最近更新

0.5 改的是用法，不是外观：颜色、字体和按钮都不变。从首页的一个输入框开始；每个工具都在自己页面的顶部开始工作，做出来的东西列在下面；结果可以接力送到下一个工具；所有产出都在「素材」里，所有长项目都在「项目」里。

新旧入口对照

原来	现在
工作室	文字转语音
历史	素材
音色发现、我的音色	音色：发现、我的
设计音色、克隆音色	新建音色：设计音色、快速克隆
项目库	项目（用侧栏的搜索或 ⌘K 搜索）
模型、引擎、日志	设置 → 模型与网络、引擎、日志
集成、设置 → 集成、本地 API	开发者：概览、本地 API（设置 → 集成会指向这里）
工具	开发者 → 工具
侧栏底部的活动卡片	「设置」旁边的通知铃铛
顶栏和面包屑	每一页自己的标题行
故事、有声书的「项目」菜单	页面上的列表，以及编辑器的 ⋯

旧链接（audiosmith://gallery、/history、/tools、/integrations 等）会打开新位置；本地 API 和 MCP 不变。⌘1…⌘8 是首页、文字转语音、音色、项目、视频配音、语音转文字、故事、有声书；⌘F 把光标放进侧栏的搜索框。

从首页开始

• AudioSmith 打开就是首页：「今天想做点什么？」和一个输入框。输入文字、粘贴链接或拖入文件，按回车发送（Shift+回车换行）：文字会在文字转语音里作为稿子打开，视频或链接会开始配音，录音会直接转写，文本或电子书会成为有声书。下面是工具行、最近的作品和五个示例。写作助手的模型已加载时，「智能分派」可以让它在文字转语音、故事和有声书之间选择。
• 侧栏上面是「地方」：首页、音色、项目、素材；下面是工具：文字转语音、新建音色、故事、有声书、视频配音、语音转文字、人声分离、听写，以及 ··· 更多（工作流、批量配音、电话）。搜索在侧栏顶部（页面、操作、音色、项目、示例）；开发者、设置和铃铛（任务和通知）在底部。
• 每一页都有自己的标题行：标题、列出的数量，以及这一页自己的工具，最多一个主按钮，所有控件一样高。⌘[ ⌘] 和鼠标的后退、前进键在看过的页面之间后退、前进；条目页的标题前显示所属列表的名字，点它回到列表。窗口较窄时，搜索框收成放大镜，不常用的工具收进 ⋯。
• ⌘K 搜索一切。 没输入时显示快捷操作和最近的作品；输入后按组显示页面、操作、音色（回车即在文字转语音里使用）、项目、示例，以及按稿子搜到的生成结果，最后一行总是「用文字转语音朗读」。

每个工具都在自己的页面上开始

• 文字转语音：稿子占满左侧；稿子为空时，下面的示例胶囊（讲一个故事、产品旁白、播客开场……）会按音色的语言填入示例。「生成」（⌘↩）在左下，最新的结果就在它上方。右侧是设置（音色和模型选择器、「✦ 推荐」、语速、语言、高级）和历史（本页生成的结果，可导出、重用设置、换个音色再生成、存为项目、删除）。
• 视频配音：拖入视频或录音，或粘贴链接，选好语言，点「配音」。配音立即开始，出现在下面列表的最上方并显示进度；点开进入配音编辑器。
• 语音转文字：拖入、上传、粘贴链接或录音，选语言、是否区分说话人、快速或精确，然后发送。转写在单独的页面打开，可以接力「配音」和「在文字转语音里朗读」。
• 新功能：人声分离。拖入一首歌、一段视频或一段有噪音的录音，就能得到单独的人声、音乐和音效，以及降噪后的人声，全部在这台 Mac 上完成（HTDemucs、DeepFilterNet）；每条音轨都能试听、保存，也能送去语音转文字或视频配音。
• 故事和有声书打开时，上面是输入框，下面是你的故事或有声书：一句话描述故事或粘贴剧本，或者粘贴、导入书稿并选好旁白，然后「新建」。项目在原来的编辑器里打开；点标题栏里的列表名（或 ⌘[）会保存并回到列表。保存和另存一份在编辑器的 ⋯ 里。
• 新功能：故事的**「帮我写」**。这台 Mac 上有写作助手的模型时，打开它，用一句话描述故事：写作助手会按描述的语言写出两三个角色的短场景（书面语，不加语气词），然后建好故事、分配音色并打开。写的时候有进度提示，可以取消。

音色

• 标题行里用「发现 | 我的」切换。
• 发现：语言、性别、年龄菜单和用途胶囊；先是宽度一致的「推荐」卡片，再是「全部」。▶ 在行内试听；点一行，右边打开音色详情：大的试听、「试一句」，以及「用于文字转语音」「用于故事角色」「用于有声书旁白」「保存到我的音色」。
• 我的列出你的音色，可按 全部 / 克隆 / 设计 / 收藏 筛选；⋯ 里可以重命名、复制、导出或删除（可撤销）。已保存音色的详情里有原来档案编辑器的全部内容。
• 新建音色提供快速克隆（一页向导：添加录音 → 检查 → 命名保存 → 完成）和设计音色（描述、预设胶囊、三个候选任选）。

项目、素材和示例

• 项目列出故事、有声书、配音、转写和人声分离，最新的在前，带类型、时间、长度和状态；可以搜索（标题，以及故事、有声书和转写的文字）、按类型筛选、列表或卡片显示；⋯ 里可以打开、重命名、复制或删除。人声分离显示文件名，不再显示完整路径。
• 素材汇集所有产出和导入的文件：生成结果、渲染、导出、分离的音轨，以及用过的录音和视频，可按类型和来源工具筛选。每一行可以直接播放、在来源工具里打开，也可以送去语音转文字、视频配音、人声分离，或把文字送去文字转语音。
• 示例：两人对话的故事、一章有声书、一段产品旁白、一段配音短片、一段会议转写，在首页的「示例」标签、项目页顶部和 ⌘K 里。打开示例会把它复制到你的资料库，成为可以编辑、删除的普通项目，然后打开；再次打开时会问你是打开已有的那份，还是新建一份。每个示例打开就能直接播放，也不会先弹出功能介绍：「雨夜修表铺」是两个角色加旁白的短场景（对话由多人对话模型演绎）；「北站的末班车」是带两个角色的第一章；一段为虚构台灯配的三十秒旁白，作为文字转语音的最新生成结果；「天空为什么是蓝色的」是我们自制的英文短讲解，已配成中文，在配音编辑器里打开；还有一段两人的发布安排会，已区分说话人转写。所用音色都是内置音色。
• 配音项目复制或移动到别的文件夹后（打开示例、在设置 → 存储里移动数据文件夹），已生成的行仍然有效：改一行只重新生成这一行，不再全部重做。之前做的配音下次运行时会把每行再生成一次。

在需要的地方给提示

• 第一次打开视频配音、语音转文字、人声分离、新建音色、故事和有声书时，会弹出简短的介绍：三条要点和「开始」。每个只显示一次；设置 → 通用 → 「重新显示功能介绍」可以再看一遍。
• 列表为空时显示幽灵行，提示这里会出现什么。

列表、面板和控件

• 所有列表（音色、项目、素材、配音、转写、人声分离、文字转语音的历史、首页的最近）都用同一种行：没有表头，行与行之间没有分隔线；圆角行在鼠标经过、打开和播放时变色，点一行打开它，▶ 和 ⋯ 在行尾；长度、日期、类型、语言和用途前有小图标（悬停显示名称）。选中一行按 Delete 会询问是否删除。
• 详情和工具面板浮在页面右侧、标题行下方，滑入滑出：音色或生成结果的详情不再挤窄列表；文字转语音、配音步骤、故事和有声书的面板在页面够宽时占住自己的位置，窗口窄时浮在页面上。✕ 或 Esc 关闭；点另一行显示那一行。
• 标题行里的筛选、按钮和切换都和搜索框一样高；开发者页和文字转语音的标签改成和音色页一样的切换。
• 播放和暂停换成新图标（Hugeicons）；试听播放时显示暂停，不再显示停止。
• 行里的标签（语言、性别和年龄、用途、音色类型、项目类型、素材来源）都能当筛选：点一下只看这一类，再点一下取消。行里的 ▶、「使用」和 ⋯ 在指针下会亮起；发现和我的里每个音色都能试听。
• 页面多用了一点窗口：左右边距从 24 点改为 16 点，标题栏和页面一致。首页仍是居中的一栏。
• 侧栏的「··· 更多」在原地展开（工作流、批量配音、来电），展开后显示「收起」；从别处打开其中的页面时会自动展开。
• 菜单栏图标：AudioSmith 正在生成（语音、配音、渲染、转写、听写、写作助手）时显示红点，有 Agent 通过 MCP 连接时显示紫点；下载和排队中的任务不算。

配音编辑器

• 步骤（转写、翻译、音色、生成、导出）变成页面标题栏里的图标：已完成的着色，当前步骤突出，进行中的转圈，失败的显示红色；悬停提示步骤名和状态。
• 去掉了底栏：当前步骤的主按钮放在播放控制行（还没有转写稿时放在标题栏），状态和进度环在标题栏的面板按钮旁边。
• 时间轴：点标尺跳转，拖动播放头，点色块只选中这一句（双击从这句播放）；在空白处拖动不再拖动播放位置。轨道更矮，缩放、重播和 ±5 秒都在播放控制行里。空格播放/暂停，Home 回到开头，J、L 后退和前进。

开发者

• 开发者页最上面是「接入你的 Agent」：在 编程代理、MCP、cURL 之间切换并复制代码（给编程代理的提示词、MCP 服务器配置或第一个请求），下面的「等待第一次请求…」会变成最近一次请求的时间。再往下是 API 参考、安装技能、本地 API 设置的快捷入口，以及所有应用和代理的接入说明。本地 API 和工具（音色 A/B、变声、语速适配、演绎指导、文件检测、水印检测）在另外两个标签里。
• App 能做的事，Agent 几乎都能做（听写、电话、麦克风、接受许可和修改设置除外）：MCP 服务器现在有 57 个工具，新增人声分离、列出素材和示例并打开示例、音色改名/复制/导出/导入、试听任意音色、克隆前检查录音、设计音色给出三个候选、用写作助手起草故事、用另一个音色重说一段录音、下载模型、水印检测、文件检测、演绎建议、台词时长检查和读取默认设置。配音可以直接给链接，转写可选快速或精确。技能文档写明了每个工具和常用流程。已在 ChatGPT（Codex）和 WorkBuddy 里实测。
• Agent 删除或下载之前会先问你。 只说了要做这件事不算同意：Agent 会先说明要删什么、下载多大，等你答应；支持的客户端会弹出 AudioSmith 自己的确认。工具会标明哪些只读、哪些会删除、哪些要联网。技能里也要求 Agent 用工具，而不是去操作 AudioSmith 的窗口。

