4.2 KiB
4.2 KiB
阿里云音频与导演台扩展实施记录
日期：2026-09-17。此记录接续 video-canvas-task-repairs-2026-09-17.md。
已完成代码
- 语音/音乐节点从仅上传改为官方模型选择、文本、音色、语言、格式、指令和歌曲参数。控件严格跟随所选模型能力，千问3 TTS 不发送其不支持的数值音调/速度参数。
- 阿里云 HTTP 适配：qwen3-tts-flash、qwen3-tts-instruct-flash、qwen-audio-3.0-tts-flash/plus、fun-music-v1。北京限定模型不能错用国际服务地址；使用原服务商密钥，不给浏览器返回密钥。
- 音频加入持久任务队列。先记录供应商原文件，再下载校验 WAV/MP3 并归档；转存失败只恢复下载，网络受理状态不明不会自动再次生成。
- 导演台 AI 识图入口：调用当前视觉理解模型，把参考图转为人物/立方体/球体和机位组成的可编辑简化布景。结果独立保存，允许显式插入或替换原对象。不是精细纹理/网格重建，也没有凭空生成 GLB。
- 对象轨道包含位置、旋转、缩放、可见性、启用开关、线性/缓入缓出插值、逐帧时间编辑/删除、自动记录、秒/30fps 显示单位、时间轴缩放。旋转按最短弧插值；对象删除清理轨道；修改总时长同步缩放轨道。
- 相机与对象共用播放头和导出时间；跟随相机采样运动后的目标对象。纯对象动画也可预览和导出。场景骨骼动作序列、声音轨道、跨机位自动切镜尚未实现。
- 修正浏览器 crypto.randomUUID 失去调用上下文导致记录帧/插入布景报 Illegal invocation；修正视频编码器立即停止可能丢掉末帧，预热首帧并留出末帧呈现时间。
48 服务器配置
已使用 scripts/configure-aliyun-canvas-audio.cjs --apply 写入现有阿里云官方北京服务商，保留其他模型和全局默认设置；变更前模型记录备份在应用目录 .model-config-backups/（不含服务商密钥）。
- qwen3-tts-instruct-flash：启用，音频页面优先顺序 900。
- qwen3-tts-flash：启用，顺序 901。
- fun-music-v1：已建配置，禁用，标记 activationRequired，等待账号邀测权限确认。
- Qwen Audio 3.0：适配已写，当前 Key 的只读 models 目录未列出，未盲目启用。
- 千问3.8既有视觉理解配置保留。
只读调用官方模型目录返回 HTTP 200，包含千问3 TTS/指令版；未发起真实付费语音/音乐/识图生成。模型目录可见性不能代替生成效果验收。
千问 TTS 官方文档；新音频 HTTP 文档；Fun-Music 官方文档（邀测、北京地域、临时文件 24 小时）。
验证
- helpers 全套 475 项通过；追加总时长/删除对象轨道用例后导演台 24 项通过，合计覆盖 476 项。
- TypeScript
tsc --noEmit --incremental false通过。 scripts/qa/video-canvas-audio.cjs使用实际服务适配器和本地替身：请求参数、归档前检查点、存储失败后零重复 POST、链接过期、服务商错误、租约丢失均通过。scripts/qa/video-canvas-task-db.cjs实际临时 PostgreSQL 验证通过：并发幂等、独占领取、恢复与失效 worker 隔离。- 本地浏览器调用实际 React 组件和 Three.js：音频能力控件、未开通音乐拦截、对象播放头/关键帧编辑/帧单位、独立对象动画视频导出、重建结果插入/替换通过，无浏览器运行错误。模型与上传返回使用本地替身。
- 真实浏览器录制文件经 ffprobe 确认为 VP9、1280×720；设置 2 秒，文件约 1.974 秒。提取首尾帧确认对象实际移动。MediaRecorder 属于实时录制，受浏览器帧调度影响，不能宣称离线逐帧精确编码。
参考站及开源自动剪辑算法详见 video-canvas-smart-edit-research-2026-09-17.md。该部分为已完成研究和实施方案，尚未接入完整自动混剪服务。
部署状态：本次生产环境仅更新上述模型配置；应用代码在开发分支完成，未发布到生产应用。