 (voicebox port, MIT) | S | 幻觉循环 fixtures 坍缩；修辞性重复 <6 的保留；未配置 LLM 时也可工作 |
| 1.2 | 分块长文 TTS：移植 backend/utils/chunked_tts.py；在请求模型中增加 max_chunk_chars/crossfade_ms；移植时修复已知的首块采样率 bug |
voicebox deep dive 1 (MIT) | S | 10k 字符输入可渲染且不触顶；分块接缝通过探针 DSP 判定（不削波、无不连续）；单次合成路径不变 |
| 1.3 | pyvideotrans 桥接：提交他们的集成 bug，向上游提交一个 REST/OpenAI 风格的 _omnivoice.py PR；添加契约测试，固定他们所消费的接口面 |
Spec 11 (Option A) | S–M | 契约测试通过；上游 PR 已开启并关联 |
| 1.4 | 为 /ws/tts 增加 句子分块器：backend/services/sentence_chunker.py（移植自 Patter，MIT）+ 激进的首刷；将黄金对等场景作为 pytest fixtures |
Spec 8a | S | 多句输入下 TTFA 可测量地下降；意大利语逗号守卫用例通过 |
第 2 波——听写、智能体、远程（#346 的核心功能面）¶
| PR | 事项 | 来源 | 工作量 | 依赖 |
|---|---|---|---|---|
| 2.1 | 听写 LLM 优化 第 2 阶段：通过 llm_backend.py 实现提示词构建器 + 开关；原始与优化结果均持久化（alembic，增量）；WS {type:"final", refined_text?}；仅当 LLM 后端激活时自动优化才默认开启（其他情况下各处完全透传——对等规则） |
Spec 3 | M | 1.1 |
| 2.2 | MCP 服务器 v1：将现有 FastMCP 挂载到 /mcp（生命周期组合），提供带回环门禁的 transcribe 工具，X-VoiceStudio-Client-Id 中间件 + mcp_client_bindings 表（alembic），stdio 垫片，设置中的绑定 UI |
Spec 2 | M | — |
| 2.3 | 远程后端阶梯 1–3：后端 URL 设置 + /health 握手；所有非回环 HTTP+WS 上使用 OMNIVOICE_API_KEY bearer（扩展 NetworkAccessMiddleware；Tailscale Serve 之后仍需要 token）；docs/remote-gpu.md Tailscale 页面（MagicDNS + Serve + headscale 说明 +「没有 key 绝不 Funnel」） |
§R2 rungs 1–3 | M | — |
| 2.4 | 远程 LLM 端点 UI：设置字段（base URL、模型、可选 API key）接入 llm_backend.py；验证可无缝替换 Ollama/vLLM/LM Studio |
§R2 rung 4 | S–M | — |
| 2.5 | Agentic v1：docs/agentic-voice.md（针对 :3900/v1 的 pipecat + LiveKit 配方）+ 在 CI 可选通道中增加 pipecat 冒烟测试；修复其暴露的参数/流式不匹配 |
Action 15, §R1 v1 | S–M | 2.3（文档中引用的远程认证方案） |
第 3 波——配音补全（配音用户评判我们的依据）¶
| PR | 事项 | 来源 | 工作量 | 依赖 |
|---|---|---|---|---|
| 3.1 | Smart Fit Phase B：导出侧视频重定时——通过 ffmpeg_utils.py 实现每片段剪切/减速（遵守信号量 + register_proc），在 dub_export.py 之前按实测时长重新生成字幕，最后一帧冻结；阈值（1.2× / 50-50）在配音设置中暴露，并加入 fit 指纹 |
Spec 1 剩余部分（Phase A 已在 #347 交付） | M–L | — |
| 3.2 | 逐片段克隆参考：在 speaker_clone.py 中实现 extract_segment_refs()，低于时长下限时按说话人回退；在 _GEN_INPUT_FIELDS 中提供模式 |
Spec 4 | S–M | — |
| 3.3 | 第二轮 ASR 质检：组装后阶段——根据识别出的边界重新对齐提示点，逐段漂移评分（通过 omnivoice/eval/wer/ 计算 WER），标记写入作业事件 + DubTab 标记，驱动增量重新配音；可选择退出，绝不致命 |
Spec 5 | M | 3.1（必须先存在最终时间线） |
Wave 4 — 平台稳健性（“真正可用的首次运行”红利）¶
| PR | 项目 | 来源 | 工作量 |
|---|---|---|---|
| 4.1 | 引擎预检兼容门：能力（torch）+ 驱动（NVML）检测 →（引擎 × wheel 变体）表 → 具体的预安装错误；醒目的持久 CPU 回退横幅——绝不静默。基于 engine_env.py 探测 + hardware_probe.py |
Action 19, §R4(b) | M |
| 4.2 | 崩溃隔离的 ASR：SubprocessBackend ASR 子类，具备死亡重启语义；转录中途 SIGKILL 测试 |
Spec 7 | M |
| 4.3 | 模型管理器 UI：基于 scan_cache_dir() 的页面——每个模型的磁盘占用、驱逐、hf cache verify、镜像（HF_ENDPOINT）设置；处理 Windows 降级符号链接模式以及删除/读取竞争 |
