1.5 智能

目标

在抽象化的 provider 接口之后加入 AI 驱动的剪辑工作流，让引擎保持 provider 中立——隐私敏感处端上执行，质量优先处可切换云端。

范围

#	条目	优先级	规模	说明
1.5-1	ASR 字幕生成	P0	L	端上（WASM whisper 一类）和云端 provider 抽象两种方式的语音转文字，带时间轴对齐、置信度和可编辑性。供给 1.2 的字幕轨。
1.5-2	人像分割	P1	L	用于背景替换和人物成层的人像抠图，基于 WebGPU/shader 管线。
1.5-3	智能剪辑建议	P2	L	基于场景/节拍/静音分析给出粗剪建议并自动组装，依托 1.2 分析管线。
1.5-4	自动调色建议	P2	M	内容分析加风格化 LUT 推荐。
1.5-5	TTS 旁白	P2	M	文本转语音作为时间线节点。
1.5-6	素材语义检索	P2	L	embedding 索引和对素材库的自然语言搜索。

验收

• 每个智能功能都作为 provider 接口暴露，且至少有一个参考实现；引擎绝不依赖单一模型厂商。
• ASR 输出以经过校验的字幕实体落地，带置信度元数据并支持手动修正。
• 端上路径遵守资源预算；云端路径沿用现有远程协议的安全模型（content-addressed assets、ephemeral authorization）。
• 每个 provider 的隐私、许可和数据留存约束都有文档。

风险与依赖

• 依赖智能形态决策（端上 vs 云端），以及 1.2 分析管线和 1.1 WebGPU 等级。
• 模型大小与 1.3 包体积预算冲突；端上模型需要按需加载路径。
• 分割质量必须用参考/golden 评估覆盖，而不是凭印象。