feat: 进度条颗粒度优化 — ASR/翻译按批次细分进度

原来进度只在阶段结束时跳一次（ASR 5%→55%、翻译 60%→98%），长视频时
进度条卡住不动。现在每完成一个批次就更新进度。

ASR（asr_service.py）:
- 用 info.duration_after_vad 算总 chunk 数（ceil(时长/30s)）
- 消费生成器时按 seg.end 跨 30s chunk 边界回调 on_progress
- 30s 粒度自然节流，长视频约几十次更新

翻译（translate_service.py）:
- _translate_sorted / _translate_sequential 每批完成后回调 on_progress(done, total)
- 批数循环前已知（len(batches)），每批都回调

pipeline.py:
- asr_phase / translate_phase 定义闭包回调，把 (current,total) 占比映射到
  对应进度区间（ASR 5%→55%、翻译 60%→98%），调 _set_status 写 DB（DEBUG 级）

验证（test/55.mp4, 640 条字幕）:
- ASR: 5%→19.9%→23.8%→33.7%→48.6%→55% 平滑增长 ✅
- 翻译: 20 批，65.3%→68.9%→74.2%→79.6%→84.9%→90.2%→93.8%→98% ✅
- 翻译卡在 60% 的 ~50s 是模型加载时间（卸载ASR+加载NLLB），属调度器层面

app/services/asr_service.py

@@ -6,7 +6,9 @@ CPU dev: tiny.en + int8；GPU prod: large-v3-turbo + float16。同一份代码
 from __future__ import annotations
 
 import logging
+import math
 from pathlib import Path
+from typing import Callable
 
 from ..config import get_settings
 from .model_manager import get_model_manager
@@ -14,12 +16,20 @@ from .types import Segment, Word
 
 logger = logging.getLogger("audio2text.asr")
 
+# Whisper 默认 chunk_length（秒）：BatchedInferencePipeline 按 30s 窗口切音频
+_CHUNK_SECONDS = 30.0
 
-def transcribe(wav_path: Path) -> list[Segment]:
+
+def transcribe(
+    wav_path: Path,
+    on_progress: Callable[[int, int], None] | None = None,
+) -> list[Segment]:
     """转写 wav，返回 segments（含词级时间戳）。
 
     Args:
         wav_path: 16kHz mono PCM wav
+        on_progress: 可选进度回调 (current_chunk, total_chunks)。
+                     每 transcribe 完一个 30s chunk 调一次，用于细分进度条。
 
     Returns:
         list[Segment]，每个 Segment 带词级 words（若 word_timestamps 启用）。
@@ -29,8 +39,8 @@ 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 batch_size=%d）",
-                 wav_path.name, s.model, s.language, s.batch_size)
+    logger.debug("开始转写 %s（model=%s language=%s batch_size=%d beam_size=%d）",
+                 wav_path.name, s.model, s.language, s.batch_size, s.beam_size)
 
     segments_gen, info = model.transcribe(
         str(wav_path),
@@ -41,12 +51,19 @@ def transcribe(wav_path: Path) -> list[Segment]:
         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
     )
+
+    # VAD 过滤后的实际语音时长 → 算总 chunk 数（进度颗粒度细分用）
+    duration = info.duration_after_vad or info.duration
+    total_chunks = max(1, math.ceil(duration / _CHUNK_SECONDS))
     logger.debug(
-        "音频时长 %.1fs，检测语言=%s（置信度 %.2f）",
-        info.duration, info.language, info.language_probability,
+        "音频时长 %.1fs（VAD 后 %.1fs），检测语言=%s（置信度 %.2f），约 %d 个 chunk",
+        info.duration, duration, info.language, info.language_probability, total_chunks,
     )
+    if on_progress is not None:
+        on_progress(0, total_chunks)
 
     segments: list[Segment] = []
+    last_chunk = 0  # 已报进度的 chunk 序号（避免同 chunk 内多个 segment 重复回调）
     for seg in segments_gen:
         words: list[Word] = []
         if s.word_timestamps and getattr(seg, "words", None):
@@ -63,6 +80,15 @@ def transcribe(wav_path: Path) -> list[Segment]:
             end=float(seg.end),
             words=words,
         ))
+
+        # 按 30s chunk 边界报进度：seg.end 跨过 chunk 边界时回调
+        if on_progress is not None:
+            cur_chunk = min(total_chunks, int(seg.end / _CHUNK_SECONDS) + 1)
+            if cur_chunk > last_chunk:
+                last_chunk = cur_chunk
+                on_progress(cur_chunk, total_chunks)
+
     logger.debug("转写完成：%d 段，%d 词。",
-                 len(segments), sum(len(s.words) for s in segments))
+                 len(segments), sum(len(seg.words) for seg in segments))
     return segments
+