# 项目协作主控文件 (doco/CLAUDE.md) --- ## 🔖 状态栏 (STATUS — 每次结束 session 前必须更新这三行) - **最后更新**：账号A ｜ 2026-06-18（晚，收摊；建议接手者开新 session） - **当前状态一句话**：**ep003（小尺寸大讲究）全流程 P1→P2→C1→C2→C3→C4 端到端跑通，通哥已复查、管道判过**——产出 `..._孙逸昊_融合A稿.docx`，红线汉字零改/对齐正确（4 空段=播出剪掉的狙击枪段，非 bug）。**复查发现一个必修项：标点层整篇偏保守（88% 逗号），ep002 铺开前要修标点 prompt**（详见待办）；专家/三维动画标签缺失=原稿没标、不赖程序。**ep002/ep004 上游仍全空**，下一步=配 Ollama 并发 + 修标点后跑这两期。 - **下一个动手的人从这里开始**：见下方「⏩ 交接备注」（新 session 必读，已为 ep002/ep004 重写） --- ## 🤖 给 AI 的工作约定 (READ FIRST) - 开始任何工作前，先读完本文件，特别是「状态栏」「交接备注」「关键决策」三节。 - 完成一段工作后**增量更新**：「已完成」追加一条、「待办」勾掉或新增、必要时更新「关键决策」，最后改「状态栏」三行。不要重写整份文件，不要删历史，只追加/勾选。 - 涉及发送、发布、删除、改权限、付款等不可逆操作前，先在对话里跟通哥确认。 - **本文件与项目设计文档并列，构成 doco 子项目宪法。冲突时优先级：本文件 STATUS/交接 > `doco_P3续接快照_C1完工C2起步.md` > `doco_P3_设计稿.md` > `doco_project_design.md`（越新越权威，尤其"LLM 提供方"那条以快照为准）。** 新对话接手时连同上述文档一并阅读。 ------ **Claude（Opus 高级技术顾问）与制片人刘通协作原则** 1. 全程使用简体中文。 2. 通哥不懂代码编程，解释要简明扼要，说人话，不堆术语。 3. 为了节省Claude的Token，你主要的工作是plan和审核cline的报告，除非cline3次及以上修改过不去的坎，你可以直接动手改代码。 4. 给 Cline 的指令一律用代码块封装，并明确标 ACT / Plan，方便复制。 5. 回复简明扼要，不解释太多中间过程；**独立核验 Cline 自报结果，对着源数据查证，不轻信口头诊断**（本项目已多次靠核验抓到 Cline 偷换模型/术语源、误判字数）。 6. 长批处理（OCR/ASR）放独立终端跑，不要让 Cline 盯。 7. git 直接推 main，不开分支。 --- ## 1. 项目概览 - **项目名**：doco 文稿整理模块（《军事科技》TPS 工作台子模块） - **目标**：把 **A稿（编导定稿）+ B稿v2（屏幕字幕，P2 产出 743 行）+ ASR（口语实况）** 三方交叉融合，产出两个内容一致、形态不同的交付物： - **融合B稿**（给爱德华）：碎句 + 密集字幕级时间戳 `[XmYs] 文本` - **融合A稿**（给编导）：公文格式 docx，保留【导视】【主持人N】【解说N】【专家N】【隔断】分段 - 一致性约束：融合A稿**由融合B稿生成**（按 A 稿分段归拢 + 套格式），不是事后比对硬凑。 - **范围边界（别越界去做）**：本模块只做"三方文本 → 终版"。**不做** OCR 识别（P2 已产出 B稿v2）、**不做**音频转码本身（属 ASR 适配层）、**不做**档案入库、**不做**编导确认 UI。 --- ## 2. 技术栈与运行方式 - **语言**：Python（openai SDK 走 DeepSeek 兼容端、ffmpeg、python-docx） - **关键目录**： - `src/doco/llm.py` — DeepSeek 统一客户端，`chat(messages, model=None, thinking=None, max_tokens=...)