修复

• 故事：没有空行的剧本里，跟在「人名：……」后面的旁白行重新算作旁白，不再算成那个角色的台词。
• 复制音色时，副本按 App 的语言命名。

新增

• 刘海操作盘，取代快速收集面板：
  • 指针在 MacBook 的刘海上停一下，就从刘海里展开一块黑色操作盘；指针移开就收起。单击菜单栏图标或按快速收集快捷键也能打开，并可用键盘操作（方向键、回车、空格、⌘C、⌘V、Esc）。
  • 上排是工具：截取区域、窗口、全屏，录屏，录音备忘，链接，粘贴，上传。下排是最近添加的素材（向右滑看更多）：拖到任何 App、拷贝、快速查看（空格）、就地改名称/标签/文件夹/备注，或在 Act 中打开。
  • 把文件、图片、链接或文字拖到刘海，松开就收进当前资源库。收集结果（包括失败）在刘海下方像灵动岛一样提示，不再弹系统通知。
  • 保存后立刻整理：素材刚存进来（拖到刘海、截图、浏览器扩展、保存网址）时，刘海下方的提示条上有文件夹、标签、备注几个小按钮，改动即时保存，几秒不动自动收起。
  • 钉住与分区：点 📌 钉住，指针移开也不收起，方便一张张拖到别的 App。「最近收集」旁的 + 可以把文件夹、标签或智能文件夹加成分区，直接把里面的素材拖出去；每个资源库有自己的分区，上次看的分区下次还是它。
  • 多选：像访达一样单击、⇧ 单击、⌘ 单击、⌘A，一起拖出、拷贝或快速查看。上锁文件夹里的素材照样模糊，不会被拖出。
  • 设置 → 刘海操作盘单独成页，带实时预览：悬停展开与延迟、拖到刘海收集、显示在哪块屏幕、无刘海屏显示胶囊（默认关）、截图中是否显示、不透明度、背景模糊、圆角，以及工具排显示哪些、什么顺序。
• 监听文件夹：新下载在刘海询问：每个资源库有自己的监听文件夹（设置 → 资源库 → 监听文件夹，可一键选「下载」）。新下载完成时刘海展开，显示缩略图、文件名和大小：忽略、保存（拷进资源库，原文件不动）或移动（拷进资源库后原文件移到废纸篓）。同时来的多个合并成一条提示；一次提示之后 2 分钟内的新下载只在刘海旁显示数字（时间可改）。还在下载的、Act 不支持的格式、库里已有的不会询问。没处理的会一直留着，重启后也在。原来的监听文件夹归到当前资源库，照旧自动收集。
• AI 橡皮擦（工具）：在图片上涂抹杂物、路人、文字或污点，松手就擦掉，并补出背后的样子，全在本机完成（每处约 0.2 秒）。按住 ⇧ 可以先涂几笔再一起擦；[ 和 ] 调画笔大小；可撤销、重做；按住「原图」（或 \）对比。存为新版本。模型（99 MB）第一次使用时下载。
• AI 高清放大（工具）：把图片放大 2 倍或 4 倍，由模型补出细节，全在本机完成（1000 px 的照片放大 4 倍约 4 秒）。可选照片与通用、插画动漫、快速；输出同原图格式、PNG 或 JPEG；默认存为新版本，原图保留。预览用可拖动的分割线对比原图和结果的局部，图中有文字时会提示 AI 可能改变文字形状。模型（约 37 MB）第一次使用时从 ActNow 自己的服务器下载，国内也快。透明背景会保留。
• 叠放：把一张卡片拖到另一张上停一下，或多选后按 ⌘G，就叠成一叠。网格里一叠显示为一张卡片，封面在上、带数量；选中一叠就选中其中全部素材（标签、文件夹、归档、删除、导出、画板都对整叠生效）。双击打开，可调整顺序、设封面、移出；⇧⌘G 取消叠放。搜索照样能单独找到每个素材，并可「显示所在叠放」。每个素材的标签、文件夹、评分各自保留。
• 归档：把素材收起来而不删除（右键菜单、多选工具条或 ⌃⌘A）。归档的素材不出现在全部、文件夹、标签、智能文件夹、搜索和计数里，但文件、标签、文件夹都保留，也不会像回收站那样被清理。侧栏的「归档」列出它们，可「取消归档」。搜索时勾选「包含已归档」或写 is:archived 就能找到。再次收集已归档的内容会合并到它上面，并可一键取消归档。
• 文本划线与批注：在笔记、Markdown、文本文件、保存网页的「阅读」视图或 PDF 新增的「文字」视图里选中文字，弹出小浮条：五种颜色、「批注」、「拷贝」。检查器列出素材的全部划线，点一条跳到原文；划线的文字和批注都能搜到，has:highlight 找出有划线的素材。文字改过之后划线仍能找回位置。
• 在检查器里修改添加时间和来源链接：把补录的旧资料放回正确的时间位置（单个或多选一起改，可恢复原来的时间）；任意素材的来源链接可添加、修改、拷贝、清除。两者都能 ⌘Z 撤销。
• 重复保存自动合并：保存资源库里已有的文件或网页时，不新建也不询问——这次带来的标签、文件夹、备注加到已有素材上，在废纸篓里的会恢复，提示「资源库里已有 · 已合并标签」并可打开。设置 → 收集 → 保存时 选「每次询问」可恢复询问。批量保存的结果也说清楚：「已保存 3 项 · 2 项已在库中」，可看详情。
• 按网站保存完整内容（配合浏览器扩展）：X 帖子（正文、全部原图、视频、引用的帖子、作者、点赞等）、GitHub 仓库与 Issue/PR、YouTube 与 B 站视频（标题、频道/UP 主、时长、简介、章节）、小红书笔记、Reddit 与 Hacker News 帖子，各存成一个素材，在新的「卡片」视图里显示，正文、作者、章节都能搜到。商品页的价格会读出来显示在卡片上，可修改。
• 浏览器扩展的新功能（0.5.2；Safari 扩展随 Act 附带——Chrome、Edge、Arc 请在 设置 → 浏览器扩展 重新导出，再到浏览器的扩展页点「重新加载」）：
  • X：在帖子详情页点 同步，用完整内容（全文、全部图片、视频、引用的帖子）补全 Act 里已有的那条，不会再存一条；你的标签、文件夹、备注、评分都不变。存过的帖子按钮显示 ✓。
  • GitHub：仓库页 Star 旁边多了「Act」按钮，把仓库存成一张卡片（描述、主页、语言、license、星标、topics、README）；存过后可「同步」更新数字。
  • 小红书：笔记正文下方「…」旁边的按钮把整条笔记存成一个素材——标题、正文、话题、作者、发布时间与地点、点赞收藏评论数、全部原图或视频；看大图时也有按钮。
  • Pinterest：Act 按钮放进 Pinterest 自己的按钮行（卡片上和 Pin 详情页）；视频 Pin 按视频下载。
  • 收集的链接立刻显示已知信息：网页保存好之前（或保存不了时），链接显示一张卡片：标题、站点、作者、时长、简介和一张图；收藏书签时会一并发送网页信息和当前标签页的截图。
  • 选项页更清楚（每个网站开关做什么，带示意图），弹出面板更简洁。
• 入门引导：新安装时打开一个简短的引导（6 步，约 1 分钟）：Act 是什么、你的资源库和找到的 Eagle 资源库（可导入）、盯着「下载」文件夹、真实的刘海操作盘用示例卡片演示（不往你的资源库写任何东西）、浏览器扩展、AI 助手（MCP、Claude Code、Codex、Cursor）和模型包。「帮助 → 入门引导」可以再打开。
• 录音备忘：在 Act 里直接录音（⌘K、文件菜单、菜单栏图标或刘海操作盘），小窗里开始、暂停、停止；存为 M4A 并在本机转写，文字可搜索。最长 2 小时。
• 保存网址（⌘K、刘海操作盘的「链接」）自动填好最前面浏览器当前网页的网址（Safari、Chrome、Arc、Edge、Brave、Vivaldi、Opera）；macOS 会问一次是否允许。
• 在列表旁边打开：⌥↩、按住 ⌥ 双击或右键「在旁边打开」，素材显示在网格右侧的分栏里，方向键换素材，网格保持原位。设置 → 浏览 可设为总在旁边打开。
• 整个窗口缩放：显示 → 放大界面 / 缩小界面 / 界面实际大小（⌥⌘= ⌥⌘− ⌥⌘0），80 %–150 %。
• 每种素材的详情页都能「放到画板」：视频、音频、PDF、网页、帖子、文本、文档、字体和图片都有，列出最近用过的画板，也可「用这个素材新建画板」。窄窗口时顶栏按钮收进 ⋯，不再把名字挤出去。
• 画板演示的「自由」浏览（F）：拖动、滚动、捏合缩放、双击素材飞过去，随意看整块画板，不会改动任何东西；点「演示」回到最近的一页。
• 工具：
  • 适用于当前图片或视频的已安装工具显示在详情页顶部（前五个，其余在 ⋯ 里）。
  • 图片工具的对话框并排显示原图和结果（附像素和大小），表单一改就更新。
  • 压缩：可自定画质（1–100）。格式转换：列出存成其他格式的大小。缩放：常用预设尺寸。清除 EXIF / 位置：说明会去掉哪些内容。
  • 去背景：原图、裁到主体、方形一键切换；方向键或滚轮调留白；从上次的参数开始。
  • 每个工具给一个素材只保留最新 5 个版本，更旧的移到废纸篓（设置 → 工具 → 版本：1、3、5、10 或不限）；原图和当前主文件不会被清理。
  • 写入后磁盘剩余会不足 1 GB 时，工具提示空间不足、不写入。
• 给 AI 助手：命令行工具 act（在终端里搜索、读取、新建和整理素材，输出 JSON；设置 → 收集 → MCP →「安装命令行工具」），MCP 新增 AI 橡皮擦、AI 高清放大、归档、划线和添加时间的工具。Agent 能做什么仍由 MCP 的开关决定。
• 更新内容：帮助 →「更新内容…」、命令面板和 设置 → 关于 里可以看每个版本的更新内容，按 Act 的语言显示；升级后侧栏底部会出现「有新内容」。
• 侧栏搜索：有文字时放大镜变成清除按钮。

变更

• 按内容建议标签：收藏的视频、帖子、仓库和文章按标题、描述和站点给的关键词、话题建议标签，语言跟页面一致，库里有意思相同的标签就用它——不再只建议站点名或作者。有看图理解模型时，本地 AI 还会补几个（合计最多 8 个）。最有把握的建议排在前面。起步词表新增一组生活与兴趣主题（骑行、露营、徒步、烹饪、编程……）。
• 下载与补存统一显示在任务里：开启「从链接收集」（下载约 55 MB 的 yt-dlp）、补存帖子视频、格式扩展的下载等都作为任务显示在侧栏左下角，带进度、可取消。卡片和转写面板只用一行说明正在做什么，不再有进度条。「缺少组件」对话框的「在后台下载」不会在几分钟后自己接着运行原来的功能，下载好后提示并给「继续」。
• 设置 → 浏览器扩展单独成页（⌘K 搜「扩展」「Safari」「Chrome」）：Safari 里是否已启用；Chrome、Edge、Arc 的官网下载页和教程，或导出 Act 自带的扩展；已连接的浏览器及其权限；提示音。
• 视频工具的时间轴更整齐（视频截取、提取音频、转 GIF、视频压缩、截取画面）：缩略条和波形在同一条圆角轨道里，选段是套在外面的框，播放头更清楚；下方的说明不再被挡住。
• 空闲和大库时更省：没有操作时刘海操作盘和监听文件夹很少唤醒 Act；叠放、标签、相似、长文本划线、长 Markdown、连线多的画板都快了很多。
• 安装后更小：少占约 26 MB 磁盘（135 → 109 MB）。
• 更易读：主题色、红色按钮和刘海操作盘蓝色上的文字改为白色，浅色、深色模式下都清楚。
• 「工具」菜单的图标改为跟随菜单文字颜色的单色，与其他菜单一致。
• 设置 → MCP 写明了 Agent 权限开关的作用：帮你避免 Agent 误操作，不能阻止本机其他程序。
• 资源库会升级：这个版本第一次打开资源库时会升级它（归档、叠放、工具版本），之后旧版本 Act 打不开，会提示「这个资源库被新版 Act 打开过，请更新 Act 后再打开。」每次升级前的副本留在资源库的 backup 文件夹里。这个版本还新增了旧版本会丢掉的设置：请不要再装回旧版本。

移除

• 媒体箱。想把一组素材放在手边、随时拖到别的 App，请用刘海操作盘的分区。它的文件夹（~/Library/Application Support/Act/boxes/）会在 Act 启动 1 分钟后删除。

