14 — 知识库与 RAG

Vocal10n 在三处使用领域知识：

1. STT 术语文件：将术语注入 Whisper initial_prompt，提升领域词识别率。
2. 翻译词汇表 / Corrector：在翻译前替换或规范源文本术语。
3. 幻觉过滤列表：丢弃已知错误的 Whisper 输出。

三者都可在 KB 页（vocal10n.ui.tabs.kb_tab）统一管理。

STT 术语文件

来源：vocal10n.stt.filters + 组件 term_file_list.py。

• 文件位于 stt_terms/（如 context_gaming.txt）。
• 每行一个术语，# 可写注释。
• 可同时选择多个文件，取并集后注入 initial_prompt，并受 stt.initial_prompt_capacity（默认 200）限制。
• KB 页支持拖拽添加、当前文件内联编辑、容量占用显示（提交 6a45a0c）。

另有音素索引文件（也在 stt_terms/）供识别后音素纠错使用。

翻译词汇表

来源：vocal10n.llm.corrector + vocal10n.llm.rag。

• 默认文件：knowledge_base/glossary_general.txt。
• 格式：每行一项，key = canonical translation 或 key -> canonical（两种都支持）。
• 行为：
  • 小词表（条目数 ≤ translation.rag_threshold，默认 100）：完整词表直接内嵌到 prompt。
  • 大词表：rag.py 用本地 embedding 建索引，每次只检索 top-K 相关词条注入（提交 d34045f）。

可从 Translation 页挂载多个知识库，合并后会去重。

过滤列表

config/filters.txt 是 regex/字面短语列表，供幻觉过滤器丢弃命中项。可通过 vocal10n.ui.widgets.filter_list_editor 在应用内编辑（提交 890b782）。常见条目覆盖静音场景 Whisper 的模板幻觉文本。

为什么分开管理

STT 术语与翻译词汇表目标不同：

• STT 列表用于声学解码偏置，确保术语先被识别出来。列表应保持较短，避免 prompt 污染。
• 翻译词汇表用于目标语规范化，可更大规模，这也是引入 RAG 的主要场景。

将两者分离可独立调参互不干扰，KB 页负责统一展示和操作入口。