add demo video + corrected RTF table (5-round medians)

.gitattributes

@@ -46,3 +46,4 @@ static/videos/shiba.mp4 filter=lfs diff=lfs merge=lfs -text
 static/videos/steve.mp4 filter=lfs diff=lfs merge=lfs -text
 static/videos/teaser.mp4 filter=lfs diff=lfs merge=lfs -text
 static/videos/toby.mp4 filter=lfs diff=lfs merge=lfs -text
+demo.mp4 filter=lfs diff=lfs merge=lfs -text

README.md

@@ -13,7 +13,7 @@ short_description: 100% offline ASR for meetings — local, no upload
 
 100% 离线的会议 / 课堂转写。没有账号，没有云端，拔掉网线它还在写。
 
-这个 Space 是**静态证据页**：五个语种的实测输出、RTF 数字、演示视频位。
+这个 Space 是**静态证据页**：五个语种的实测输出、RTF 分布、演示视频。
 不放可交互 demo 的原因很实际——转写要在服务端跑 229 MiB 的模型，
 而 Hugging Face 免费账号不能运行 CPU 上的 Gradio 容器（`cpu-basic` 返回配额错误，
 `zero-a10g` 返回 402，官方文档写明 Gradio/Docker Space 需要付费计划）。
@@ -23,10 +23,24 @@ short_description: 100% offline ASR for meetings — local, no upload
 | 文件 | 用途 |
 |---|---|
 | `index.html` | 实际展示的页面 |
+| `demo.mp4` | 42 秒演示：五段音频真跑，听完才落字；`tools/record-demo.py` 生成 |
+| `demo.mp4.json` | 那次录制的实测记录：每段文本、耗时、音频 sha256 |
 | `README.md` | 本文件，Space 卡片元数据 |
 | `app.py`、`requirements.txt` | **Gradio 版**，本地已跑通；当前 `sdk: static` 不执行它。升级 PRO 后把 frontmatter 改回 `sdk: gradio` 即可切换 |
 
-## 模型
+## 演示是怎么录的
+
+不是手工录屏。`tools/record-demo.py` 做三件事，所以视频和上表不可能对不上：
+
+1. 用同一份权重、同样 2 线程，真跑五段 `test_wavs`，拿到文本与耗时
+2. 起本地 `web_live` 服务与无头 Edge，把每段结果按真实时钟推给页面，逐帧截图
+3. 按同一时钟把五段音频混成音轨，ffmpeg 合成 H.264 + AAC
+
+因此视频里“字幕出现的时刻”就是产品里“一段话说完的时刻”，音画不会漂。
+
+## 模型与音频
 
 权重在 [ToothpasteLake/offlisten-models](https://huggingface.co/ToothpasteLake/offlisten-models)，
 6 个文件 229.07 MiB，逐文件 sha256 对应发行清单。
+表里那五段音频在同一个仓库的 `test_wavs/` 下，点语种名可以直接听，也可以下载后自己复跑。
+

demo.mp4

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f6a598fae1ae7550cbf7aece507cac5ce8a0457634f3e4456c7e9e8038f16ac6
+size 801685