修复

• 网页与链接：
  • 用代理软件（Clash 等）时，YouTube 等站点不再报「本机/局域网地址不抓取」。
  • B 站网页素材的详情页不再一直黑屏；需要脚本才能显示的实时网页会说明，并给「运行脚本」。
  • 网页或帖子视频没存下来时用人话说明原因，不再显示内部错误码，并可「重试」。「从链接收集」未开启时，帖子卡片上有 开启并保存视频，设置 → 收集 里可一次补存全部。
  • X 帖子的视频和头像不再丢；以前存的帖子可以用「同步」补全。
  • 网页还没抓到就分析过的链接，网页到了以后会重新分析（以前存的链接也会在后台补一次）。
  • 建议标签里不再出现说「形式」而不是内容的词（「中文」「字幕」「录屏」、YouTube 的「免费」「上传」等），除非你已有 3 个以上素材用它当标签。
  • 书签能用意思搜到，也有文件夹建议了。
• 素材详情页：
  • 翻到帖子、文本、表格、字体时直接显示到位后的样子，不再跳一下或闪白；前后的页面会预先读好。
  • 在保存的网页和 PDF 上捏合缩小能像图片一样返回；PDF 和实时网页可以捏合放大；滚到尽头后再滑一次才翻页，不再翻得太早。
  • 网页视图底边不再有黑线，拉过页面边缘也不再露出黑底。
  • 停一会儿后第一次双指滑动就能翻页，第一次拖视频进度也不会马上停住。
  • 评分（以及任何改动）立即显示，不用点两次。
• 刘海操作盘：展开、收起时内容不再跑到形状外，也没有白边；刘海旁的下载数字悬停就能展开；数量不再重复显示；卡片的边框不再把缩略图挤小；粘贴或拖入后不再留一大片空白；长图清晰了。
• 选择与撤销：⇧ 点击保留 ⌘ 加选的项（与访达一致，网格和刘海操作盘都是）；顶部进来新素材时，⇧ 点击和键盘所在的素材不会错位；网格里的 ⌘Z 撤销最近的那一次改动。
• 超大与异常文件：嵌套很深的 JSON、很宽的 Markdown 表格、损坏的素材包不再耗尽内存；AI 工具和拼图先查图片尺寸再读，处理大图时内存少得多，几个大任务会排队而不是一起占满内存，图片太大时说清楚。
• 磁盘与存储：
  • 设置 → 存储 →「清除」清的是 Act 真正在用的缓存，并显示释放了多少（以前总是 0 字节）。
  • 崩溃或强制退出留下的临时文件会被清理。
  • 资源库索引的每日备份在 APFS 上瞬间完成，改动前不额外占空间。
  • 录屏：剩余不足 2 GB 不开始，磁盘快满时自动停止并保存，崩溃前录的部分仍可读。
  • 磁盘满时显示「磁盘已满。请腾出一些空间后再试。」
• 上锁文件夹守得更严：第三方工具、Agent、本机 API、导出的素材包和菜单栏的「最近收集」都不会再透露或改动上锁文件夹里的素材。
• 监听文件夹只收文件本身（不收被换成的链接）；「移动」只在资源库里有这份文件自己的、没变过的副本时才把原文件移到废纸篓。
• 下载和监听文件夹收进发起时所属的资源库，不再进最前面窗口的库。
• 别人给的、还没信任的资源库不再链接或读取库外的文件。
• 保存链接文本时直接写回你自己的文件，访达标签、注释和替身都保留。
• 代理断线时模型下载会重试，失败时说明该怎么办。
• Act 启动时窗口立刻出现（以前要等约 1.7 秒）。
• 画板：你和 Agent 同时改动时不再互相冲掉。

安全

• 网页和链接不会访问你的 Mac 或局域网：在实际连接处检查地址（DNS rebinding 不再有效），算作本地的地址段更多；保存网页只渲染公网页面。视频下载同样检查地址，不下直播，超过 4 GB 或媒体超过 6 小时就停。下载 60 秒没有数据就结束。
• 剪贴板卡片不再访问复制的链接（如重置密码、带签名的下载链接）：只显示主机名和网站图标。「插入」只插入卡片提示的那一份。
• 浏览器扩展的配对令牌不能导入本机文件，也不会透露文件是否存在。
• 模型下载：每个模型的每个文件都按 Act 内置的校验值核对。
• 更新按版本号和通道签名（正式版不会收到 beta），只经 HTTPS 下载。
• 保存的网页和文档预览在沙箱里显示：页面不能把预览带走，链接用浏览器打开，不会不经询问下载文件。
• 拖入图片：以「图片」名义拖进来的链接、网页或程序文件不收。

配音时间轴：缩放和平移

• 波形时间轴可以用触控板双指捏合、⌘ 或 ⌥ 加滚轮、⌘= 和 ⌘− 缩放，以鼠标指针所在位置为中心；按 ⌘0 或双击缩放倍数显示全部。缩放范围从整段素材到每秒 100 像素。
• 平移：双指横扫（带系统惯性）、⇧ 加滚轮、按住鼠标中键拖动，或用缩放按钮下新增的概览条：它在整段素材上标出当前看到的部分，可以拖动，点旁边直接跳过去。
• 放大后播放时，播放头走到边缘会自动翻页；如果你刚刚手动平移过，几秒内不会跳走。
• 句子很密时时间轴上的编号不再挤在一起：编号只在放得下、并且和前一个隔开时才显示。

视频配音：下载前先看到视频

• 粘贴链接后几秒内，视频配音页面就会显示它是什么，无需先下载：封面、网站（YouTube、哔哩哔哩、Vimeo、TikTok 以及 yt-dlp 支持的其他网站）、标题、频道、时长、画面尺寸、预计下载大小、发布日期、播放量、简介（点“展开”看全文）和字幕语言。这些信息保存在配音项目里，之后没有网络也能看到。
• 下载时，封面下方的细进度条显示大小和剩余时间；下载完成后，中间直接显示视频本身，可以播放；之后的转写等步骤在底栏显示进度。
• 无法读取的链接（私密或已删除的视频、需要登录的视频、不支持的网站）会在下载前说明原因，并附上网站给出的理由和“重试”按钮。“取消”可以像停止下载一样停止读取。
• 拖入的视频或音频文件同样显示封面帧、时长、画面尺寸和文件大小。
• 封面由 app 自己获取：和下载走同一个代理，只访问公网地址，最大 5 MB，并且只保留 JPEG、PNG 或 WebP 图片。

长项目更流畅

• 视频配音：编辑器只构建看得见的句子；2 小时视频的 2000 句不再拖慢每一帧（每帧 190 毫秒 → 不到 1 毫秒）。
• 有声书和故事：长稿件（整本小说）在停止输入后才检查和保存草稿，并且不占用窗口线程，不再每按一个键都做一遍；在 50 万字的稿子里打字和短文一样快。
• 工作室和有声书的编辑器：长文本换行会记住已经测量过的结果，打开、调整窗口大小、在长稿里打字都不再卡顿（每一行仍然不会超出编辑器边缘）。
• 隐形水印改成边读边写，给几个小时的配音加水印时不再把整段音频在内存里放好几份。
• 引擎最多保留 6 个已加载的模型（小模型不计入），由内存预算决定卸载哪个，渲染故事时不再每句都重新加载模型。
• 启动时删除 30 天前已结束的任务；试听音频不再每帧复制一遍；渲染缓存最多每分钟清理一次。

安全

• 音色名称在所有入口都会清理（导入的 .asvoice 和 .ovsvoice 文件、本地 API、MCP、app 本身、音色发现）：换行和控制字符换成空格，名称最多保留 80 个字符。以前保存的名称在下次保存时清理。
• 智能体技能和设置提示词把音色名称当作数据列出（加引号、截短），智能体不会把它们当成指令。
• 通过 MCP 克隆和设计音色只能在这台 Mac 上进行（或带 API 密钥），和本地 API 一致；在局域网里，音色的音频只提供试听样本，不提供参考录音。
• 使用 Go 1.27.3 构建（修复了 Go 标准库的安全问题）。

日志

• 应用日志里新增操作日志（来源“ops”，每条一行 key=value）：音色、项目、配音、转写、工作流和生成结果的创建、改名、删除、导入和导出，并注明发起方（应用、本地 API、局域网、MCP）；设置改动（只记名称）；每个任务的开始、结束、失败（含错误）和取消（含取消方和运行时长）；下载；会修改数据的本地 API 和 MCP 调用及其状态；以提示显示给用户的错误；应用启动和退出的每一步。绝不记录脚本文字、转写内容、提示词或密钥。
• 日志和诊断包会遮盖本地 API 密钥、Twilio 令牌、从钥匙串读取的密钥和 Bearer 令牌，主目录显示为“~”；引擎自己的日志文件也会遮盖。
• 后台工作里原本被悄悄丢掉的错误（取消任务、导出记录、通知、应用写入或删除的文件等）现在会写入日志。

修复

• 工作室和有声书的稿子编辑器：在 Mac 上，每行最后一个字会在右边缘被截掉一半（中文逗号、句号单独测量时只有在行内时的一半宽）。现在按实际绘制的宽度换行。
• 从链接导入视频时显示真实进度（百分比、大小、剩余时间），页面中间、底栏和侧栏卡片都有，并显示视频标题；卡片上的停止和底栏的取消现在能真正停止下载（以前 yt-dlp 的子进程会继续下载）；任务卡片不再显示空进度条。
• 在本机构建的副本会在 设置 → 关于 → 软件更新 里说明为什么不能自动更新，并附上下载页链接。
• 我的音色：音色卡片 ⋯ 菜单里的“删除…”（以及其他菜单项）在没打开编辑器时没有任何反应——没有对话框，也没有日志：菜单随着指针移走，选中的菜单项没有传到卡片上。
• 删除音色时会说明它在哪里使用（故事、有声书、配音、工作流、工作室、批量配音、电话、智能体），删除后约 10 秒内可以在提示里撤销，在此之前它的文件暂存在资料库的回收站里。用过它的地方会显示“音色已删除”，可以另选音色；用到它的故事或有声书会停止并说明原因；工作室会提示它的音色没了——绝不会悄悄换成别的音色。
• 退出不再卡住：尚未保存的修改（草稿、配音编辑器里的改动）先写入；取消后仍不停止的任务（例如卡住的下载）等待几秒后不再等它（下次启动时继续，或等待重试）。不再读取请求的引擎会被重启，不会一直卡住。
• 排在中断任务后面的任务（某个阶段里引擎连续停止两次）不再永远等待：它会失败并说明原因，配音或有声书不再一直显示"忙"，"继续"可以接着做。旧版本里这样卡住的任务链在启动时恢复。
• 语言模型占用 GPU 的时间持续到它的请求真正停止，下一个任务不会因"忙"被拒绝。
• 没有完成的模型移动（被取消、某个模型正被其他应用使用、应用退出）移走的模型不再显示为"未下载"；重新启动后移动会继续。
• 删除配音时会等正在运行的阶段停止；同时启动同一个配音的两次运行只会生成一次。
• 故事和有声书：在项目库页改名不再把未保存的修改标记为已保存；保存时如果项目已在别处被修改（例如智能体通过本地 API 修改），会询问是另存为副本还是覆盖；本地 API 会拒绝基于过时内容的修改。
• 移动数据文件夹时，统计大小和清理失败的副本都在后台进行，对话框会显示当前步骤，窗口不再卡住。
• 其他小修复：后台工作出错时记录日志，不再直接关闭应用；写入失败的草稿会重试；所有文件夹里未完成的临时文件都会清理；崩溃后仍在运行的下载会在下次启动时停止。

Act 的第一个版本：在你的 Mac 上给收集来的图片、视频、音频、文档和网页安一个家——放在你自己的资源库里，按内容和说的话就能找到，由在 Mac 上运行的模型来理解。

