高精度本地转录

把一段中文语音，转成带时间戳、专有名词正确的文本。核心不是"找个更强的模型"，而是让多个会犯不同错误的信息源互相纠正。

为什么这么干（核心原则，先读）

不要只用一个引擎。 任何单一 ASR 都有系统性短板：
- FunASR (paraformer-zh) —— 中文口语强、标点好、给逐字时间戳；但英文术语很差（"Agent"→"a卷"、"loop engineering"→"lob"）。
- whisper-large-v3 —— 英文术语和长句强（尤其配术语 prompt）；但中文口语略逊、时间戳粗、爱合并长段。两者错的地方往往不同 → 互为参照。
专有名词靠"取证"，不靠"上下文猜"。 引擎听错的术语，用 LLM 结合上下文去推断会自信地猜错（踩过坑："体力"被猜成"Feedly"，实际是"体力活"）。正确做法是找一个和音频正交的信息源当 ground truth：分享视频的 PPT/屏幕、会议的议程/参会名单/共享文档、技术讨论的 codebase/论文、聊天记录截图……凡是把正确写法白纸黑字摆出来的来源，照抄即可。详见 references/ground-truth.md。
校正要保守。 只修明显的 ASR 错误和板上钉钉的小语病（最典型：指代 AI/工具/系统时"他→它"）。说话人有些话不通顺，但他确实就是这么说的——保留。修错的代价远大于漏修。网络用语保留原话。
隐私：全程本地。 FunASR 模型从 ModelScope 下载、whisper.cpp 本地推理，音频始终不出本机，只有首次下模型联网。要上云端 ASR（Deepgram/AssemblyAI 等更高准确度）必须先征得用户同意——那会上传音频。