demo.mp4.json

@@ -0,0 +1,75 @@
+{
+  "generated_at": "2026-11-12T23:15:38",
+  "model": "SenseVoice int8, use_itn=True, threads=2",
+  "video": "demo.mp4",
+  "video_bytes": 801685,
+  "video_seconds": 41.85,
+  "frames": 189,
+  "rows": [
+    {
+      "lang": "zh",
+      "label": "中",
+      "wav": "zh.wav",
+      "duration": 5.59,
+      "elapsed": 0.45,
+      "rtf": 0.081,
+      "rtf_min": 0.081,
+      "rtf_max": 0.081,
+      "rounds": 1,
+      "text": "开饭时间早上9点至下午5点。",
+      "sha256": "b77f1794fe374a0ba1ee1dc458bfaf9349496cbbfc32780c50ba3c5a7ad8e373"
+    },
+    {
+      "lang": "en",
+      "label": "英",
+      "wav": "en.wav",
+      "duration": 7.15,
+      "elapsed": 0.805,
+      "rtf": 0.113,
+      "rtf_min": 0.113,
+      "rtf_max": 0.113,
+      "rounds": 1,
+      "text": "The tribal chieftain called for the boy and presented him with 50 pieces of code.",
+      "sha256": "eb1eb008904465b74c304aad8342e8c7d3c6e61ffe9f66adcaca9cf0f76a93f4"
+    },
+    {
+      "lang": "ja",
+      "label": "日",
+      "wav": "ja.wav",
+      "duration": 7.2,
+      "elapsed": 0.623,
+      "rtf": 0.087,
+      "rtf_min": 0.087,
+      "rtf_max": 0.087,
+      "rounds": 1,
+      "text": "うちの中学は弁当制で持っていきない場合は、50円の学校販売のパンを買う。",
+      "sha256": "460bd8dccb0d2a5f4e29c628f837be4082d13defc64c3fc21dd1b6bb0e119095"
+    },
+    {
+      "lang": "ko",
+      "label": "韩",
+      "wav": "ko.wav",
+      "duration": 4.61,
+      "elapsed": 0.352,
+      "rtf": 0.076,
+      "rtf_min": 0.076,
+      "rtf_max": 0.076,
+      "rounds": 1,
+      "text": "조금만 생각을 하면서 살면 훨씬 편할 거야.",
+      "sha256": "0dc797a5c81ed30fc339d91f3da718ab02854e17ffa37cb93c4c039ac5c6bb9c"
+    },
+    {
+      "lang": "yue",
+      "label": "粤",
+      "wav": "yue.wav",
+      "duration": 5.15,
+      "elapsed": 0.402,
+      "rtf": 0.078,
+      "rtf_min": 0.078,
+      "rtf_max": 0.078,
+      "rounds": 1,
+      "text": "呢几个字都表达唔到我想讲嘅意思。",
+      "sha256": "0960b2db54ae202071d250e6462fbf74a3c863f0e3e7f01273e4939c996875a0"
+    }
+  ]
+}