新增

• 资源库：.actlib 文件夹放在你自己的磁盘上，每个素材的数据都写在文件旁边（「修复」可以据此重建索引），每天备份，回收站保留 30 天；可以有多个资源库，在侧栏切换。文件可以复制进库（同一块盘上是克隆，不占额外空间），也可以引用原位置：引用的文件会被监听，改名或移动后自动找回，找不到时标出来（可「重新定位…」），内容改了会重新读取。

• 收集：拖入、粘贴、「导入文件…」、链接（网页、图片，用 yt-dlp 下载视频）、截图、快速收集浮窗和菜单栏图标（带全局快捷键，快速收集默认 ⌃⌥⌘S，需自己开启）、监听文件夹；入库前就会发现重复。

• 浏览：

  • 四种布局：网格、对齐行、瀑布流、列表（⌥1–⌥4），1 万项也流畅。
  • 快速预览（空格）、带素材条的详情页；⌘O 在独立窗口打开素材，⇧T 置顶。
  • 预览：
    • 图片可缩放，超大图 1:1 按区域解码；
    • GIF/APNG、SVG；
    • 视频和音频，WebKit 放不了的格式边转边播；
    • PDF 带页面栏；
    • 文本和 Markdown、表格（xlsx、csv）、文档（docx、rtf）。
  • 检查器：标签、文件夹、评分、备注、来源、文件信息和版本。

• 整理：

  • 文件夹可设图标和颜色；智能文件夹带规则编辑器。
  • 标签管理：群组、常用标签、合并。
  • 快速访问；批量重命名（模板、查找替换，支持正则，可撤销）。
  • 重复与相似：合并时保留标签和文件夹。
  • 标注：框选图片的一块区域，或标在视频的某个时间点。

• 检索：搜索框可以按这些内容找：

  • 名称、标签、备注；
  • 图中文字（OCR）、文档内容、视频里说的话、标注；
  • 语义（本机的 EmbeddingGemma 2）。

  还支持筛选语法（type: tag: ext: rating: added: …）、按颜色找、保存的筛选；⌘J 跳到文件夹或标签。

• 本机 AI：AI 流水线读图（Vision）、语音转文字、为检索生成向量，并建议标签、文件夹、标题和文件名；所有建议汇总在「AI 待确认」里。用电池、过热或内存紧张时会暂停，失败的项目稍后重试。不需要账号，也不上云。

• 从 Eagle 导入：文件夹、智能文件夹、标签、评分、备注、链接、批注都会带过来，可复制也可引用，之后可以增量同步；也能导入 Eagle 的 .eaglepack 素材包。

• 素材包：把选中的素材或文件夹导出为 .actpack（连同元数据、标注、版本和附件），可以导入任意资源库。

• 网页收藏：保存链接时会留下网页本身——快照、首屏截图和正文；浏览器扩展（Chrome、Edge、Safari）可以把图片、网页和链接直接存进 Act。

• 网页的封面与预览：

  • 收藏链接后，网页一加载完就先出封面（首屏截图），不用等整页存完；首屏几乎空白时用网页自己的配图，视频链接用视频封面。
  • 抓不到的，卡片上直接写「网页没抓到」，之后会自动重试，间隔越来越长。
  • 从 Eagle 导入的书签（在补抓前先用 Eagle 的截图当封面）和以前存的旧链接，会在后台逐个补抓（设置 → 收集里可以关）。
  • 检查器里可以在首屏和网页配图之间换封面；在详情页的整页截图上，可以把任意一段设为封面。
  • 卡片显示站点图标和域名。
  • 空格预览先显示封面，再按需切到实时网页（默认不运行脚本，可以手动打开）或阅读模式；预览里点链接会在浏览器中打开。

• 给其他 app 和 agent 用：带令牌的本机 API、MCP Server（支持 Claude Code、Codex、Cursor 等，并附 Claude Code 技能）、act:// 链接。

• 第三方插件（开发者预览）：别人写的检查器面板、窗口、动作和格式支持。每个插件只拥有你授权的权限，动作插件在沙盒里运行；默认关闭，要在 设置 → 工具 里允许。

• 多库同时打开：

  • 每个资源库一个窗口（⌘N、「在新窗口中打开」）；下次启动时窗口回到原处；
  • 从外面收集的内容存到最前面那个窗口的库。

• 跨库复制和移动：

  • 拖到另一个窗口，或用「复制到资源库 ›」「移动到资源库 ›」；
  • 标签、文件夹、评分、备注、来源、标注、版本和附件一起带过去；
  • 目标库已有相同内容的不会重复复制。

• 分享：右键「分享 ›」和工具栏的分享按钮把原文件交给隔空投送、邮件、信息等系统服务（引用的素材给原位置的文件）。

• 字体：

  • TTF、OTF、TTC、WOFF、WOFF2 有「Aa」缩略图；
  • 样张页：可自己输入样字，字号随意，下面是阶梯字号，还有字体包含的全部字符；
  • 检查器显示字体名、字体族、字重和字形数。

• 动作：

  • 把一串整理步骤存在资源库里：加/去标签、加入/移到文件夹、设评分、按固定参数运行工具、导出到目录；
  • 选中素材后从右键菜单、⌘K 或 ⌃⌥1–⌃⌥9 运行；
  • ⌃⌥Z 撤销一次运行（工具生成的版本和导出的文件除外）。

• 在 Act 里更新：beta 渠道的签名更新；能打增量补丁时只下补丁，否则下完整包。每天检查一次，有新版本时在侧栏底部提示，点开的面板按你的语言显示更新说明，显示下载进度，经你同意后重新启动完成更新。"设置 → 关于"可以查看每个版本的更新日志，并打开或关闭"自动检查"。体验版用户遇到需要付费授权的更新时会先收到提示，可以继续使用当前版本。

• 家族的 act:// 链接：

  • 其他 ActNow app 可以把文件连同标签、备注和来源交给 Act（act://import）；隐藏路径、app 或资源库内部的路径、不在本机的路径一律拒绝；收集前 Act 会列出链接传来的内容并询问你。
  • Act 会告诉家族它有哪些模型（检索、语音、看图理解）；模型放在 ~/Library/Application Support/ActNow/models，Hugging Face 缓存里已有的直接拿来用，不再重新下载；Time Machine 默认不备份模型，可在设置中打开。

• 右键菜单：按最常用的排——打开、拷贝、整理、查找、分享导出、AI——每项带图标和你设的快捷键，不常用的收进「更多 ›」；空白处有自己的菜单（导入、粘贴、排序、布局、缩略图背景、幻灯片放映、导出 CSV）。

• Eagle 菜单里的功能：

  • 把素材置顶（所有视图里排最前）；
  • 创建副本（⌘D）；用所选新建文件夹（⌥⌘N）；
  • 替换素材的文件（原文件留作历史版本）；
  • 自定义缩略图（选图片、用剪贴板里的图片，或视频的当前帧）；
  • 全屏幻灯片放映（⌥⌘Y）；导出 CSV；合并图片（「拼图」工具）。

• 窗口：

  • 去掉了底部状态栏：正在进行的事（AI 分析、导入、下载、引擎停止）以卡片显示在侧栏底部图标上方，可暂停、取消；
  • 设置、工具、通知、日志在侧栏底部只留图标；
  • 模型移到 设置 → 模型与网络；设置 → 关于 里有版本、更新和许可。

• 重复：「筛查现有内容」在后台找出全库里完全相同的文件和看起来相似的图片（10 万项约一分钟），不依赖 AI 模型。

• 看图：

  • 缩放和「预览」一样：以手指为中心捏合、带惯性、双击或双指轻点两下到 100%、⌘ + 滚轮，缩放时显示百分比；
  • ←→、三指轻扫或双指横扫在素材间翻页；
  • 在详情页、快速预览或检查器里「查找相似」（⇧⌘S）。

• 颜色：调色板会保留小而鲜明的强调色（白底上的红色 logo），颜色取自图片的真实像素；视频按镜头取色。

• 字体：字体集合和 dfont 显示每个字面，可变字体显示样式和轴；可以从样张页安装字体。

• 大资源库：滚动时只在内存里留网格画出来的那些，入库写素材数据更快。

• 加入 actnow 家族：与其他 app 共享设置、模型文件夹和内存预算；浅色和深色外观，中文和英文。

• 转写与章节：

  • 视频、音频的详情页在播放器旁边显示转写稿：当前句跟着播放走，点一句跳过去，就地改错字后立刻能搜到。
  • 可导出 SRT、VTT、纯文本、Markdown，或把字幕存为素材。
  • 章节按停顿切分，由本机模型起标题，并标在进度条上；可按需做逐字对齐。

• 问 AI：就选中的素材问本机模型（四个现成问题，也可以自己问），回答边生成边显示，可存为备注或 Markdown 素材。

• 按图搜：把图片拖进、粘贴进搜索框，或选一张（文件、浏览器里的图片、链接），找出外观相似和内容相近的素材。

• 文档摘要：

  • PDF、Office、文本和存下的网页会得到建议的摘要（接受后成为描述），关键词作为标签建议，都放在「AI 待确认」里。
  • 文件信息（相机、镜头、图片来源网站）也会变成标签建议。

• 手动排序：在文件夹里拖动素材（可多选一起拖）排到想要的位置；顺序随资源库保存，从 Eagle 导入时沿用 Eagle 的顺序。

• 顺手的小功能：

  • 指针停在音频上就试听（设置 → 浏览）；
  • 有待确认建议的素材带 ✦ 标记；
  • 文件夹上方用卡片显示子文件夹，封面可自己选；
  • ⌘F 在 PDF 里查找，并跳到所在页；
  • 图片用触控板缩放，和「预览」一样（捏合、智能缩放、平移）；
  • 打字母按名称跳到素材；
  • 按 R 旋转显示的图片。

• 键盘：

  • 窗口里的快捷键可以改（设置 → 快捷键：录制、冲突检测、恢复默认）。
  • 菜单栏列出各命令和它们的键；? 速查表列出所有键，可以搜索。
  • Esc、方向键、空格、回车在网格、快速预览、详情页里的行为一致。

• 修复与恢复：在设置 → 资源库或资源库菜单里修复资源库（先备份，显示进度，可取消），也可以从它的某份备份恢复。

• Safari：浏览器扩展随 Act 一起提供 Safari 版（在设置 → 收集里启用）。

• AI 吞吐：

  • 图片先嵌入后读取：新导入的素材更早能按意思搜到，图中文字稍晚出来。
  • ACT_AI_TIMING=1 会在日志里记下 AI 流水线每个阶段的耗时。

• 图标：Act 自己的图标——深牛血红黑底上三块白色瀑布流卡片，第四格是一颗天蓝的点；菜单栏用的是同一个符号的细一档版本（actnow 家族的图标风格）。卡片的圆角更圆了（程序坞、访达和菜单栏都一样）。有值得看的事（新通知、待确认的新建议、后台完成的工作）时，菜单栏图标上的圆点会变蓝，打开 Act 后恢复；可以在设置 → 通用里关掉。

• 提示音（设置 → 通用 → 提示音，默认关闭）：任务完成时（模型下载）响一声，失败时再响一声，各自从 ActNow 家族提示音库里选（默认“绽放”和“耸肩”），也可以选 macOS 系统声音或无声；选择器很紧凑：可以搜索（名字和标签）、按类型筛选、用 ▶ 逐个试听（再点一下停止）；按档位调音量。

• 激活：Act 第一次打开时，请输入邮件里或 ActNow 账户中的授权码（体验资格可在 actnow.dev 申请）。授权离线也能用，每周与 actnow.dev 校验一次；"设置 → 授权"显示授权类型、到期时间和已绑定的 Mac，可以打开 actnow.dev 管理设备，也可以更换授权码。激活之前，菜单栏图标、全局快捷键、监听文件夹、截图、本地 API 和 act:// 链接都会等到激活后再工作；授权到期后，你的资源库和设置都原样保留。

