上一周基本跑通了整个流程，也拿到一些结果，但有一个问题始终困扰着我：

用 whisper-mlx 把录音转成中文后，所有的标点都丢失了，英语倒还好。这样以来，问题很大，因为 whisper 的模型是根据根据时间窗口切割结果的，比如3秒，10秒之类的，但没有标点就无法重新分句，只能硬拿3秒10秒这样的切块和英语做对比。尽管也能看出一些眉目（抄得太厉害了），但总归难以说服自己。

我一开始想直接在切块里添加标点，然后再分句。但这样的问题很大，每个切块都是破损的，这样直接喂给模型，效果还是很差。后来我想，要不干脆直接把所有一段录音的所有切块直接拼在一起，然后再添加标点，再分句。查了查，还真有人这么玩过，而且还有专门的模型。结果拿来一试，不光分句的问题解决了，后续的问题也解决了不少。

有了 agent，这就是一两小时的事，没有 agent，恐怕是一两周的活。