feat: 调度器+并发管线+GPU优化+日志分级+前端修复

- scheduler: ffmpeg 异步线程 + GPU 串行调度 + 模型复用（2N→2 次加载）
- pipeline: 阶段拆分（extract/asr/translate），中间数据存 Task 字段
- translate_service: 长度排序批处理，padding 浪费减少 91%
- model_manager: ASR/翻译不共驻，BatchedInferencePipeline 批量解码
- 日志分级: INFO=任务流转里程碑，DEBUG=进度详情；默认 INFO
- 前端: 日志最新在上+滚动感知+退避轮询；24h 时间；上传中状态显示
- /health: 返回完整 Whisper/NLLB 配置
- upload_service: 单事务 complete + 扩展名白名单
- task_router: 合并 UploadSession 虚拟任务到列表
- Dockerfile: CPU/GPU 独立构建链，deps 缓存稳定
- prefetch_models: 安装时预下载模型权重

app/services/asr_service.py

@@ -29,7 +29,8 @@ def transcribe(wav_path: Path) -> list[Segment]:
         raise FileNotFoundError(f"音频不存在：{wav_path}")
 
     model = get_model_manager().get_asr()
-    logger.debug("开始转写 %s（model=%s language=%s）", wav_path.name, s.model, s.language)
+    logger.debug("开始转写 %s（model=%s language=%s batch_size=%d）",
+                 wav_path.name, s.model, s.language, s.batch_size)
 
     segments_gen, info = model.transcribe(
         str(wav_path),
@@ -37,6 +38,8 @@ def transcribe(wav_path: Path) -> list[Segment]:
         word_timestamps=s.word_timestamps,
         vad_filter=s.vad_filter,
         beam_size=5,
+        batch_size=s.batch_size,       # 批量解码：多音频块一次性送 GPU
+        without_timestamps=False,      # BatchedInferencePipeline 默认 True，需显式关闭以生成段级时间戳
     )
     logger.debug(
         "音频时长 %.1fs，检测语言=%s（置信度 %.2f）",