• 缺什么都不报错：工具没装或停用、模型没下载、ffmpeg 没设置——点到需要它的地方，会说明它是什么（大小、来源、能做什么），给出「安装并继续」「启用并继续」「下载并继续」，装好后用同样的素材接着做（大模型可以在后台下载）；取消就什么都不做。错误提示都是中文人话（细节进日志）。agent 拿到的是 tool_not_installed 这样的错误码和工具 id。

• 存 X 帖子：X 上每条帖子（时间线、帖子页、回复）的书签按钮左边多了一个 Act 按钮，大小颜色和 X 自己的一样；点一下存整条帖子——纯文字帖存成文本素材，每张图存原图，GIF 存视频，普通视频存帖子由 Act 下载——正文进描述，帖子地址、作者、作者主页、发帖时间进来源（检查器里能看到，并能打开作者主页）。存过的帖子显示 ✓，不会重复存。Pinterest 的 Pin 详情页大图上又只有一个「存到 Act」了（之前一上一下两个），也不再贴着页面的返回按钮。

• X 链接卡片：带链接卡片的帖子，把卡片标题和地址（能拿到就用 t.co 背后的真实地址）追加到描述末尾，纯文本帖追加到文本末尾。

修复

• 收藏链接的封面和标题：网页的配图（og:image）或图标其实不是图片时——比如图片地址跳回了网站首页，或者服务器把网页说成图片——不再保存，也不会再被选作链接的封面；服务器标错类型的真图片（WebP、HEIC、AVIF、SVG 等）照常保存。网页的标题只是网站名时（Figma 的文件标题都是「Figma」），改用网页在别处给出的更具体的标题（twitter:title 或 <title>）。

安全

• 别人做的资源库：资源库里引用的素材可以指向你 Mac 上的任何文件。现在打开一个 Act 没见过、又引用了库外文件的资源库时会先问你——「这个资源库引用了库外的 N 个文件」，并列出位置（存放密钥、密码或其他 App 数据的文件夹会标出来）；在你信任它之前，Act 不读取这些文件：不预览、不分析、不打包，也不交给本机 API、MCP 或 AI。你自己的资源库（在这台 Mac 上建的，或者这个版本之前打开过的）不会问；设置 → 资源库里可以查看和更改。
• 素材包默认不带引用的文件：导出的素材里有引用的文件时会先问；只有勾选「包含引用的文件」（会列出它们的位置）才放进素材包。没带文件的素材在包里保留名称、标签和备注，导入时交给内容相同的素材。

窗口换成 ActNow 家族的统一布局

• 侧栏顶部是搜索框（⌘F）：搜索项目、音色、生成结果、转写和导出，结果显示在"项目库"页（"找到 3 个"，可清除搜索）。框里的按钮打开命令面板（⌘K）。
• 工作室、项目库、历史放在最前；创作（故事、有声书、视频配音、转写）、音色库、自动化是可以折叠的分组。⌘1–⌘9 不变。
• 去掉了底部状态栏：正在进行的事显示为侧栏左下角的卡片——引擎停止（重启）、正在听写和通话（停止、挂断）、每个正在生成的故事、有声书、配音和工作流、单条生成、导出、转写和下载；同一类有多个时显示"2/5"，完成后停留 3 秒。指针移上去会展开卡片堆，"查看全部"打开新的"任务"页，列出所有进行中和排队中的任务。
• 卡片下方是设置、日志面板（⇧⌘L）、工具，以及通知铃铛（有未读时显示圆点）。
• "模型"和"集成"并入设置（原来的链接会打开对应的节）；"引擎"和"日志"不再放在侧栏（命令面板、"前往"菜单、设置 → 高级 → 诊断）。⌘E 快速切换改成一个小对话框，显示引擎状态和正在使用的模型。
• 设置从 17 节合并为 11 节，每节都是分组卡片，每个设置项下面有一行说明：通用（含外观）、工作室（含发音）、配音、听写（含权限）、写作助手、集成（应用与智能体，以及本地 API）、音频工具、模型与网络（模型列表，以及下载、存储、Hugging Face 令牌、内存和许可）、隐私、高级（存储、使用统计、诊断和自检）、关于。旧链接会打开它们现在所在的位置。
• 页面标题改小；项目库和历史页有 ‹ ›（⌘[ ⌘]）和数量；项目库在页头切换列表和卡片（⌥1 ⌥2）。提示条默认显示在页面底部；工作室、视频配音、故事和有声书页底部有自己的工具条，提示条显示在页头中间。

更新在窗口里显示

• 设置 → 关于 → 软件更新：检查更新…、每天检查、无需询问直接安装（每天检查发现的新版本会自动安装，等你重新启动）和 Beta 版更新照旧，另有"查看更新日志…"，按 AudioSmith 当前的语言查看每个版本的说明。旧更新窗口里的选择会保留。
• 发布时同时提交英文和中文说明（CHANGELOG.md 和 CHANGELOG.zh-Hans.md），actnow.dev 的更新日志页和 app 会按各自的语言显示。

音色发现：从 1184 个精简到约 35 个精选音色

• 音色发现现在只列出一小批根据试听测量（#91 审计）挑出的音色：中文和英文在前，另有日语、韩语、西班牙语、法语、德语、意大利语、葡萄牙语和俄语各几个。1126 个自动组合生成的音色和效果较弱的手工音色不再列出。
• 每个设计音色都有一段写好的人物描述（年龄、嗓音、场景），并真正交给模型；种子经过试选；参考录音随应用一起发布："使用音色"保存后即可直接说话，不用再等参考生成。"预览"播放用这段参考做出的片段，和在工作室里说出来一样，试听时不再临时生成。
• 音色发现也提供值得直接用的内置音色（中文的 Serena 和 Dylan，Kokoro 中最好的英文和欧洲语言音色）："使用音色"保存这个说话人并打开工作室。
• 筛选：用途（旁白和有声书、对话和播客、角色和童声、广告和播报）、语言、性别和年龄，以及搜索。音高、口音或方言、风格以及原来的九个类别都去掉了。
• 从以前的音色库保存的音色照常可用（它们带着自己的配方）；配音演员表或智能体引用以前的音色库音色或设计预设时也照常能找到：这些 id 都保留，只是不再列出。

设计：八个起点

• 旁白、聊天、新闻播报、商务演示、讲故事、长者、反派，以及新的"轻声"（取代耳语和冥想引导）。元气、童声和东北老铁去掉了（音色发现里有一个东北口音的音色）。所有预设都不再要求放慢语速。

不再提供效果较弱的内置说话人

• Kokoro 的 af_nicole（耳语）和 bm_lewis（粗糙）不再列出；Qwen3-TTS 的 Ryan 在中文界面不再列出（测试中他念不好中文数字）。已经使用它们的项目或设置保持不变，API 仍然可以按名字使用它们。

设置更舒展，文字更短

• 所有设置页用同一套间距：卡片内边距、每行上下留白和分隔线、卡片里的说明文字自成一块，标题、说明和控件之间不再挤在一起。写作助手页的模型选择不再被截断，重复的状态行去掉了。
• 中英文共精简了 28 处说明文字。

设计的声音不再念出残留的参考文本

• 语速较慢的设计声音（讲故事的人、长者、冥想引导，以及音色库里的几个声音）念参考文本时会在一半处被截断：Qwen3-TTS 在一个长度上限处停止，而慢速语音会碰到这个上限（引擎补丁 0008 把它从每个文本 token 0.48 秒提高到 0.8 秒，AudioSmith 自己的上限现在既能调低也能调高它）。但参考音频仍然连同完整文本一起保存，所以克隆出来的声音会在每一句前面先念出缺掉的那一半。
• 从声音生成的参考音频现在必须念出它的文本：如果识别器听到三次录音都没有念出（或被截断），就再生成一次；保留下来的录音如果念的是别的内容，就以它实际念的内容作为文本，否则不保留，并说明原因。参考文本永远不会是音频里没有说的话。
• 之前做的参考音频会在第一次被录音、故事或有声书克隆时检查一次：没有念出其文本的会重新生成（会有提示），或者改用它实际念出的文本。
• 设计提示词不再因为预设或选择的语速而要求慢速说话（"speaks slowly"、"语速偏慢"）：这会让参考音频变慢，克隆出来像在朗读。你自己写的描述会保留原样。
• 为日语、韩语、德语、法语、西班牙语、意大利语、葡萄牙语或俄语设计的声音，用该语言念参考文本，而不是英语。
• 音色库的试听改用工作室调好的采样参数（Qwen3-TTS 温度 0.7、top-p 0.8），不再用引擎的默认值；试听会重新生成一次。
• 隐藏印地语的音色库声音：这里没有模型能设计或克隆印地语。

听写的提示音可以自己选

• 设置 → 听写 → 提示音：开始聆听、停止和出错时的声音，可以分别从 ActNow 家族的音效库（默认 Tally、Wrap 和 Shrug）、macOS 的系统声音中选择，或者不用声音。紧凑的选择器可以搜索（名称和标签）、按类型筛选、用 ▶ 试听（再点一次停止），并分档调节音量；"试听"播放当前选择。
• 这些声音来自 React Bits 的 Sound Lab，只随 actnow.dev 和 GitHub Release 上的构建提供：不在本仓库里，也不适用本仓库的许可证（见 NOTICE）。从源码构建的版本播放 AudioSmith 以前用的系统声音（Tink、Pop、Basso）。

模型移到 ActNow 文件夹，不再进 Time Machine

• 模型存放在 /Library/Application Support/ActNow/models，与其他 ActNow app 共用，不再放在 Hugging Face 缓存（/.cache/huggingface）里，因为清理工具会把那里当作缓存清掉。已经在缓存里的模型会在第一次启动时搬过来，不用重新下载（用硬链接：缓存保持原样，供使用它的工具继续用）。
• Time Machine 默认不备份模型（可以重新下载）；设置 → 高级 → "用 Time Machine 备份模型"可以为所有 ActNow app 重新打开。
• 被截断的模型文件（磁盘错误、中断的拷贝）不再被当成已下载的模型；重新下载即可修复。另一个版本下载到一半留下的文件，也不再让已下载的模型看起来不完整。检查模型文件时，会等待正在处理它的其他 ActNow app，并在文件损坏时通知它们。
• 如果 ActNow 文件夹里的模型声明被删除（例如清理工具），AudioSmith 回到前台时会重新声明自己的模型，并保留其他 app 可能还在用的模型。

有声书保留已渲染的部分

• 有声书已经渲染好的部分保存在 AudioSmith 的数据文件夹里，不再放在会被清理工具清空的 ~/Library/Caches：停止或失败后"继续"不会再把几个小时的内容重新渲染一遍。之前渲染的部分会在第一次启动时搬过来。
• 启动时清理被中断的录音和导入留下的临时文件。

密钥不再出现在日志里

• Google 翻译（基础版）的密钥改为放在请求头里发送，不再放在地址里，所以网络错误不会再把它写进日志。日志和诊断包会去掉密钥、令牌和代理密码。

配音编辑器：⌘Z 和 ⇧⌘Z 又能撤销和重做了

• 快捷键带 ⇧ 的菜单项，显示和响应的就是这组按键（⇧⌘Z 是重做，不再同时是 ⌘Z）。

本机写作模型的回答完整了

• 内置写作模型（Qwen3 4B）在必须遵循固定格式时，回答可能被截断或乱码。AI 导演会漏掉故事最后一句的指导；情绪导演可能丢掉半场戏（在情绪的位置出现 "surprisedn”: 2note”:）；电影级翻译的审校会照抄译文而不是指出问题，所以什么也没有改进。这些都来自引擎让回答遵循格式的方式。现已修复：在测试中，每个故事的每一句都得到了指导，审校也能发现真正的问题。
• 同样的请求现在每次都得到同样的回答；以前每次启动 AudioSmith，回答各部分的顺序都会变。
• 开始自我重复的回答会立即停止并重新请求，不再运行好几分钟（某个术语表注释就出现过这种情况）。
• 回答不可用后的重试不再是同一个回答的拷贝：会重新采样。