index.html

@@ -39,6 +39,8 @@
   tr:last-child td { border-bottom: 0; }
   td.num { font-variant-numeric: tabular-nums; white-space: nowrap; }
   td.out { font-size: 13px; color: #d4d9de; }
+  th .thsub { font-weight: 400; font-size: 11px; color: var(--dim); }
+  td .rng { font-size: 11px; color: var(--dim); font-weight: 400; }
   video { width: 100%; border: 1px solid var(--line); border-radius: 8px; background: #000; display: block; }
   .videohint {
     border: 1px dashed var(--line); border-radius: 8px; padding: 28px 20px;
@@ -73,20 +75,25 @@
 <div class="tablewrap">
 <table>
   <thead>
-    <tr><th>音频</th><th>时长</th><th>耗时</th><th>RTF</th><th>输出</th></tr>
+    <tr><th>音频</th><th>时长</th><th>耗时</th><th>RTF<br><span class="thsub">5 轮中位数</span></th><th>输出</th></tr>
   </thead>
   <tbody>
-    <tr><td>中</td><td class="num">5.6 s</td><td class="num">0.45 s</td><td class="num">0.080</td><td class="out">开饭时间早上9点至下午5点。</td></tr>
-    <tr><td>英</td><td class="num">7.2 s</td><td class="num">0.81 s</td><td class="num">0.114</td><td class="out">The tribal chieftain called for the boy and presented him with 50 pieces of code.</td></tr>
-    <tr><td>日</td><td class="num">7.2 s</td><td class="num">0.61 s</td><td class="num">0.085</td><td class="out">うちの中学は弁当制で持っていきない場合は50円の学校販売のパンを買う。</td></tr>
-    <tr><td>韩</td><td class="num">4.6 s</td><td class="num">0.39 s</td><td class="num">0.084</td><td class="out">조금만 생각을 하면서 살면 훨씬 편할 거야.</td></tr>
-    <tr><td>粤</td><td class="num">5.1 s</td><td class="num">0.45 s</td><td class="num">0.088</td><td class="out">呢几个字都表达唔到我想讲嘅意思。</td></tr>
+    <tr><td><a href="https://huggingface.co/ToothpasteLake/offlisten-models/resolve/main/test_wavs/zh.wav">中</a></td><td class="num">5.6 s</td><td class="num">0.56 s</td><td class="num">0.100<br><span class="rng">0.087–0.117</span></td><td class="out">开饭时间早上9点至下午5点。</td></tr>
+    <tr><td><a href="https://huggingface.co/ToothpasteLake/offlisten-models/resolve/main/test_wavs/en.wav">英</a></td><td class="num">7.2 s</td><td class="num">0.59 s</td><td class="num">0.083<br><span class="rng">0.077–0.090</span></td><td class="out">The tribal chieftain called for the boy and presented him with 50 pieces of code.</td></tr>
+    <tr><td><a href="https://huggingface.co/ToothpasteLake/offlisten-models/resolve/main/test_wavs/ja.wav">日</a></td><td class="num">7.2 s</td><td class="num">0.65 s</td><td class="num">0.090<br><span class="rng">0.080–0.108</span></td><td class="out">うちの中学は弁当制で持っていきない場合は、50円の学校販売のパンを買う。</td></tr>
+    <tr><td><a href="https://huggingface.co/ToothpasteLake/offlisten-models/resolve/main/test_wavs/ko.wav">韩</a></td><td class="num">4.6 s</td><td class="num">0.38 s</td><td class="num">0.082<br><span class="rng">0.080–0.087</span></td><td class="out">조금만 생각을 하면서 살면 훨씬 편할 거야.</td></tr>
+    <tr><td><a href="https://huggingface.co/ToothpasteLake/offlisten-models/resolve/main/test_wavs/yue.wav">粤</a></td><td class="num">5.1 s</td><td class="num">0.42 s</td><td class="num">0.081<br><span class="rng">0.078–0.099</span></td><td class="out">呢几个字都表达唔到我想讲嘅意思。</td></tr>
   </tbody>
 </table>
 </div>
 
 <p class="note" style="margin-top:12px">
-RTF = 转写耗时 ÷ 音频时长，小于 1 表示比实时快。上表是 Windows 本机 2 线程的成绩，换机器会有出入。
+点语种名可以直接听那段音频——五段都在
+<a href="https://huggingface.co/ToothpasteLake/offlisten-models/tree/main/test_wavs">模型仓库的 test_wavs/</a>，
+和模型一样可下载。转写耗时是 2 个 CPU 线程的中位数，括号里是五轮的极值。
+<br>
+<b>一行精确到三位小数的 RTF 是噪声，不是一个值得炫耀的指标。</b>同一段音频连跑五次能落在 0.077–0.117 之间，
+所以上表只能读出一件事：处理速度大约是实时的十倍。要当真 benchmark 用，得固定机器、关掉后台、多轮取分布。
 <br>
 一处如实标注：同一段中文，官方示例作「<b>开放</b>时间」，int8 量化下这里是「<b>开饭</b>时间」——
 我们把它留在表里，而不是挑一条好看的。
@@ -95,7 +102,13 @@ RTF = 转写耗时 ÷ 音频时长，小于 1 表示比实时快。上表是 Win
 <h2>演示</h2>
 
 <video id="demo" controls preload="metadata" src="./demo.mp4" hidden></video>
-<p class="videohint" id="demo-hint">演示视频待上传。</p>
+<p class="videohint" id="demo-hint">演示视频加载中；若浏览器不支持 mp4，可直接<a href="./demo.mp4">下载观看</a>。</p>
+
+<p class="note">
+这 42 秒里没有写好的台词：五段音频先被模型听，听完才落字，和产品里一样按停顿切段。
+界面是产品的本地文本页，以纯回放模式启动，所以控制区显示「只读文本页」——正常桌面运行时那里是开始／暂停。
+视频里出现的每个字节都只走过 <code>127.0.0.1</code>。
+</p>
 
 <h2>它和云端转写的区别</h2>
 <ul>