`，从 `doco/.env` 读 key/base_url/model - `src/doco/term_extract.py` — C1：规则层 + AI 层提取 + 词典累积 + 热词清洗 - `src/doco/asr_adapter.py` — C2 讯飞 ASR 适配层（已完工）：`get_hot_words(episode_id)` 读热词表、`transcribe()` 返回 `(句子, raw)`、`write_asr_result()` 落 `asr_v2_timed.txt` + `asr_result_raw.json` - `src/doco/video_split.py` — P1：含 `extract_audio()`（16kHz/单声道/16bit WAV），C2 直接复用，不另写 ffmpeg - `src/doco/fusion_review.py` — C3：B稿v2 ⊕ ASR 交叉复审 → 融合B稿(743行) + fusion_review.csv - `src/doco/cli.py` — 命令入口（split / terms / asr / fuse） - `doco/data/term_dict.json` — 累积词典（当前 110 条） - `doco/programs//` — 每期产物（热词表、各阶段输出） - **常用命令**： - C1（已实现）：`doco terms --episode-id --a-script [--no-ai]` - C2（已实现）：`doco asr --episode-id --input-video <绝对路径mp4> --output-dir <绝对路径 doco/programs/>`（`--skip-asr` 只分离不转写）。**务必传绝对 `--output-dir`，否则落到当前工作目录的 `programs/` 会与 doco 产物分家。** - C3（已实现）：`doco fuse --episode-id [--no-ai] [--batch-size 35]` - C4：待实现 - **环境变量 / 密钥**：只放 `doco/.env`（已在 `.gitignore`）。需要的 key：`DEEPSEEK_API_KEY` / `DEEPSEEK_BASE_URL` / `DEEPSEEK_MODEL`、`XFYUN_APP_ID` / `XFYUN_SECRET_KEY`。**代码与对话里只引用变量名，绝不出现真值。** --- ## 3. 当前进度（核心交接区，以最新快照为准） - **正在做**：批量化首批三期。**ep003 已端到端跑通**（P1→P2→C1→C2→C3→C4 全过，融合A稿出稿，红线/对齐核验通过）。**下一步：ep002（潜艇）+ ep004（枪王）跑完整流水线**，并发 OCR 在 ep002 首秀；再把 C1→C2→C3→C4 串一键脚本。 - **卡点 / 待解**：无硬卡点。**ep002 跑前必做：配 Ollama 并发**（设 `OLLAMA_NUM_PARALLEL=4` + 重启 Ollama + 看显存别溢出共享内存；客户端 stage_a 已改 4 线程，两边都要才生效）。OCR 漏字决定不补、seg8/seg27 一逗到底（见关键决策）。 --- ## 4. 已完成（只追加，最新在最上） - [2026-06-18 晚 ｜账号A] **ep003（小尺寸大讲究）批量首期·全流程端到端跑通**（P1→P2→C1→C2→C3→C4 六阶段）。产出 `20260331枪械设计中的小尺寸大讲究_孙逸昊_融合A稿.docx`。逐阶段实测数：P1/P2 出 **B稿_v2.txt 698 行**（OCR 串行，未用并发）；C1 出 **60 热词**（词典累至 172 条，AI 候选回查 A稿无幻觉）；C2 讯飞真转写 **278 句带时间戳**（热词偏置生效，型号命中良好）；C3 fuse 698 行零偏移、仅 1 处 minor_edit、留痕 1 条；C4 compose 20 段、硬校验**汉字零改逐段通过**、1 处标点回退(seg_6)。**核验三连**：① **4 个空段(seg15–18:主持人7/解说8/主持人8/解说9)确认是播出剪掉的 VSS 微声狙击枪 + NTW-20 南非大炮整段**——融合B稿里 VSS/NTW/南非/消音/反器材**零出现**，seg14 边界抽查(593–681 全 HK416、682 起进结束语)证对齐正确，非 bug；② **C3 同音字坑已抓修**：LLM 把权威 B稿"斯泰尔"按 ASR 同音盖成"斯太尔"(519 行)，已改回，与 487 行及 A稿一致；③ **出稿命名生效**——`{原A稿stem}_融合A稿.docx`，不覆盖原始定稿。