Permalink to 时序与装配时序与装配

对于说话视频，SemanticTrack 把作者的 Script 与实际表演联系起来，是字幕、随词语出现的图形和覆盖画面的自然时间来源。它按 Segment 粒度构建：

  1. 把每个已接受的音视频 Take 归一化到同一个精确帧域；
  2. 将归一化媒体与对应的 Script Segment 对齐，得到自包含的 SemanticTake；
  3. 用 speech:Track 按节目顺序装配这些 Semantic Take。

每个 Take 在进入 Speech Track 之前就已经具有语义。画面由 Media Track 或项目组件呈现，与这里的语义和音频装配分别表达。

纯视觉动画也可以通过 ProgramSpace 声明自己的时长与帧率，见 纯组件绘制的影片。其事件可以使用秒或帧；说话视频则可以用 Script Selection 和 Moment 驱动相同的视觉行为。

svml
<import as="program" from="@hypit/program-space@1"/>
<import as="pipeline" from="@hypit/media-pipeline@1"/>
<import as="whisperx" from="@hypit/whisperx@1"/>
<import as="speech" from="@hypit/speech-track@1"/>
<import as="media-track" from="@hypit/media-track@1"/>
<import as="space" from="@hypit/spatial@1"/>
<import as="recipes" source="./recipes.svs"/>

Permalink to 逐-take-归一化逐 Take 归一化

归一化把视频、音频、时长和帧率变成一个明确的 SynchronizedMedia 事实。同一条 SemanticTrack 内的所有 Take 共享作者显式声明的 Clock。

svml
<program:Clock id="clock" frame-rate="30"/>

<pipeline:Normalize id="opening-media" source={opening-video.video}
  video="primary-moving" audio="default" span-authority="video" clock={clock}/>
<pipeline:Normalize id="answer-media" source={answer-video.video}
  video="primary-moving" audio="default" span-authority="video" clock={clock}/>

归一化不包含 Script 语义，也不负责转录；它只建立后续语义对齐可以信任的客观媒体事实。

Permalink to 每个-segment-产生一个-semantictake每个 Segment 产生一个 SemanticTake

whisperx:SemanticTake 测量一段归一化媒体，并把声学证据与唯一一个作者 Segment 对齐：

svml
<whisperx:SemanticTake id="opening-semantic" narrative={story}
  segment={story.segment.opening} media={opening-media.media} language="en"/>
<whisperx:SemanticTake id="answer-semantic" narrative={story}
  segment={story.segment.answer} media={answer-media.media} language="en"/>

每次对齐都必须显式填写 language，目前只接受 en 或 zh。该值会原样传给 WhisperX； Hypit 不会根据 Script 文本或音频自动检测、分流语言。

每个输出都自带归一化媒体、Segment 身份、每个作者词语的局部帧窗口以及该 Segment 的全部 结构锚点：Segment 有两个锚点，每个词也有两个锚点。声学证据只是这一步的实现输入；下游 组件看到的是完成后的 SemanticTake，而不是第二套 evidence 形状的时间结构。

Permalink to 装配-semantictrack装配 SemanticTrack

speech:Track 按文档顺序拼接已经语义化的 Take，提供语义时间线及原声音频；Media 独立呈现表演画面：

svml
<space:Canvas id="vertical" width="1080" height="1920"/>
<space:Frame id="speech-frame" within={vertical}
  left="0%" top="0%" right="100%" bottom="100%"/>

<speech:Track id="speech">
  <speech:Take source={opening-semantic.take}/>
  <speech:Take source={answer-semantic.take}/>
</speech:Track>
<media-track:Track id="performance" semantic={speech.semantic} canvas={vertical}>
  <media-track:Performance during="program" frame={speech-frame}
    appearance={recipes.media.performance}/>
</media-track:Track>
输出类型含义
{speech.semantic}SemanticTrack全局语义与帧域真相
{speech.audio}AudioTrack与语义 item 对齐的同源声音

画面组件和原声音频使用同一批素材及源位置。SemanticTrack 通过局部 Take 长度的前缀和 得到全局帧位置，同时提供 Film 和 Render 所需的节目时长与帧域。

Permalink to 消费语义时间消费语义时间

Selection、Moment 与完整 Segment 始终是 Script 中的作者身份。下游组件只接收一次 SemanticTrack，并在构建确定性 Track 时把这些身份投影成帧：

svml
<media-track:Track id="cards" semantic={speech.semantic} canvas={vertical}>
  <media-track:Item image={card.image} extent={card-extent}
    during={story.selection.demo} frame={card-frame}
    appearance={recipes.media.card} motion={recipes.motion.card}/>
</media-track:Track>

<caption-fine:Track id="captions"
  document={story.caption}
  semantic={speech.semantic}
  program={caption-program}/>

<film:Film id="main" canvas={vertical}
  semantic={speech.semantic} appearance={recipes.film.vertical}>
  <film:Track source={performance.visual}/>
  <film:Track source={speech.audio}/>
  <film:Track source={cards.visual}/>
  <film:Track source={captions.track}/>
</film:Film>

<render:Video id="final"
  composition={main.composition} semantic={speech.semantic}/>

整段使用 during={story.segment.answer}，作者范围使用 Selection，点事件使用 Moment，完整节目使用 during="program"。组件统一消费 semantic={speech.semantic}。

text
prepared Takes → Speech Track ── .semantic → Media / project scene → .visual ─┐
                         │             └──→ Caption / semantic graphics ───┤
                         └───── .audio ────────────────────────────────────┤
                                                                         Film