第一个公开版本，是 beta 版：只用远程模型的 macOS 语音输入，在 actnow.dev 下载。它会更新到下一个 beta 和之后的正式版（设置 → 诊断与关于 → Beta 更新）。0.1.0-beta.1 构建了但没有发布，它的内容都列在这里。

新增

• 转录：快捷键（默认 fn；单击、双击或长按，每个功能可以设多个）开始录音，语音识别服务转成文字，语言模型整理（去掉口头禅和说错重来的部分，修正标点和数字；可选的结构整理和你自己的规则），然后粘贴到光标处。没有语言模型时直接输入识别结果；语言模型出错或太慢时也是这样。
• 翻译：选中的文字（通过辅助功能读取，安全的地方用 ⌘C）或你说的话，翻译成你选的语言；回答看起来没有翻译时会严格地重试一次；答案卡片里可以阅读、复制、插入，或换一种语言再翻译。
• 转写：说出怎么改选中的文字，或在没有选中时说出要写什么；每个回答先在浮标下方显示一行，然后留在答案卡片里（和 Voxt 一样），"插入"把它放到原处（替换选中的文字），"继续"录一段追问，回答以纯文本显示在卡片的对话里。
• 应用增强：按 App 和网站分组的规则（网址规则通过辅助功能读取，不做浏览器自动化），叠加在整理之上的场景提示词，插入后要按的键，每个分组作用的功能，实时匹配预览，以及浮层和历史里显示的分组名。
• 词典：带别名的术语，作为提示发给语音识别服务，作为术语表发给语言模型；支持 CSV 和文本的导入导出。
• 模型服务：豆包和阿里云百炼的流式识别，以及任何兼容 OpenAI 的转写 API；DeepSeek、通义千问、火山方舟、Kimi、智谱 GLM、MiniMax、阶跃星辰、MiMo、硅基流动、OpenAI、Anthropic、Gemini、OpenRouter 及其他兼容 OpenAI 的语言模型；密钥存放在钥匙串里，可以测试连接，每个功能可以选不同的服务。
• 首页：一句标语，键帽里是你的转录快捷键；还缺什么（服务、权限、快捷键），每一行就是修复它的入口，全部就绪后什么都不显示；第一次得到结果之前，可以在页面上试一遍完整流程；今天的结果数和字数，最近五条结果。
• 第一次启动时的设置引导（也可以从设置 → 通用打开）：隐私、权限、服务，然后真正试一次转录、翻译和转写，以及应用增强和词典。
• 历史：按功能分类，可以搜索，带文字、结果去了哪里、用了哪些服务、匹配的规则以及每个阶段的用时；按需保存录音。在历史页或首页"最近结果"的一条记录上右键，可以复制结果或识别原文、查看详情、在访达中显示录音、重试，或删除（确认后连同录音一起删除）；历史页里选中一行后也可以按 ⌘C 复制、⌫ 删除。
• 录音浮层（不抢焦点，你正在输入的 App 保持焦点），参照 Voxt：半透明、模糊背景的浮标上是功能图标和波形，没有按钮，比例与 Voxt 相同（快捷键停止，Esc 取消；鼠标可以穿过它）；下方一行实时文字，浮标随文字变宽，最宽 300，之后文字滚动到最新的词；处理时显示加载动画，出错时在波形的位置显示错误，插入后什么都不留；还有答案卡片，以及开始和结束提示音。每次都从浮标开始，它沿着所在的屏幕边缘变大而不移动；每个流程在得到结果之前都显示同一个浮标（模型正在处理的内容，然后是它的草稿，各占一行），只有拿到结果才出现卡片。
• 答案卡片，参照 Voxt：宽 440（Voxt 是 560），高度随文字（最多 220，之后滚动）；操作都在标题栏里（目标语言是一个胶囊，在单独的窗口里打开我们自己的菜单，以及继续、插入、复制、关闭）；标题栏到顶部的距离与到分隔线的距离相同；浮标和卡片里用 Voxt 自己的图标；结果为什么留在卡片里，写在"插入"的提示里，而不是一行橙色文字；复制后标记两秒；插入时先隐藏卡片再粘贴；换一种语言就地重新翻译（新文字出来之前，旧文字旁边显示加载动画）；转写的追问在卡片里以对话形式录制（小波形、气泡）。Esc 关闭卡片，或者只取消追问。
• 识别前去掉静音（轻量的能量检测，不用模型）：文件识别服务拿到的录音去掉了语音前后的静音，过长的停顿也被缩短；流式服务在开始说话之前什么都收不到；没有语音的录音根本不发送（设置 → 音频 → 跳过静音）。
• 识别前优化声音（纯信号处理，不用模型）：80 Hz 的高通滤波去掉嗡嗡声和低频隆隆声；只根据语音部分测量一个增益，让小声的人声变大（最多 +12 dB，绝不把房间噪声提到 -50 dBFS 以上），或者把很响的人声稍微压低，并在 -1 dBFS 处限幅；流式录音的增益缓慢跟随，停顿时保持不变。历史里保存的是原始录音；历史会写明做了什么以及增益（设置 → 音频 → 优化声音，默认开启）。
• 一个小窗口（默认 800×520，最小 680×440），没有状态栏：通知以卡片形式叠放在侧栏底部（只显示图标时，设置上有一个圆点）；缺少服务或辅助进程停止时，会变成一张带修复操作的卡片。
• 菜单栏图标：开始或停止转录，粘贴最近的结果，最近三条结果可以拷贝（每条一行短文字，提示里是全文）；录音时图标会变化。关闭窗口后 Auralink 留在菜单栏，也可以登录时打开。
• 设置：通用（语言、菜单栏、登录时打开、设置引导）、权限、音频（按你的偏好排序的麦克风、跳过静音、优化声音、提示音）、浮层样式（位置、透明度、圆角、录音时长，在桌面图片上实时预览）、快捷键（每个功能的按键及冲突）、外观（窗口较窄时侧栏缩成图标）、网络（代理）、隐私、存储、关于（版本、更新、自检、报告问题）；英文和简体中文。
• 使用 Developer ID 签名并经过公证。从 actnow.dev 更新，在 Auralink 自己的窗口里完成：每天检查一次，有新版本时只在侧栏底部显示"有新版本"（图标栏上有一个圆点）；面板里按 Auralink 的语言显示新版本的说明（某个版本没有中文时显示英文，并注明），只下载有变化的部分并显示进度，你同意后才安装，然后"重新启动以完成更新"；下载失败时 Auralink 不做任何改动，可以重试。app 菜单、菜单栏图标的菜单、命令面板和设置 → 关于里都有"检查更新…"，设置 → 关于还可以按 Auralink 的语言查看每个版本的更新日志。Auralink 运行时安装的更新会请你重新启动，而不是启动新的辅助进程。
• Beta 更新（设置 → 诊断与关于）：同时接收 beta 版，或只接收正式版；正在用 beta 时默认打开。关闭后不会降级：已装的 beta 会保留到比它新的正式版发布。"自动安装更新"（默认关闭）会安装每天检查发现的新版本，然后请你重新启动。
• 录音时静音系统声音（设置 → 音频，默认开启）：从开始提示音之后到停止录音为止，当前输出设备静音，免得视频、音乐、通话的声音被录进去；你自己静音的设备保持静音，录音中你取消静音后不会再被静音，不支持软件静音的设备照常录音（浮窗会提示）。不需要任何权限。Auralink 或辅助进程在静音期间意外退出时，声音会立即恢复，最迟在下次启动时恢复。
• 可选的提示音（设置 → 音频 → 播放提示音）：开始和结束提示音分别从 ActNow 家族提示音库里选（来自 React Bits Sound Lab：轻触、开关、媒体、系统等分组；默认是"开录"和"收工"），也可以选 macOS 系统声音或无声。选择器很紧凑：可以搜索（名字和标签）、按类型筛选、用 ▶ 逐个试听（再点一下停止）、按档位调音量；试听按钮播放当前选择。以前版本里选的 Voxt 预设会保留为对应的系统声音。录音时静音系统声音在开始提示音能听到的部分播完后就生效，不等文件末尾的静音。家族提示音只在 actnow.dev 发布的版本里；自己从源代码构建的版本播放 macOS 系统声音。
• 历史设置（历史页搜索框右边的按钮）：保存录音（和 设置 → 隐私 是同一个开关）；选择录音存放的文件夹（已有录音会一起移过去，每段先复制并校验再删原文件；文件夹在没接上的外接盘上时，新录音先存到默认文件夹，等它回来）；查看录音占用的空间；把录音（全部，或当前 tab 的）导出到你选的文件夹，以日期和开头几个词命名；或者全部删除、保留文字。自动清理，和 Voxt 一样默认开启：超过 3 个月的记录连同录音一起删除；可以选 1 周到 1 年，或每种功能最多保留 50 到 1000 条，也可以关掉。新设置会立即删掉已有记录时，先告诉你会删几条并请你确认。
• 重试：用历史记录保存的录音再做一遍。失败或没有文字的记录，行上的"失败"换成"重试"，详情和右键菜单里也有；其他有录音的记录是"重新识别"。录音重新识别（流式服务按比说话更快的速度送入），再按现在的设置整理、翻译或转写；结果原地更新这条记录（文字、状态、用时），不会粘贴。浮窗里识别失败的提示，点一下打开这条记录并重试。
• 识别失败、超时或没有识别出文字时，即使"保存录音"关着，这条记录也保留录音 7 天，方便重试；重试成功后删除。
• 日志（日志页和日志面板）：单击一行就复制这一行；Shift-单击、⌘-单击或拖动，像在访达里一样选择多行，⌘A 选中全部显示的行；右键可以复制这一行、选中的行或全部显示的行。右上角显示已选中几行，以及"复制"和"取消选择"。

变更

• Auralink 静音了哪个输出设备的记录改放在 Application Support，不再放在 ~/Library/Caches，崩溃后即使清理了缓存，扬声器也不会一直静音。日志不再记下密钥、令牌和代理密码。
• Auralink 免费开源，采用 GNU AGPL-3.0 许可：源代码在 GitHub，欢迎贡献（见 CONTRIBUTING.md，需签署贡献者许可协议）。0.1.0-beta.1 及以前的版本采用 Apache License 2.0。设置 → 诊断与关于显示版权和许可，链接到源代码、官网和更新日志，并打开 app 内附带的许可和第三方声明。"报告问题"打开一个填好诊断信息的 GitHub issue。
• 下载、更新和更新说明改由 actnow.dev 提供，不再用 GitHub Releases：登录 actnow.dev/download/auralink 下载。更新来自 actnow.dev/updates/auralink，打开 Beta 更新时读它的 beta 通道，那里始终是最新 beta 和最新正式版中较新的那个。
• 菜单栏图标改为对话气泡加波形，线条和系统图标一样细；录音时气泡变成实心。
• 结果出来时插入到你当时正在输入的地方，不再只认开始时的 App（和 Voxt 一样）：录音或处理中切到另一个 App 并点进输入框，结果就粘贴到那里；浏览器里的 Notion、Slack 等网页编辑器也算输入框。应用增强分组的"插入后按键"只在开始时的 App 里按（结果是按那个分组生成的），替换选区也只在选区所在的 App 里做。没有选中输入框（访达、桌面、正在阅读的网页）或焦点在密码框里时，结果留在答案卡片里，并说明原因；点一下要输入的位置，再点"插入"。点了 Auralink 自己的窗口时，仍然回到开始时的 App 插入。插入到别的 App 时，历史详情里会写"已插入到 …"。答案卡片的"插入"和"粘贴最近结果"也是同样的规则。