**本期间改的代码**：(a) `stage_a_extract_ocr.py` 修 GBK 崩溃(ffmpeg 子进程加 `encoding=utf-8,errors=replace`)+ 去掉 A3 硬编码 ep001 台词断言改通用中文冒烟检查 + **加并发 OCR(ThreadPoolExecutor/`OCR_NUM_WORKERS`默认4/idx-set 续跑)**——并发**未在 ep003 实跑**(ep003 走串行)，ep002 首秀；(b) `fusion_align.py` a_candidates glob 排除"融合/批改"稿(防重跑把自己输出当输入) + 出稿改名带原稿信息。 - [2026-06-18 ｜账号A] **A稿解析器升级：正则 → LLM分段骨架 + 人工确认 + ignore合并**。起因：量产三期(ep002/003/004) A稿格式与 ep001 天差地别（冒号头/正文同段、`【固摇轨】`镜头标记酷似段头、正文整段加粗、小剧场对话角色头），原 `parse_a_segments` 纯正则(`^【.+?】$`)必散架。新机制(`fusion_align.py`)：`extract_a_paragraphs`(带 bold/align 样式) → `extract_skeleton_llm`(thinking=True/max_tokens足量，**LLM 只判结构不碰正文**，输出 type/role_label/para 区间 JSON) → `validate_skeleton_coverage`(全覆盖硬校验，抓 LLM 数错下标/JSON 截断) → 落 `_a_skeleton.json` + 人类预览表 → `parse_a_segments` 改读骨架按下标原样抽正文(inline 头切冒号、standalone 头取后续段、**ignore 段丢弃**、**相邻同 role_label 仅隔 ignore 的 normal 段合并**)。新命令 `doco skeleton --episode-id --a-script `。**三期骨架已产并人工核验通过**：人名零泄露(刘通/孙逸昊/左鑫/穆佩弦/主持人真名都没混进 role_label)、覆盖完整、ep002 四隔断认对、ep003 九个`（出枪柜）`等归 ignore 且主持人被运镜切断后正确合并(37→20段)、ep004 小剧场卡/斯角色保留。ep001 无骨架时仍走旧正则 fallback，不受影响。 - [2026-06-18 ｜账号A] **P3-C4 第一批（保守版）收口**：`fusion_align.py` 把融合B稿743行碎句按 A稿 28 段（含 4 隔断）对齐归拢，套公文 docx 出稿 `融合A稿.docx`。**两条铁律守死**：①汉字零改——正文 100% 来自融合B稿；②标点由 LLM 按语义增删（一逗到底→正常断句）。机制：(a) **AI 对齐层**喂完整 A稿正文、seg_id 单调不减、thinking=True/4096、缓存 `.c4_cache/batch_N.json`；(b) **标点层** `punctuate_segment` 用 STRICT prompt（只许插标点、禁增删改字）+ 硬校验 `strip_punct(出)==strip_punct(入)` 不过即 3 次重试、再不过回退裸文本进 review，缓存 `punct_seg_N.json`，thinking=False/3000。**红线核验脚本逐段 strip_punct 比对 28/28 全过**（diff 全 equal）。隔断按 `^隔断：【(.+?)】` 正则识别、独立成段、line_count=0、位置正确（解说1/主持人2/3/4 后各一）。标点 `punct_ok` 26/28；seg8(专家2)、seg27(专家7) 两段 LLM 顽固插连接词触发回退、已落裸文本+标记"需人工"，归第二批。产物：`融合A稿.docx` + `c4_alignment.csv`（32行对齐表，含 start/end_line、confidence、punct_ok、note）。命令 `doco compose --episode-id `。 - [2026-06-17 ｜账号A] **P3-C3 收口**：`fusion_review.py` 逐行复审 B稿v2 ⊕ ASR（22 批×35行=743行），产 `融合B稿.txt`（行数/时间戳零偏移）+ `fusion_review.csv`（5条真OCR纠错留痕）。关键机制：断点缓存 `.c3_cache/batch_N.json` 可复用；硬校验行数/时间戳/change_type枚举不过不写文件；后处理修正 `final_text==B原文` 被 LLM 误标为 `minor_edit` 的行（19→5）。`--no-ai` 全 unchanged 可验证管道。 - [2026-06-17 ｜账号A] **P3-C2 收口**：密钥外置三验收点全过（硬编码已删/读 .env/已 gitignore）+ 旧 key 已轮换；`asr_adapter.py` 并入讯飞上传·轮询·解析，复用 P1 `extract_audio` 分离 16kHz/单声道/16bit WAV；新增 `doco asr` 命令读 C1 64条热词。**真转写《现代防空反导大对决》27分钟音频 → 310句带时间戳**，萨德×6/塔米尔/爱国者/箭二箭三/见证者等术语命中良好，raw json 730KB 落盘。（顺带修 `extract_audio` 在 Windows 的 `text=True` 解码崩溃。） - [2026-06-16 ｜账号A] **P3-C1 收口**：A稿→规则+DeepSeek AI 提取→累积词典110条→热词清洗→本期热词表64条；AI 44 候选已逐个回查 A 稿原文无幻觉，算术对账一致。 - [P2 ｜本轮之前] 本地 OCR（DeepSeek-OCR/Ollama）+ 扒词流水线，产出 **B稿_v2.txt 743 行**。 - [P1 ｜本轮之前] 帧筛流水线完工。 --- ## 5. 待办（按优先级，做完打勾） - [x] **C3**：B稿v2 ⊕ ASR 交叉复审 → 融合B稿(743行时间戳零偏移) + fusion_review.csv(5条留痕)。 - [x] **C4（全部收口）**：融合B稿按 A稿28段对齐归拢 → 融合A稿 docx（公文格式）。汉字零改 + LLM 按语义加标点，红线 28/28 段逐字一致。`doco compose --episode-id `。**OCR 漏字决定不补**（讨论见关键决策）；seg8/seg27 两段标点接受一逗到底。 - [x] **A稿解析器升级**：正则 → LLM分段骨架+人工确认+ignore合并；三期骨架已产并核验通过。`doco skeleton`。 - [~] **批量化首批三期·跑完整流水线（下一步主线）**：**ep003 已跑通收口**（见已完成）。剩 **ep002（潜艇，中等）+ ep004（枪王，最难·小剧场密）** 仍上游全空。每期顺序 **P1抽帧 → P2 OCR(出B稿v2) → C1术语 → C2 ASR → C3融合 → C4 compose**。重活在 P2 OCR 与 C2 ASR(讯飞额度)。**ep002 跑前先配 Ollama 并发**(见下条 backlog)。stage 脚本从**已修好的 ep003 版**复制，别再拿 ep001 的。 - [ ] **【ep002 跑前必做·其一】标点层 prompt 修复（高优）**：ep003 复查实锤标点层整篇偏保守——逗号 511 vs 句号 70（断句标点 88% 逗号），语义该断句处全是逗号。根因判断：标点层关 thinking + STRICT prompt 只强调"别改字"、没强调"完整陈述句结尾用句号"。修法：prompt 里明确要求正常断句 + 给反例（过度逗号→句号），**有 strip_punct 硬校验兜底，标点层可放开手脚不怕越界**。修完重跑 ep003 `doco compose` 刷新 docx。不破红线（汉字零改），但不修则每期都要人工大改标点=自动化失义。 - [ ] **【ep002 跑前必做·其二】配 Ollama 并发**：设 `OLLAMA_NUM_PARALLEL=4` + 重启 Ollama(托盘退再开，别在有任务时退) + 重启后看显存别溢出共享内存。客户端 stage_a 已是 4 线程，光设环境变量没用，两边都要。 - [ ] **【产品 backlog】原稿缺【专家N】/【三维动画N】标签**：ep003 复查发现编导原稿里就没有专家、后续三维动画的分段标注，骨架如实反映=融合A稿里也没有（通哥手工补了高亮）。不赖程序（原稿零信号，LLM 与人一样猜不准），**不让程序猜**。治本=提醒编导/责编原稿把【专家N】等段头标全；50 期前在导入须知里写清。 - [ ] **【backlog】C3 prompt 收紧**：专有名词(厂名/型号/番号)遇 ASR 同音异写，必须以 B稿v2/A稿为准、不许采 ASR——ep003 已踩"斯泰尔→斯太尔"，50 期批量前在 prompt 里收紧防复发。 - [ ] **串一键脚本**：把 C1→C2→C3→C4 串成"一条命令跑一期"(薄壳，各阶段已有断点缓存)，验 2-3 期稳定后再谈监控文件夹/绑定界面。 - [ ] **骨架小瑕疵 backlog（不拦路，后期顺手或跳过）**：ep002 演播室主持人 vs 主持人 是否统一；ep004 小剧场角色编号乱(斯9/斯通纳10、卡8跨场)直接改 JSON 即可，不必重调 LLM；ep003 行内`【固摇轨】`留在参照正文(无害，不进输出)。 - [x] **C2** 讯飞 ASR 适配层（密钥外置 + asr_adapter 并入 + `doco asr` 命令 + 真转写310句） - [x] P3-C1 术语提取 + 词典 + 热词表 - [x] P2 本地 OCR + B稿v2 - [x] P1 帧筛 --- ## 6. 关键决策（为什么这么做 — 跨 session 最易丢，别推翻） - [2026-06-18] **A稿段头识别改用「LLM 判结构 + 人工核骨架」，不用死正则。** 编导写法千变万化(方括号/冒号/前缀杂质`Xr`/`【固摇轨】`镜头标记/小剧场对话头)，正则分不清`【固】`(镜头)与`【主持人1】`(段头)——这是语义判断，交 LLM。**铁律：LLM 只输出结构(type/role_label/para 区间)，绝不复述正文；正文一律代码按下标从 docx 原样抽**(护住"汉字零改"红线)。配两道闸：① `validate_skeleton_coverage` 全覆盖硬校验(title 后每段恰好被覆盖一次，自动抓 LLM 数错下标/JSON 截断)；② 人类预览表给制片人肉眼核(重点抓真人姓名泄露/ignore 漏多/隔断认全)。`doco compose` 无骨架即报错(ep001 例外走正则)。 - [2026-06-18] **role_label 只标"段落类型"，严禁带任何真人姓名/配音员/编导署名。** 解说词只标【解说N】，不标谁配音(踩过 Cline 把"解说：刘通"标错)。但**小剧场里被演绎的历史人物/角色保留**(卡=卡拉什尼科夫、斯=斯通纳、小剧场N-主持人)——那是剧情内容不是配音员实名。有借鉴价值的修饰也留(三维动画解说/演播室主持人)，只清杂质(`Xr`/编号/空格)。 - [2026-06-18] **解析层合并"被 ignore 隔断的同角色段"。** 编导用`（出枪柜）（换枪）`镜头切换把一个主持人的话从中间切断(ep003)，骨架会切成两个同名`【主持人N】`。parse 后处理：相邻 normal 段 role_label 全等、中间仅隔 ignore，则合并(正文顺序拼接、ignore 内容丢弃)，避免输出里冒重复段头。合并条件要严，ep002/004 无 ignore 不受影响。 - [2026-06-18] **OCR 漏字决定不补（通哥拍板），不让 LLM 补词。** 三条理由:① 漏字的根在**上游抽帧/OCR**——缺的"那么/此外/一方面"都是两三字单独一屏、停留短被整屏漏掉,是真实信息丢失,文稿层无法"还原";② **LLM 补词=猜词=破"汉字零改"红线**,对专业性强、最贴近播出版的稿子风险不可接受;③ 口子守不住——seg8/seg27 标点回退正是 LLM 一有机会就想塞连接词被硬校验拦下,证明给余地它就动手。**真要科学补,唯一正路是 ASR 回捞**（这些连接词主持人/解说真说了,大概率在 ASR 310 句里）,而非 LLM 猜,但属 C3 级返工、本期不值;真做时先验 ASR 有无再说。**治本=提醒编导/责编别让两三字单独一屏**;本期连接词缺了能读懂,接受。 - [2026-06-18] **`融合A稿_批改.docx`(通哥手批)只当"看缺了什么"的参照,绝不当"让 docx 去贴它"的对齐目标。** 手批稿可能含其他润色,一旦去对齐就等于润色,违背"只守零改汉字+加标点、不润色其他部分"。 - [2026-06-18] **seg8(专家2 行169-216)/seg27(专家7 行584-608) 两段标点接受一逗到底（通哥选 B）。** 这是标点没点好,不是缺字,不碰汉字;若日后要美化由人工手点。 - [2026-06-18] **C4 红线由"汉字润色"转为"汉字零改、标点交 LLM 按语义增删"**（通哥拍板："转变后的红线更精准、更科学"）。理由：润色会让关键军事表述有不准确风险；保守做法正文 100% 来自融合B稿，只在字符间插标点。**硬校验 `strip_punct(LLM输出)==strip_punct(输入)`** 是这条红线的机器守门员（strip_punct 去掉所有 unicode 'P' 类标点+空白），不过即重试、再不过回退裸文本。**第一批先做保守版，润色/漏字回填留第二批。** - [2026-06-18] **thinking 要按任务分用，不是越开越好——这是 C1"thinking不关content为空"的孪生坑。