feat: CCA 唱词助手子项目 v3 — 脚本版流水线完成

新增 cca/ 子项目：编导A稿+人声音频 → ASR+AI校对+AI折行 → 5段SRT字幕。
- 讯飞录音文件转写标准版（热词注入）
- DeepSeek AI校对（严格纪律：只改错别字/术语/填充词，不润色）
- DeepSeek AI折行（语义断句，≤14字/行）
- 节目结构自动切分（导视/正片×3/预告）
- 绝对时间戳SRT输出（大洋系统兼容）

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

cca/src/ai_proofreader.py

@@ -0,0 +1,163 @@
+# -*- coding: utf-8 -*-
+"""
+AI 校对器 — ASR 稿与 A 稿比对 + 上下文纠错
+
+解决的核心问题:
+- ASR 同音字误识别（"建制"→"舰只"、"舰手"→"舰艏"）
+- 军事术语规范化（"f15j"→"F-15J"）
+- 的/地/得纠错
+- 去除口语填充词（"嗯""那个""就是说"）
+
+策略:
+- 将 ASR 全文 + A 稿全文一起发给 DeepSeek
+- AI 结合节目主题和上下文做纠错
+- 返回修正后的句子列表 + 修改说明
+"""
+
+import json
+import os
+import sys
+from pathlib import Path
+from typing import List, Tuple, Dict
+
+try:
+    from dotenv import load_dotenv
+    _env_path = Path(__file__).resolve().parent.parent / ".env"
+    if _env_path.exists():
+        load_dotenv(str(_env_path), override=True)
+except Exception:
+    pass
+
+
+PROOFREAD_SYSTEM_PROMPT = """你是电视军事节目《军事科技》的字幕校对专家。你将收到两份材料：
+1. **ASR稿**：语音识别的转写结果，带有时间编号，是字幕的基础
+2. **A稿**：编导写的节目文稿（仅包含解说词，不包含专家采访的具体内容）
+
+你的任务是校对 ASR 稿中的**语音识别错误**。
+
+**铁律（违反任何一条都算失败）：**
+- ASR稿是已经录好的音频的转写，内容不能改——**绝不润色语句、绝不调整语序、绝不增删实词**
+- 只修三类问题：① 错别字/同音字 ② 术语格式 ③ 口语填充词
+- 除这三类外的一切文字，原封不动照抄，一个字都不能动
+- A稿只用来判断"这个词在本期节目的语境下应该是哪个字"，不能把ASR稿往A稿的措辞上靠
+
+**允许修的三类：**
+1. **同音字/错别字**（ASR听错的字）：如"建制"→"舰只"、"舰手"→"舰艏"、"继承"→"击沉"、"空花弹"→"滑翔弹"
+2. **术语格式**：英文型号大小写+连字符（"f15j"→"F-15J"、"v22"→"V-22"、"rq四"→"RQ-4"）
+3. **口语填充词删除**：只删"嗯""呃""唉""啊""呢""那个""就是说""这个"这类纯填充词。如果"这个"后面紧跟名词作指示代词（"这个导弹"），保留不删
+
+**绝对不许做的（哪怕你觉得改了更好也不许）：**
+- 不许调整语序（"它在性质上就是"不许改成"它本质上就是"）
+- 不许替换实词（"不是那么特别的顺利"不许改成"不太顺利"）
+- 不许增删标点来改变句子结构
+- 不许把口语化表达改成书面语
+- 不许根据A稿的措辞替换ASR中意思相同但用词不同的表达
+
+**输出格式：**
+JSON数组，每个元素：{"id": 编号, "original": "原文", "corrected": "修正后", "changes": "修改说明（无修改写空字符串）"}
+只输出JSON，不要其他内容。"""
+
+
+PROOFREAD_USER_TEMPLATE = """**A稿（节目文稿，仅供参考）：**
+{script_text}
+
+**ASR稿（需要校对，请逐条检查）：**
+{asr_text}"""
+
+
+def _create_client():
+    api_key = os.environ.get("DEEPSEEK_API_KEY", "").strip()
+    if not api_key:
+        raise ValueError("请在 .env 中设置 DEEPSEEK_API_KEY")
+    from openai import OpenAI
+    return OpenAI(
+        api_key=api_key,
+        base_url=os.environ.get("DEEPSEEK_BASE_URL", "https://api.deepseek.com"),
+    )
+
+
+def proofread_batch(
+    asr_sentences: List[Tuple[int, int, str, int]],
+    script_text: str,
+    batch_size: int = 30,
+) -> List[Tuple[int, int, str, int]]:
+    """
+    对 ASR 句子列表做 AI 校对。
+
+    输入:
+        asr_sentences: [(start_ms, end_ms, text, speaker_id), ...]
+        script_text: A稿全文
+        batch_size: 每批处理的句子数
+
+    返回:
+        校对后的句子列表，格式同输入
+    """
+    if not asr_sentences:
+        return []
+
+    client = _create_client()
+
+    # A稿截取（太长的话截前8000字，够提供上下文了）
+    script_truncated = script_text[:8000] if len(script_text) > 8000 else script_text
+
+    corrected_sentences = list(asr_sentences)  # 浅拷贝
+    total_changes = 0
+
+    for batch_start in range(0, len(asr_sentences), batch_size):
+        batch = asr_sentences[batch_start:batch_start + batch_size]
+        batch_end = batch_start + len(batch)
+
+        # 构建 ASR 文本（带编号）
+        asr_lines = []
+        for i, (bg, ed, text, spk) in enumerate(batch):
+            asr_lines.append(f"[{i+1}] {text}")
+        asr_text = "\n".join(asr_lines)
+
+        print(f"[校对] 处理第 {batch_start+1}-{batch_end} 句...")
+
+        try:
+            resp = client.chat.completions.create(
+                model=os.environ.get("DEEPSEEK_MODEL", "deepseek-chat"),
+                messages=[
+                    {"role": "system", "content": PROOFREAD_SYSTEM_PROMPT},
+                    {"role": "user", "content": PROOFREAD_USER_TEMPLATE.format(
+                        script_text=script_truncated,
+                        asr_text=asr_text,
+                    )},
+                ],
+                temperature=0.1,
+                max_tokens=4000,
+            )
+
+            result_text = resp.choices[0].message.content.strip()
+
+            # 尝试解析 JSON
+            # 去掉可能的 markdown 代码块标记
+            if result_text.startswith("```"):
+                result_text = result_text.split("\n", 1)[1]
+                if result_text.endswith("```"):
+                    result_text = result_text[:-3]
+                result_text = result_text.strip()
+
+            corrections = json.loads(result_text)
+
+            # 应用修正
+            for item in corrections:
+                idx = item.get("id", 0) - 1  # 编号从1开始
+                corrected = item.get("corrected", "")
+                changes = item.get("changes", "")
+
+                if 0 <= idx < len(batch) and corrected and changes:
+                    original_idx = batch_start + idx
+                    bg, ed, _, spk = corrected_sentences[original_idx]
+                    corrected_sentences[original_idx] = (bg, ed, corrected, spk)
+                    total_changes += 1
+                    print(f"  修正: '{item.get('original','')}' → '{corrected}' ({changes})")
+
+        except json.JSONDecodeError as e:
+            print(f"[校对] JSON解析失败，跳过本批: {e}", file=sys.stderr)
+        except Exception as e:
+            print(f"[校对] 出错: {e}", file=sys.stderr)
+
+    print(f"[校对] 完成，共修正 {total_changes} 处")
+    return corrected_sentences