已知限制

• 只支持 Apple 芯片和 macOS 15 及以上（暂时没有 Intel 版本）。

Audiobook: dialogue passages (多人对话段)

• A scene in a book can now be spoken by a dialogue model, each line hearing the lines before it, so the characters answer each other. Mark it in the manuscript as a dialogue passage: [对话] on a line of its own ([dialogue] in English; 【对话】 works too), then one 名字：台词 (Name: line) line per turn, then [/对话]. A line without a name is narration, read by the narrator; a line in parentheses is a stage direction, not read; 名字（低声）： gives a direction that is not read either; [pause 1s] on its own line lengthens the gap; [voice:NAME] lines work as well. The rest of the book stays on its model.
• Insert → "Dialogue passage" writes an empty passage with the latest names of the manuscript (the first one selected, to type over), or makes the selected lines one, keeping every word: quotes become the turns of whoever the speech verb names (or, between two speakers, the other one), the words around them narration lines, and lines it cannot attribute are marked "？" for you to fix. Undo in the toast.
• In the editor a passage has a faint tint and a dot per line, each speaker's name its own colour, stage directions grey, and a summary after [对话] ("3 人 · 5 句 · 多人对话 · 轻量"); names of the cast are offered as you start a line; the context menu has "Preview this dialogue" and "Turn back into paragraphs".
• The inspector has a "Dialogue passages" section while the book has some: each passage with a preview button, the dialogue model, and what happens without it. Passage speakers are part of the cast (marked "dialogue"); a speaker nobody is cast as gets a voice of their own, unlike the others', when the book is generated (or at "Assign voices").
• Without the dialogue model (not downloaded, or a Mac with less than 16 GB) the passages are read line by line in their voices, with the same tight conversational gaps; so are passages of one speaker and passages in languages other than Chinese and English. The dialogue model's lines are brought to the level of the chapter's narration. Chapter markers, the read-along and M4B export work as before; books without passages render exactly as before.
• The Local API and MCP: update_longform takes the manuscript as script and dialogue/dialogue_model for audiobooks; get_longform returns script (up to 100 KB) and dialogue_blocks (chapter, index, speakers, lines, uncast speakers, mode dialogue or per_line and why); render_longform takes dialogue_block: {chapter, index} to preview one passage and lists the voices it gave as voices_given.

Dub: foreign-language videos dubbed into Chinese speak Chinese

• Dubbing a Japanese or Korean video into Chinese with the default clone model (Qwen3-TTS Base) made many lines in the source language or garbled: given the speaker's clip and its transcript, the model went on in the clip's language (a Japanese test: 9 of 14 lines). Lines in another language than their speaker's clip are now cloned from the clip alone, from its voice print, and come out in the line's language as much like the speaker: in tests from Japanese, Korean, French and English into Chinese and from Chinese into English, 0.4–7 % character errors instead of up to 42 %, and as or more like the speaker. Dubs in the video's own language are made as before.
• Those lines are also heard again after they are made: a line that is not in its language, or does not say its text, is made once more and the better take kept; one that still fails is marked "Listen" in the line list, with what was heard, and the step says so, instead of being kept silently (the Local API's flag: heard or language). Conversation lines made line by line are checked for the wrong language too.
• Qwen3-TTS Base, given a clip without its transcript, now clones that voice; it used to speak in no particular voice.

Model pickers fit the window; dialogue models in the Stories picker

• The model picker's list no longer runs past the bottom of the window with "Show all models" open (the Stories inspector, small windows): it opens below its button, or above it when there is little room below, at most as tall as the room there, and its list scrolls to the last model under the search field. Voice pickers follow the same rule.
• The Stories model picker has a section "Whole dialogue (multi-speaker models)" with the two dialogue models, now named "Dialogue · Light" (SoulX-Podcast 1.7B) and "Dialogue · One take" (MOSS-TTSD v1.0), with the memory they need and their download size. Choosing one turns whole dialogue on with it (the Performance switch follows); the story's model then reads the narration and the lines the dialogue model does not say clearly, as the button says ("Narration and fallback: …"). Macs with too little memory, and stories in other languages, see them greyed out with the reason.

Better voice references: checked, cleaned, and longer for designed voices

• Clone and dialogue models copy a reference's noise, loudness, intonation and pace. AudioSmith now checks every reference where it comes in (Clone, an imported voice, Dub's speakers, Stories' whole dialogue) and says in one line how good it is ("Reference quality: good / fine / needs work") with at most two tips: too short, very noisy, distorted, a transcript that does not match, a flat delivery, or (for dialogue) a slow, read-aloud pace. Nothing is blocked.
• References are cleaned automatically: background noise is removed only when there is some (DeepFilterNet; clean recordings are left alone), the silence before and after is trimmed, long pauses are shortened, and the loudness is evened out to −18 LUFS. The original is kept: Undo on Clone, "Use the original" in the voice's editor.
• Recordings of 15–30 seconds keep their best 10–14 seconds. Clone has tips for recording your own voice: a quiet small room, talk rather than read, record 15–30 seconds.
• Designed voices get a reference of their own for clone models, portable copies and Stories' whole dialogue: about 12 seconds of lively everyday speech in a casual tone, the best of three takes. Their greeting sample stays for previews. New designed voices get it when saved; older ones when first used with a clone model or in whole dialogue (or "Make reference" in the voice's menu).
• Portable copies of built-in voices now read everyday narration instead of a sentence about the recording, asked to sound casual where the model takes an instruction, and keep the best of three takes. They read in the speaker's own language (Vivian, Serena, Uncle_Fu, Dylan and Eric Chinese; Ryan and Aiden English), whatever the app's language.
• Dub denoises a speaker's reference only when it is noisy, and tidies it the same way.

Stories: emotions that stay coherent across a scene

• The AI director now reads the whole story and plans its emotions: a usual mood for each character, and for each line one of 13 emotions (steady, happy, excited, tender, pleading, hesitant, worried, hurt, sad, angry, scared, surprised, apologetic) with a strength from 0 to 3, the turns of the scene marked. Most lines stay steady; a character's feeling changes one step at a time, except at a turn.
• Each line is sent a short instruction made from its emotion ("略带委屈", "非常难过，带哭腔"), the same wording for every line of a character, instead of the persona and the scene with every line. In a test story, a father's voice moved over 8 semitones instead of 19.
• Each line shows its emotion and strength; you can change them, mark a turn, or write your own wording. Directing again keeps what you changed. Each character has a usual mood you can set.
• The pauses between lines follow the emotions: excited lines come quicker, hesitant or sad ones after a longer pause (Advanced → "Pauses follow the emotion").
• A character's lines are said in one go, stretch by stretch, so the voice carries on from line to line instead of starting afresh; AudioSmith cuts them apart again with the forced aligner and checks each line. A stretch that cannot be cut cleanly, and narration, are made line by line. Advanced → "Each character's part in one go" turns this off.
• Stories directed before this version sound exactly as before until you direct them again.
• The Local API and MCP: update_longform takes emotions (line id → emotion) and intensities 0–3; direct runs the new director.

yt-dlp and ffmpeg download from a mirror too

• yt-dlp (importing from links) and ffmpeg now download from GitHub or ActNow's mirror, mirror.actnow.dev, whichever is faster; a download that stalls or crawls moves to the other. GitHub's downloads reach many users in China at a few KB/s.
• Both are still checked against their pinned SHA-256 before use: a file that does not match is fetched again from the other source, so the mirror cannot change what you get.
• Settings → Network → Download from now covers models and tools: Automatic (the fastest of the official sites and mirrors), Official sites only (huggingface.co, github.com), Mirrors only (hf-mirror.com, mirror.actnow.dev), or Custom (Hugging Face URLs; tools then come from either). Test the connection also reaches mirror.actnow.dev.

Stories: whole dialogue (整场对话)

• A new switch under Performance, "Whole dialogue": the characters' lines are spoken by a dialogue model (SoulX-Podcast 1.7B, Apache-2.0) a scene at a time, so each line hears the lines before it and answers them. Narration stays on the story's model.
• Each character is cloned from their voice: a cloned voice's own clip, a designed voice's reference, or a short sample the voice reads first.
• Every line is checked: one the model does not say clearly is made again with the same context, then on the story's model.
• Up to four characters per scene. Needs 16 GB of memory (the switch says so on smaller Macs) and a 2.4 GB download; Chinese and English stories. On an M4 it runs at about 0.7× real time.
• A second dialogue model, MOSS-TTSD v1.0 (OpenMOSS, Apache-2.0), on Macs with 24 GB of memory or more: pick it under "Dialogue model". It speaks each scene as one recording, with its own pauses between speakers, up to five characters per scene, and AudioSmith cuts the recording into the lines (with the forced aligner) and checks each one; a line it does not say clearly is made again after the lines before it, then on the story's model. An 11 GB download; on an M4 about 0.8× real time, using about 12 GB of memory while it speaks.
• The Local API and MCP: update_longform takes dialogue_model (soulx or moss); get_longform returns it.

Chinese numbers, phone numbers and units

• Chinese text now reads phone numbers digit by digit (138-0013-8000, 010-12345678, 拨打10086), ranges (3-5天 → 三到五天, 1-2个 → 一到两个, 10%-20%), scores (3:2 → 三比二), dates with dots (2024.03.05) and units (5km → 五公里, 3.5kg, 100m², 60km/h, 220V, 128GB). Words with digits (MP3, iPhone15, COVID-19) and other languages are unchanged.

Dub: API keys for the online translators

• The online translators (DeepL, Google, Microsoft) have an API key field in the Translate step's Advanced options. Before, the key had to be added to the Keychain by hand.

Logs

• Click a line in the logs (the page or the panel) to copy it. Shift-click, ⌘-click or drag to select several lines, as in Finder; ⌘A selects every line shown, Esc deselects, ⌘C copies. While lines are selected the header says how many, with Copy and Deselect. Right-click a line to copy it, the selected lines or every line shown.
• The newest line is at the top. Scrolled down to older lines, the list keeps its place as new lines come in, and "N new lines" at its top goes back up. Copied lines are in the log's order, the oldest first.

New icon

• AudioSmith has its own icon: a white anvil with a lime spark on a green-to-teal gradient, in the same style as the other ActNow apps (macOS 26 adds its Liquid Glass look). The menu bar icon is the anvil too; while dictation listens, a dot takes the spark's place.

Fixes

• Models → Clean up could delete models another ActNow app uses, such as Dicta's language model (0.4.0-beta.1 to beta.4). It now keeps every model another installed ActNow app uses, and says which app.
• The Dub page's button read "Generate dub%!(EXTRA int=1)" with one target language. It reads "Generate dub" again, and the Translate button got the same fix.
• HF_ENDPOINT now overrides the download source chosen in Settings. Before, the setting won.

The first signed release is a beta (a GitHub prerelease): copies that receive beta updates get the next beta, and 0.4.0 once it is out.

Updates

• AudioSmith updates itself: once a day it reads the version file of its latest release on GitHub and, when a new version is out, shows its notes (this file's section of the version) and offers to install it, skip it or remind you later. Updates are signed; AudioSmith checks the signature before it installs one, and usually downloads only what changed. AudioSmith → Check for Updates…, the command palette and Settings → Diagnostics and about check at once; that page also turns the daily check and installing without asking on or off. Copies built on your own Mac don't update themselves.
• Releases are signed with a Developer ID and notarized by Apple, so they open without Gatekeeper's warning (docs/release.md).
• Beta updates: Settings → Diagnostics and about → Receive beta updates. Betas get new features sooner but may be less stable; turned off, AudioSmith only updates to releases. It is on in a beta copy (such as this one) and off in a release until you choose. Turning it off never goes back to an older version: a beta stays until a release newer than it is out. About shows a Beta badge next to a beta's version.