** 两个独立故障：(a) **开 thinking 时 max_tokens 必须给足**：thinking 与正文 `content` 共享同一配额，配额不够 thinking 吃光 → 正文空输出（C4 标点层 @2000 实测吐 0 字）；(b) **浅层活（标点/抽取）开 thinking 会又慢又被推理空转吃光**：标点这种活开 thinking 单段 10+ 分钟还超时，关掉 thinking/3000 单段 6.9s 通过。**规则：语义对齐/融合这类深推理开 thinking 且给足 token（C4 对齐 4096）；标点、抽取这类浅层确定性活必须关 thinking。** - [2026-06-18] **A稿分段编号有重复（解说2/解说10 各出现两次）——任何按段头文本做 key 的字典都会把两次出现合并，必须按"文档出现顺序"切块/取块。** C4 红线核验脚本初版犯此错（解说2 行61-77 与行151-168 被并成一段、误报破线），改用 occurrence 队列后 28/28 全过。对齐表 c4_alignment.csv 用 seg_id 区分，不用段头文本。 - [2026-06-17] **C2 音频分离复用 P1 `video_split.extract_audio()`，不另写 ffmpeg。** WAV 落 `programs//audio_16k.wav`，已存在则复用（避免 1GB 视频重复解码）。实测产物 `pcm_s16le/16000Hz/1ch/16bit/1620s`，符合讯飞硬要求。 - [2026-06-17] **`doco asr` 不传 `--output-dir` 会落到当前工作目录的 `programs/`**（命令在 repo 根 `E:\tps-dashboard` 跑时尤其坑），与 doco 产物分家。**命令一律用绝对 `--input-video` + 绝对 `--output-dir`。** - [2026-06-17] **ASR 输出是口语形态，型号不规范属正常**（如「箭二箭三」非「箭-3」、「高超音速/高超声速」混用）。按设计稿口语信 ASR、型号规范信 A/B 稿，**这些归一交给 C3，别回头改 C2**。 - [2026-06-16] **AI 融合层 LLM = DeepSeek v4-pro，不是 Claude。** 制片机无 Anthropic key；DeepSeek key 现成。接入：OpenAI 兼容，`base_url=https://api.deepseek.com`、`/chat/completions`、模型名走 `DEEPSEEK_MODEL=deepseek-v4-pro`。C1、C4 都用它。**（此条覆盖 `doco_P3_设计稿.md` 里写的 Claude API。）** - [2026-06-16] **抽取类任务必须关 thinking。** DeepSeek V4 默认开 thinking，不关则正文 `content` 为空（已踩坑）。做法：`chat(..., thinking=False)` → `extra_body={"thinking":{"type":"disabled"}}`，给足 `max_tokens`（C1 用 4000）。**C4 语义融合可开 thinking**（单轮调用，质量优先）。 - [2026-06-16] **旧模型名 `deepseek-chat`/`deepseek-reasoner` 禁用**（2026-07-24 退役且现指向 flash）。只认 `deepseek-v4-pro`。Cline 曾擅自退回 deepseek-chat，已纠正。 - [2026-06-16] **C1 术语源 = A稿（规范写法），不是 B稿。** Cline 曾擅自换成 B稿v2，已纠正。 - [2026-06-15] **讯飞用「录音文件转写标准版」，不要大模型版**（免费包阉割 `language` 参数，会报误导性 `language verify fail`）。参数锁定：`pd=mil`、`eng_smoothproc=true`、`eng_colloqproc=true`、`hotWord=`、`language=cn`。签名 `signa=base64(HmacSHA1(MD5(appid+ts), secretKey))`；`/upload` 拿 orderId，轮询 `/getResult` 到 status=4。 - [2026-06-15] **B稿v2 权威升级**：屏幕术语/型号/番号 **B稿v2 ≈ A稿 并列权威**（B稿是屏幕实打的字，更贴近播出）。口语/语序/语气信 ASR；书面结构/分段信 A稿；同音事实错（美以→美伊）用 A稿/B稿v2 覆盖 ASR。 - [2026-06-18 晚] **C3 会拿 ASR 同音字盖权威 B稿专名——必须核验留痕、专名一律以 B稿/A稿为准。** ep003 实证：B稿"斯泰尔"(奥地利厂名)被 C3 LLM 按 ASR 同音改成"斯太尔"，造成 487/519 行不一致。已手改回。这正是上条权威规则的反例落地：**厂名/型号/番号遇 ASR 同音异写，零容忍采 ASR**。50 期批量前应在 C3 prompt 收紧（见待办 backlog）；每期 fuse 后扫一眼 `fusion_review.csv` 的 minor_edit 是不是专名同音改。 - [2026-06-18 晚] **C4 出现空段≠对齐 bug，先查"是不是播出剪了这段"。** ep003 有 4 个空段(seg15–18 整段 VSS 微声狙击枪 + NTW-20)，一度疑似对齐错乱。核验路径：去**融合B稿**里 grep 该段专属词(VSS/NTW/南非/消音/反器材)，零命中=播出确实剪了；再抽查相邻实段边界确认没把别段内容错塞过来。结论是 C4 如实留空、对齐正确。**空段是常态（播出删戏），别当 bug 去"修"。** - [2026-06-18 晚｜通哥复查] **C4 标点层整篇偏保守是真缺陷，须在批量铺开前修——但不破红线。** ep003 复查实测逗号 511 vs 句号 70（断句标点 88% 逗号），语义该断处全逗号。根因：标点层关 thinking + STRICT prompt 只强调"别改字"未强调"句子结尾用句号"。**红线（汉字零改）由 strip_punct 守着没破，所以标点层尽可放开 prompt 让它正常断句、不怕越界**。修复列 ep002 前必做，修完重跑 ep003 compose 刷 docx。这条把先前"seg8/seg27 一逗到底可接受"的范围收窄：个别段一逗到底可接受，但整篇 88% 逗号不可接受、必须修。 - [设计期] **分层不变**：OCR 错字纠正、术语统一、时间戳对齐走**规则层**（确定性）；段落归属、整段删除判定、编导笔误识别走 **AI 层**（需语义判断）。 - [设计期] **顺序约束**：术语提取（C1，产热词）必须在 ASR（C2）之前——已成立。 - [2026-06-17] **`fusion_review.csv` 定位 = 留痕档案（给爱德华/复核），不是编导读物。** 编导读的是 C4 docx。CSV 可读性不优化，只看 final_text 准不准。 - [2026-06-17] **`final_text==B原文` 强制归 `unchanged` 不进 review。** LLM 有时把"考虑后决定保留 B 稿原文"标成 `minor_edit`，但实际没改字。`fusion_review.py` 的 `_normalize_unchanged_when_no_edit()` 在写文件前修正（review 19→5）。 - [2026-06-17] **`change_type` 的 `minor_edit`/`editor_typo` 边界 LLM 把握不稳**（OCR 错字两类混标）。仅 metadata 标签不一致，`final_text` 全对，不影响融合B稿正文。本轮决定忽略；若 C4/爱德华按 `change_type` 做逻辑分流，届时在 prompt 里收紧两个枚举的边界定义。 - [工程纪律] 各阶段解耦、中间产物落缓存、可断点续跑、可单独重跑；长批处理放独立终端。 --- ## 7. ⏩ 交接备注（写给下一个接手的 session） > 下次开工读完这段应能 0 摩擦续上。接手后可清空重写。**（本段已为「ep002 + ep004 续跑」重写，2026-06-18 晚）** - **大局**：ep001 + **ep003 两期已全流程跑通**、融合A稿就位。代码管道（C1 terms / C2 asr / C3 fuse / C4 compose + skeleton）全部可用且经 ep003 实战验证。现在剩 **ep002 + ep004** 两期要跑。 - **这两期现状（关键！）**：`ep002_20260127_qianting_fangsheng`（潜艇仿生，中等）/`ep004_20260526_qiangwang_duijue`（枪王对决，最难·小剧场密）。