Action 20, §R4(c) | M |
| 4.4 | MLX 听写路由：在加固的 import mlx.core 探测之后，将听写/配音 ASR 路由到现有的 MLXWhisperBackend；注册表中加入后端感知的模型仓库映射 |
Spec 6 首个切片 | M |
| 4.5 | uv 去重 + 锁定策略：链接模式审计，Linux ext4 上使用 UV_LINK_MODE=hardlink，文档化的 sidecar torch 锁定对齐策略 |
§R4(a) | S |
Wave 5 — 新垂直领域（有声书、人设、人设机器人）¶
| PR | 项目 | 来源 | 工作量 | 依赖 |
|---|---|---|---|---|
| 5.1 | 有声书 A1：EPUB 导入（zipfile+lxml——不要使用 ebooklib，它是 AGPL）+ 目录分章 + 逐章可恢复的 TTS 队列 |
§R3 A1 | M | 1.2 |
| 5.2 | 有声书 A2+A3：分章 m4b（FFMETADATA1 + 封面）+ ACX 规范母带处理（两遍 loudnorm + astats 验证器；仅作“遵循 ACX 技术规范”的表述） | §R3 A2–A3 | S + S–M | 5.1 |
| 5.3 | .ovsvoice 导出/导入：zip 清单 + 设计参数 + consent.json + 许可证标签 + 带水印的预览 |
Action 18, §R3 G1 | S–M | — |
| 5.4 | 人设画廊：社区 gallery.json 索引仓库（PR 筛选）+ VoiceGallery “社区”标签页 + 通过预填 GitHub PR/issue 的应用内提交；门槛：仅限设计/自录音色、同意证明、打包时强制 AudioSeal 预览水印、下架模板 |
§R3 G2–G3 | M + M | 0.2, 5.3 |
| 5.5 | Agentic v2——Discord 人设机器人：构造上即选择加入（用户自己的 bot token）；通过 LLM 适配器文本回复 + 通过 /v1/audio/speech 语音回复；人设绑定到受同意锁定的 profile；实时语音频道作为延伸目标（Pycord sinks / discord-ext-voice-recv，均为 MIT，维护风险已注明） |
§R1 v2 | M–L | 0.2, 2.2 |
| 5.6 | 用于播放叠加听写的 AEC：Patter NLMS 移植；远端信号从 /ws/tts 输入（重采样），带播放时间陈旧时钟；在所有三个平台通过探测验证前，设为设置中的选择加入项（对等规则） |
Spec 8b | M | 1.4 |
暂缓（明确暂缓，而非放弃）¶
- 电话功能（§R1 v3）——取决于：护栏 1–5 已上线（0.2 只是其中之一）、TTFA 验证实验对照约 600 ms p95 预算、AudioSeal 经 G.711 的验证实验。运营商凭据设计上为选择加入；绝不是默认项。
- Stories 多轨前端（voicebox 深度分析 5）——数据模型为 S，真正的成本是时间线 UI；#348 的分段编辑器是种子。待 5.1–5.2 证明长格式垂直场景后再重新评估。
- 加权声线混合（Action 12）、动态引擎生命周期（Action 13）、LM-Studio 风格运行时包（§R4 d）——有价值，但不是 #346 的关键路径。
- OpenAPI 卫生（Action 21）——增量后台工作；优先处理
/v1+ TTS 路由，不设专门 wave。 - 定位工具包（Action 14）——无代码工作；见机执行（对比页面与 3.1 的演示 GIF 配合良好；wave 1 落地后在 Show HN 发布）。
跨领域规则¶
- 基本准则：持续集成到主分支，不发布 RC，不做版本号宣传；向后兼容（无需重装引擎；每次 schema 变更均使用 alembic——0.2、2.1、2.2 都携带迁移；
omnivoice_data/保持不变）。 - 默认功能一致性：任何默认开启的功能在 macOS/Windows/Linux 上行为必须一致。尚无法实现的项目（5.6 AEC）以明确的选择加入方式发布。允许实现层面的差异（4.4 MLX）。
- 许可证纪律：MIT/Apache 移植必须携带署名头（voicebox、Patter、ebook2audiobook、Kokoro-FastAPI）。绝不复制 GPL（pyvideotrans、KrillinAI、voice-pro、ComfyUI、
mobi）或第三方 AGPL（alltalk_tts、StabilityMatrix、ebooklib、PyMuPDF）代码——依据 competitive-analysis.md 中的规格进行净室实现；实现者不得打开这些源代码。 - 本地优先：不强制调用云端；任何嵌入的 Patter 代码必须硬性禁用遥测；bug 报告器保持选择加入的预填 URL。
- i18n：所有新增 UI 字符串都通过
t('...')；不硬编码 CJK（CI 门禁）。 - 每个 PR 都附带测试（单元测试 + 在生成音频处新增 probe-judge）；合并前 CI 必须全绿。
- 监管时钟：欧盟 AI 法案第 50 条于 2026-08-02 生效——智能体输出标记（智能体路径上 AudioSeal 始终开启）和 AI 披露将与触发它们的特性（5.5）一同上线，而不是作为后续补充。
每项工作流程¶
每个 PR 使用 speckit（规格 → 规划 → 任务 → 实现），以 docs/competitive-analysis.md 中该条目的 Spec/§R 部分为种子——这些部分已包含集成点、设计差异、常量与测试计划。
本页原文 Markdown：在 AtomGit 查看·内容源自开源项目 om/VoiceStudio