live-caption/docs/phase3-caption-window.md

# Phase 3：Qt 悬浮字幕窗

状态：**完成**。悬浮窗可用，已接入实时采集 + 流式转写。
（窗口之外的交互 —— 托盘、设置对话框、应用内下载 —— 属于 Phase 4，见
[docs/gui.md](gui.md)。本文记录 Phase 3 当时的形态，并在末尾列出后续变化。）

![折叠态（英文）](images/phase3-en-collapsed.png)

![展开态（英文）](images/phase3-en-expanded.png)

![折叠态（中文）](images/phase3-zh-collapsed.png)

![不透明度 50%](images/phase3-opacity50.png)

## 已实现

- **悬浮窗**：无边框、半透明深色圆角、始终置顶、不接受焦点（`Qt::FramelessWindowHint | WindowStaysOnTopHint | Tool | WindowDoesNotAcceptFocus`），可拖动。
- **折叠 / 展开**：折叠两行、展开八行，底部箭头切换（折叠态 `⌄`、展开态 `⌃`）。
  行数可在设置里改（Phase 4）。
- **语言标签**：左上角圆角 pill，显示识别到的语言（英语 / 中文 …）；点击发 `languageClicked`
  —— Phase 4 起就是用它打开设置对话框。
- **稳定/不稳定区分**：已稳定文本白色，不稳定尾部灰色 —— 与 CLI 版一致，也是 Chrome 那种"字长出来"的观感。
  灰色尾部可以用设置里的「用灰色显示尚未稳定的尾部」关掉（Phase 4）。
- **背景**：**黑色 + 可调不透明度**（不是全透明；纯黑底才能保证任何桌面背景下文字都可读）。
  默认 84%，范围限制 20~100，设置界面里是可拖的滑块（Phase 4），`--opacity` / `setPanelOpacity()` 也可调。
- **关闭**：右上角 `✕`。Phase 4 起它的行为是**隐藏到托盘**（否则关掉就没法再打开了）；
  只有在 `--no-tray` 或托盘不可用时才真正退出。
- **实时链路**：采集默认输出的 monitor → 流式转写 → 信号推给窗口，全部在主线程外的工作线程里跑。

## 实时分段

Phase 2 的结论是段不能无限长（解码器对 KV 的注意力随总长增长）。Phase 3 用**静音检测**决定段边界：

- 能量 VAD（噪声底用"快降慢升"的最小值跟踪，见 Phase 1 的教训）；
- 检测到语音才开始把音频送进引擎，并保留 250ms 前导避免吃掉词头；
- **静音期间完全不送音频**：早期版本会把静音也喂进模型，模型对静音产生了幻觉（英文语音前冒出一个 `嗯。`）；
- 静音超过 0.8s 就收束这一段（提交文本、清空 KV），下一段重新开始。

`--stream-segment`（默认 30s）仍作为兜底上界，设置界面对应「高级 → 单段最长时长」。

## 代码结构

```
src/
├─ captionwindow.{h,cpp}     # 悬浮窗
├─ livetranscriber.{h,cpp}   # 采集 + VAD + 分段 + 流式引擎（QObject）
├─ streamingasr.{h,cpp}      # 流式策略（前缀回滚、切片、分段）
├─ qwen3asr.{h,cpp}          # 进程内推理（libllama + libmtmd）
├─ audio.{h,cpp}             # WAV 读取 + monitor 采集 + 重采样
└─ transcript.{h,cpp}        # 输出解析与语言名映射
```

> 目录后来重排过：`captionwindow` / `livetranscriber` 现在在 `src/ui/`，
> 其余在 `src/core/`，模型管理独立成 `src/models/`。见 [README 的代码结构](../README.md#代码结构)。

## 过程中踩的坑

1. **静音幻觉**：第一版把采集到的静音也喂给了模型，模型对静音产生幻觉，英文语音前面冒出一个 `嗯。`。改为静音期间完全不送音频。
2. **自定义 QWidget 子类的样式表背景不生效**：`CaptionWindow { background-color: rgba(0,0,0,215) }` 这条规则在真实渲染时**根本没画**，面板全透明，只有文字和按钮浮在桌面上。原因是 Qt 不会为自定义 `QWidget` 子类绘制样式表背景（需要 `WA_StyledBackground`，或自己画）。改成在 `paintEvent()` 里用 `QPainter::drawRoundedRect` 画底板 —— 这也是 `WA_TranslucentBackground` 顶层窗口的推荐做法。
3. **验证方法骗了自己**：`QWidget::grab()` 的产物当时是合成到**深灰底色**上看的，「黑色 + 84%」和「全透明」在深色背景上几乎看不出区别，于是把第 2 条盖住了。改成**直接检查像素 alpha**（面板中央应为 `(0,0,0,≈214)`、圆角外应为 `(0,0,0,0)`），并合成到亮色背景上复核。
4. **DPI 警告不关本程序的事**：`setHighDpiScaleFactorRoundingPolicy must be called before creating the QGuiApplication instance` 连 5 行的空白 Qt 程序也会打印 —— 是 Deepin 会话环境设了 `QT_SCALE_FACTOR_ROUNDING_POLICY` 导致的。

## 用法

```bash
# 悬浮窗程序（图形界面，Phase 4 起带托盘与设置）
./build/live-caption

# 调整背景不透明度（20-100）—— 这是 GUI 程序的选项
./build/live-caption --opacity 60

# 无窗口、纯命令行实时（便于在无显示环境调试）
./build/live-caption-cli --asr-backend sherpa --asr-model zipformer-zh-2025 --cli-live

# 自截图（验证渲染，不依赖外部截图工具）；会依次截折叠态与展开态
./build/live-caption --asr-backend sherpa --asr-model zipformer-zh-2025 \
    --no-tray --screenshot out.png --screenshot-delay 12
```

> 自截图产物带 alpha 通道；要判断不透明度是否正确，**直接看像素 alpha**，不要靠肉眼看合成效果。
> 所有选项见 [docs/cli.md](cli.md)。

## Phase 3 之后的变化（Phase 4）

- ✕ 从「退出」改成「隐藏到托盘」，并加了托盘图标与菜单；
- 语言标签点击 → 打开设置对话框（模型下载/选择、语言、显示、采集设备、下载源与代理、校验）；
- 背景不透明度、字号、行数、灰色尾部、窗口位置全部进了设置界面并持久化（`QSettings`）；
- **采集设备可选**（原来固定跟随启动时的默认输出，切到 HDMI 不会跟着变）；
- 细节见 [docs/gui.md](gui.md)。

## 已知限制 / 后续

- X11 下置顶与定位都正常；Wayland 下需要 layer-shell，属于 Phase 5（见 [docs/troubleshooting.md](troubleshooting.md)）。
- 界面尚未做 HiDPI 之外的适配（当前主屏宽度 72%、最大 900 逻辑像素）。