Media Extract / Delivery
交付文本,也交代它从哪里来。
混合材料的交付不止是一份文字:使用者还需要知道哪些内容直接提取、哪些经过识别,以及哪些结果需要复核。
多媒体处理工具 · 实际测试素材与产物接手者需要知道什么
开始前用 doctor 检查依赖;结束后核对正文、处理来源与状态。成功项可续用,失败项单独重试。运行依赖 macOS,语音识别使用 Apple Silicon / MLX,需要在交接前确认。
01 / Decisions
把环境、结果和重试方式一起交接。
- 先检查运行环境
- 提供 doctor 入口检查解码、OCR 与模型依赖。当前实现依赖 macOS 能力,语音识别使用 Apple Silicon 上的 MLX。
- 交付可回查的材料
- 正文保留页码或时间戳,元数据注明处理来源;原始字幕、OCR 片段或分段记录随结果保存。
- 允许中断与重试
- 按文件记录处理状态,提供 --skip-done 复用已有成功结果;失败项可单独定位,避免所有材料从头重跑。
02 / Actual output
两份测试材料,两条不同的处理路径。
以下内容来自 2026-10-26 实际执行的测试素材,不是客户材料,也不是重新编写的识别结果。
- 带字幕的视频
- 5 秒测试视频 → 内置字幕提取 → 38 字、2 段带时间戳文本。来源标记为 subtitle,本次不调用语音识别。
[0:00] 这是内置字幕轨测试第一句
查看实际字幕产物 ↗
[0:02] This is subtitle track line two - 含文字层的 PDF
- 1 页测试 PDF → 直接读取文字层 → 174 字。正文按页组织,页面标记为 text-layer。
media-extract text layer test document
查看实际 PDF 产物 ↗
下载副本只移除了执行机器的绝对文件路径;正文与处理来源保留。
03 / Verification
按分支验证,不把测试数当识别准确率。
- 已核验流程
- 视频内置字幕提取、PDF 文字层读取,以及输出中的来源和状态字段已复核。扫描 PDF 的 OCR 测试在正常本机权限下通过。
- 测试范围
- 2026-10-26 完整复跑现有套件:47 项通过,无失败、无跳过,耗时 15.321 秒。覆盖文本处理、目录命名、PDF、字幕、语音识别与批量续跑;这表示测试素材下的流程验证,不代表通用识别准确率。查看核验说明 ↗
- 能力边界
- OCR 与语音识别可能误读专名,仍需结合原材料复核;本页没有生产使用量、准确率或节省时间的主张。没有开放在线上传接口。