**只做了 A稿分段骨架（skeleton），上游全空**——没抽帧、没 OCR、没 B稿v2、没 ASR、没融合B稿。每期目录现有：原始 A稿 docx + mp4（约 1GB，规格与 ep001/ep003 同 = 黑底白字字幕，OCR/ASR 共用）+ `_a_skeleton.json` + `_a_skeleton_preview.txt`。骨架已人工核验过，**别重跑 skeleton**。 - **第一句话该干的**：**ep002 起跑上游流水线，但跑 P2 OCR 前先配 Ollama 并发**（ep003 是串行跑的，慢）。配法：设 `OLLAMA_NUM_PARALLEL=4` → 重启 Ollama（托盘退再开，别在有任务时退）→ 重启后看显存别溢出共享内存。**客户端 stage_a 已改 4 线程（`OCR_NUM_WORKERS` 默认 4），光设环境变量不生效，两边都要。** 并发是 ep002 首秀，盯一眼是否真比串行快、有没有掉帧/重复行（stage_a 用 idx-set 续跑，乱序写安全）。 - **每期顺序**：P1 抽帧 → P2 OCR（DeepSeek-OCR/Ollama，独立终端）→ C1 术语 → C2 讯飞 ASR（花额度）→ C3 fuse → C4 compose。**stage 脚本从已修好的 `ep003` 目录复制，别拿 ep001 的**（ep003 版已修 GBK 崩溃 + 去掉硬编码 ep001 台词断言 + 加并发）。`doco compose` 跑前必须先有融合B稿（C3 产物），否则报错——别跳着试。 - **推荐节奏**：先 ep002（中等、当并发烟雾测试），最后 ep004（最难，小剧场历史人物对话密）。 - **量产坑（务必记住）**： 1. 每期热词/术语不同，**C1 每期重跑**；A稿分段编号各有各的重复/空格脏，**按出现顺序走、别假设单调唯一**。 2. **C3 fuse 后必扫 `fusion_review.csv`**：专名（厂名/型号/番号）若被 ASR 同音字改了要打回（ep003 踩过"斯泰尔→斯太尔"，见关键决策）。 3. **C4 出现空段先别当 bug**：多半是播出剪了那段戏，去融合B稿 grep 该段专属词确认（见关键决策）。 4. **OCR 漏字本期不补**（通哥拍板）——根在抽帧/OCR 漏两三字单屏，LLM 补词=破红线。 5. **ASR 花讯飞额度、embedding 花 MiniMax 额度**；长转写/OCR 放独立终端别让 Cline 盯。 6. Cline 会偷换模型/术语源、误判字数、口头猜错根因——**自报结果一律对源数据核验**。 7. **thinking 分任务用**：语义对齐/骨架开、标点/抽取/融合关（见关键决策 2026-06-18）。 - **出稿命名已改**：`{原始A稿stem}_融合A稿.docx`（不覆盖原始定稿）；`fusion_align.py` 选 A稿的 glob 已排除"融合/批改"字样，重跑 compose 不会把自己输出当输入。 - **串一键脚本（ep002/ep004 验稳后做）**：把 `doco terms → asr → fuse → compose` 串成"一条命令跑完一期"（C1→C4；P1/P2 OCR 重且慢，先独立跑）。批量化形态（监控文件夹 vs 绑定界面）通哥未拍板，先把半自动脚本串顺。 - **骨架小瑕疵 backlog（非阻塞）**：ep002「演播室主持人」vs「主持人」可统一；ep004 小剧场角色编号（卡8/斯9/斯通纳10）可清连续（直接改 JSON，别重跑 LLM）。 - **字体坑（C4 出稿）**：大标题方正小标宋_GBK（商业字体），出稿前确认制片机/编导机已装，否则脚本回退（标宋→宋体加粗）。 - 通哥连轴转了几轮，回复要紧凑。 --- ## 8. 待确认 / 开放问题（需通哥拍板，AI 别自行假设） - ~~**B稿_v2.txt 就位**~~：已完成（通哥已拷进 episode 目录并随 9340edc 入库）。 - ~~**讯飞旧 key 轮换**~~：已完成（新值已在 `doco/.env`，旧 appid `84eff996` 代码内无残留）。 - **方正小标宋字体可用性**：C4 出稿前确认两台机器是否已装。 - **OCR 并发提速**（P2 遗留）：`OLLAMA_NUM_PARALLEL` 4–8 路，预计把 ~30 分钟压到十分钟出头；**correctness 全部验证后再做**，现在不动。 - **讯飞单源依赖**（远期）：是否接阿里云 ASR 做备份/交叉验证。