Transcription with speakers

• New model "Transcription with speakers" (区分说话人转写; MOSS-Transcribe-Diarize 0.9B, 8-bit, 1.3 GB, Apache-2.0): it transcribes and tells who says what in one pass. Download it from the Models page, Transcribe or the Dub page; nothing downloads by itself.
• Transcribe: a Speakers option in the toolbar. Transcripts list their speakers (S1, S2…) with their lines; click one to name it. Copy and TXT export put one paragraph per turn after the speaker's name, SRT cues start with it, VTT marks voices, JSON has each segment's speaker. Dictation and plain transcription stay on Qwen3-ASR (MOSS is about 4× slower: a 10-minute recording takes about 4 minutes on a MacBook Air M4).
• Dubbing: with the model downloaded, a source with more than one speaker is transcribed by it and every line gets its speaker from it (in our tests 1.00 of the lines right on three of four 2–4 speaker dialogues and 0.93 on a 13-minute one with five people, where Qwen3-ASR + Sortformer managed 0.50–0.69 and never found more than 2 speakers; no limit of 4 speakers); the aligner still times the words, and the glossary's terms are its vocabulary. Without it, the dub works as before (Qwen3-ASR + Sortformer) and suggests the download, then Transcribe again.
• Long recordings go in 10-minute windows that overlap by a minute, linked by who speaks in the overlap; stretches without speech are skipped, and the model's chat answers to silence ("I'm sorry, I can't assist…") are dropped.
• Local API and MCP: speakers=true, model=gpt-4o-transcribe-diarize or response_format=diarized_json; segments carry speaker. MCP transcribe takes speakers: true.

Fewer transcription and writing models; Qwen3-ASR transcribes everything

• Speech recognition is Qwen3-ASR 0.6B ("Chinese & English transcription") everywhere: dictation, Transcribe's Fast and Accurate modes, dubbing and its read-back check, workflows, Convert, clone references and calls. It made 0.5–4 % errors on Chinese where Whisper made 8–33 %, punctuates, and is 2–4× faster (thread #44's measurements). Whisper large-v3 turbo ("Multilingual transcription", tagged Fallback) is used on its own for the languages Qwen3-ASR does not know (it knows 30) and for translating speech into English. Fast and Accurate now differ only in the word timings.
• Long files: the vocabulary is only sent with recordings up to 30 s (Qwen3-ASR copied it into the end of longer transcripts); the " The." (or "嗯。") Qwen3-ASR sometimes invents after the last sentence of a long file is dropped; files longer than about 4½ minutes are timed word by word in windows of at most 4 minutes, cut between sentences (the aligner's times broke down after about 4½ minutes).
• Removed: Parakeet TDT 0.6B v3 (no Chinese) → Qwen3-ASR, or Whisper for a language Qwen3-ASR does not know; Mel-RoFormer (its output ended in 2–3.5 s of silence, and it was 5–9× slower) → HTDemucs; Gemma 4 E4B, Gemma 4 E2B and Qwen3 1.7B (slower or broken JSON, weaker translations and clean-up) → Qwen3 4B Instruct 2507, now the only language model, named in Settings → Writing help instead of a choice. Settings that named a removed model go back to the default once, with a notice; a model you chose that is still there (Whisper) stays. API and MCP: a transcription that names Parakeet is answered by its replacement with replaced_by and a warning (X-AudioSmith-Replaced-By / X-AudioSmith-Warning); GET /api/models/{id} describes the removed models, and they are not listed. Their files stay until Models → Clean up, which now also lists them (and shows on their tab).
• Onboarding: Balanced no longer downloads Whisper; Max adds it instead of Mel-RoFormer.

Models named for what they do

• Every model has a plain name that says what it is for — Standard voices, High-fidelity clone, Fast clone, Voice design, Fast English voices, English clone, Multilingual all-rounder; Chinese & English transcription, Writing assistant · Standard… (标准音色、高保真克隆、快速克隆…) — a one-line description and a few tags (Chinese, Cloning, Built-in voices, Low memory, Non-commercial…). Pickers, the Models page, ⌘E, Settings, the bar beside Generate, History, onboarding, notifications and messages use them.
• The family, version, size, quantisation, repository and licence are still there: in a model card's Details on the Models page, in the pickers' tooltip and ⓘ, and in History's details (Technical name). Ids, repos and saved projects don't change.
• The model picker and the Models page have a search field that finds a model by its name, its technical name, id, repo or a tag.
• Local API and MCP: model lists add display_name (English), ui_name (as the app shows it), description and tags; a friendly name picks a model too.

Portable voices, and simpler Design, Clone and Export

• Make a portable copy of a model's built-in speaker or of a designed voice (My voices → ⋯, the Studio's voice list, or Make portable where a voice can't be used): its model says a ten-second line, evened out, and the take is saved as a cloned voice "<name> (approximate)" that every model that clones can speak with. It sounds close to the original, not the same, and says so.
• When a voice can't be used with a model, the message says why and what to do (make a portable copy, or pick a model that designs).
• Design shows only what the model can't express; what it will hear is behind ⓘ, and the seed moved into Details. Clone: style and language are under Advanced. Export audio: format, loudness, file name and extras in view; bit depth or bitrate, sample rate, channels and trimming under Advanced.

Simpler Stories, Audiobook and Dub

• Stories and Audiobook: the inspector keeps Setup, Cast, Performance (Stories) or Chapters and Cover & details (Audiobook), and one Advanced section for the rest — language, merging and evening out voices, refinement and guidance, gaps, trimming, seed, a stem per character, a story's M4B with its cover and details, an audiobook's own pronunciations — with N changes and Restore recommended (your pacing stays).
• The Project section moved to a Project ▾ menu in the header: Save (under the title — the title is the project's name), Save a copy, New, recent projects, All projects…
• A story shows only what its model hears: personas, the scene, the AI director and line directions disappear on models that say lines as written, and a line's speed on models without one.
• Dub: each step keeps its main choices; the rest folds into Advanced at the foot of the step (speakers and review, more languages and the translator's options, voice match, the voice model's parameters, a WAV's bit depth). The buttons the editor's ⋯ menu already had left the panels; Transcribe again… and Translate everything again joined that menu.

A simpler Studio

• The inspector shows what most takes need: the model, one Voice list (the model's speakers, your saved voices, a clip to clone, Manage voices…) and the speed. Everything else — style, reference transcript, length, refinement, guidance, sampling, seed, reading numbers, evening out the volume — is under Advanced, filled with the model's recommended settings; its header says "Recommended settings" or how many you changed, with Restore recommended inside. Advanced stays open or closed as you left it.
• The Voice controls and Audio quality buttons are gone, and so are the WAV precision (takes are kept at 24-bit; choose the file's bit depth in Export audio), Preload / Unload (in the ⌘E engine switcher, now with Unload), the autoplay switch (Settings → Studio) and the steps slider (three tiers remain).
• A clip chosen to clone is transcribed for you when it is a WAV.
• The bar beside Generate says which model and voice will speak, and how many settings you changed; a click shows the inspector.

Recommended models and settings

• Every speech model was measured on a MacBook Air (intelligibility with two recognisers, naturalness, voice stability, speed, memory). Each page now recommends two or three models for its job and your language, with a one-line "best for" and a speed and quality hint; the others are one click away under "Show all models", and the ones that can't do the job (no cloning for a dub) are greyed out with the reason.
• Tuned defaults: Qwen3-TTS uses temperature 0.7 and top-p 0.8 unless you (or an API request) set them — the models' own 0.9 / 1.0 sounded worse and less stable; OmniVoice uses guidance 1.5 with 32 steps (16 for dubbing). The Local API and MCP tools follow the same defaults. Rendered chunks from before are made again once with the new settings.
• Removed: six speech models that misread, paused or covered too little in the tests — KittenTTS mini, MOSS-TTS-Nano, Chatterbox (multilingual), Marvis, Soprano and Pocket TTS. Seven remain: Qwen3-TTS 0.6B CustomVoice, 0.6B Base, 1.7B Base and 1.7B VoiceDesign, Kokoro, Chatterbox Turbo and OmniVoice (under Show all models). Drafts, projects, dubs, workflows, settings, history and API or MCP calls that name a removed model use its replacement — Kokoro, Qwen3-TTS 0.6B Base for MOSS-TTS-Nano, Chatterbox Turbo for Chatterbox and for cloning with Marvis, Soprano or Pocket TTS — and the app says so once; the API answers with replaced_by and a warning. A removed model's own speakers saved in My voices can't be used any more.
• Models → "Removed models still take X GB": Clean up deletes their files (after listing them); nothing is deleted on its own.
• Chatterbox's expressiveness control is gone with the multilingual model (Turbo does not take it).
• New dubs fit lines with "Smart fit" instead of "Lip sync": lip sync sped most Chinese lines up audibly (1.2–1.4×). Dubs you already made keep their timing.
• Kokoro's six Chinese voices are hidden (unintelligible in the tests); its English voices are the best English default.

Stories: dialogue that flows

• Turn-aware pacing: the silence between lines follows the conversation — shorter when a character goes on or answers a question, a little longer after a statement, shortest when a line is cut off (… —), longer around narration. Three presets (Dialogue, Reading, Relaxed) in the new Performance section; new stories use Dialogue, stories made before keep their fixed gap until you pick a preset. A line's own "pause after" still wins.
• Consecutive lines of one character are said in one go, so the voice flows from one sentence into the next, then split back into lines at their pauses (player, stems and the sidecar see lines as before; a turn that cannot be split is made line by line). The pause inside a turn is kept close to the preset's.
• Each character's lines are brought toward one loudness (measured 4–7 LU apart on Qwen3-TTS before, about 1 after).
• A scene for the story, a persona for each character and a direction (with an intensity) for each line. Qwen3-TTS CustomVoice and VoiceDesign hear them as an instruction with every line; other models say lines as written, and the page says so ("Line by line"). Never spoken.
• AI director: the writing-help language model (Qwen3 4B on this Mac by default) reads the story and fills in the scene, personas and directions; edit any of them, Undo, or direct again.
• Imported scripts keep stage directions out of the spoken text: 妈妈（温柔地）：…, MOM (softly): …, [Mia] (pleading) … become the line's direction.
• Agents: update_longform sets a story's scene, personas, directions, intensities and pacing, and direct: fill | all runs the AI director; get_longform shows them with the model's continuity level.
• The catalogue marks Qwen3-TTS CustomVoice and VoiceDesign as taking instructions, as the engine reports them; dubs and stories ask one predicate.

Export audio

• History's takes have an Export button (and Export… in ⋯); the Studio's latest take, a take's details and Projects open the same Export audio dialog, which replaces the Save as… menu.
• Choose the format (WAV; M4A through the engine; MP3, FLAC and Opus with ffmpeg, greyed out with a pointer to Settings → Audio tools without it), the bit depth or bitrate, the sample rate and the channels; bring the file to −16, −18 or −23 LUFS with a true-peak ceiling; trim the silence at both ends; name the file and its title and artist tags; save the script and subtitles beside it. The dialog shows the size and length before you export, and remembers your choices for each kind of take (Studio, voice preview, converted recording, Local API).

Writing help no longer fails during a render

• The language model on this Mac now waits for its turn when a render, dub or batch is using the engine, instead of failing with "the engine is busy": writing help, the AI director, dub translation, transcript clean-up, the direction coach, phone calls and API/MCP requests go next, ahead of queued batch work (a running job is never interrupted). These short requests don't appear in the jobs list. Their time limits count from when the model starts.
• Dictation never waits for a render: while one runs, it types the polished text at once without the model's clean-up. The Tools direction coach shows 「等待当前任务完成…」 (Waiting for the current job to finish…) and, if the job is still running after 30 s, reads the note by keywords.