feat: 真实数据时间对齐集成测试框架
- tests/realdata_contract.py：数据契约底座（SRT 解析/清洗、时间对齐量化 指标 align_report、幻觉词/专名判定、提示词规则拼接） - tests/test_integration_alignment.py：流水线产物 vs 硬字幕参考的时间对齐 （真实数据复现"字幕过早/过晚"，红→绿闭环） - tests/test_integration_prompt_rules.py：寒暄幻觉/专名提示词规则测试 - scripts/extract_reference_srt.py：从烧录字幕视频自动提取参考时间轴 - testdata/REALDATA_README.md + alignment/*.reference.srt：真实参考字幕 （视频素材较大，gitignore 不入库）
This commit is contained in:
@@ -0,0 +1,335 @@
|
||||
"""真实数据契约与夹具工具（供集成测试共用，不 mock 模型）。
|
||||
|
||||
本模块是"用真实数据复现问题"测试框架的公共底座。两类集成测试
|
||||
（时间对齐 / 幻觉词与专名提示词）都只读取**用户提供的真实数据文件**，
|
||||
绝不构造假音频/假模型/假翻译输出来凑覆盖率；数据缺失时测试整体跳过。
|
||||
|
||||
数据契约（用户按下述约定提供真实文件即可，无需改动测试代码）：
|
||||
|
||||
1. 时间对齐数据（目录：testdata/alignment/）
|
||||
- 音频/视频素材：``testdata/alignment/<name>.wav|.mp4|...``（真实语音）
|
||||
- 参考字幕：``testdata/alignment/<name>.reference.srt``（人工校对的时间轴，
|
||||
即"说话真实发生的时间"），SRT 标准格式
|
||||
- 说明：测试对同一素材跑 whisper 节点（vad_filter 开/关两种配置），
|
||||
把产出的 transcript.srt 与 reference.srt 做时间对齐评估，量化"过早/
|
||||
过晚"的程度。若已有 .env 的 LLM Key，也可顺带评估翻译链路。
|
||||
|
||||
2. 幻觉词与专有名词提示词规则数据（目录：testdata/prompt_rules/）
|
||||
- 日文字幕样本：``testdata/prompt_rules/<name>.ja.srt``（真实视频的
|
||||
日文 ASR 输出，含"谢谢观看/晚安"等收尾寒暄、以及"芒果"等专名）
|
||||
- 期望处理：``testdata/prompt_rules/<name>.expected.txt``（每行一个
|
||||
语料关键词断言：剔除寒暄 / 保留专名原文）
|
||||
- 说明：测试用真实数据调用 llm-translate 节点（真实 LLM API，不 mock），
|
||||
断言动态拼入提示词规则后译文不再输出寒暄幻觉、专名不被直译。
|
||||
|
||||
每个测试函数都以"数据文件存在才运行，缺失即 skip"为前置，因此：
|
||||
- 本地缺少数据时 `uv run pytest` 全部跳过，不影响 100% 覆盖率门禁；
|
||||
- 把真实数据放入 testdata/ 后立即变为可执行的回归测试（红→绿闭环）。
|
||||
"""
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import json
|
||||
import re
|
||||
from dataclasses import dataclass, field
|
||||
from pathlib import Path
|
||||
|
||||
# 单体根目录：tests/ 的上一级。
|
||||
WORKSPACE = Path(__file__).resolve().parent.parent
|
||||
|
||||
# 真实数据根目录（gitignored，与 testdata/ 下已入库的测试资产分开）。
|
||||
REALDATA_DIR = WORKSPACE / "testdata"
|
||||
|
||||
# 时间对齐数据子目录、幻觉词/专名数据子目录。
|
||||
ALIGNMENT_DIR = REALDATA_DIR / "alignment"
|
||||
PROMPT_RULES_DIR = REALDATA_DIR / "prompt_rules"
|
||||
|
||||
# 时间对齐的量化指标：与参考时间轴的允许偏差（秒）。真实转写存在固有抖动，
|
||||
# 用较大容差区分"正常误差"与"系统性地过早/过晚"两类问题。
|
||||
TIER1_TOLERANCE_SECONDS = 0.5 # 第一档：单条字幕与参考的偏差阈值
|
||||
TIER2_EARLY_SECONDS = 0.7 # 第二档：系统性偏早阈值（超过即判定"过早"）
|
||||
TIER2_LATE_SECONDS = 0.7 # 第二档：系统性偏晚阈值（超过即判定"过晚"）
|
||||
|
||||
_ASR_PARAMS_VAD_ON = {
|
||||
"language": "ja",
|
||||
"chunk_seconds": 60,
|
||||
"vad_filter": True,
|
||||
"condition_on_previous_text": False,
|
||||
}
|
||||
_ASR_PARAMS_VAD_OFF = {
|
||||
"language": "ja",
|
||||
"chunk_seconds": 60,
|
||||
"vad_filter": False,
|
||||
"condition_on_previous_text": False,
|
||||
}
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# 数据探查：真实数据文件是否存在
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
|
||||
def alignment_candidates() -> list[Path]:
|
||||
"""返回时间对齐测试可用的真实素材文件列表（存在才列出）。
|
||||
|
||||
识别规则：``testdata/alignment/`` 下任意 ``<name>.<ext>``（音频/视频），
|
||||
且必须存在同名 ``<name>.reference.srt`` 参考字幕。两者齐备才是可用样本。
|
||||
"""
|
||||
if not ALIGNMENT_DIR.is_dir():
|
||||
return []
|
||||
candidates: list[Path] = []
|
||||
for path in sorted(ALIGNMENT_DIR.iterdir()):
|
||||
if path.suffix.lower() in {
|
||||
".wav", ".mp3", ".flac", ".m4a", ".aac", ".ogg",
|
||||
".mp4", ".mkv", ".mov", ".webm", ".ts",
|
||||
}:
|
||||
ref = path.with_suffix(".reference.srt")
|
||||
if ref.is_file():
|
||||
candidates.append(path)
|
||||
return candidates
|
||||
|
||||
|
||||
def prompt_rule_candidates() -> list[Path]:
|
||||
"""返回提示词规则测试可用的真实样本列表（存在才列出）。
|
||||
|
||||
识别规则：``testdata/prompt_rules/`` 下任意 ``<name>.ja.srt``，
|
||||
且必须存在同名 ``<name>.expected.txt`` 期望清单。
|
||||
"""
|
||||
if not PROMPT_RULES_DIR.is_dir():
|
||||
return []
|
||||
candidates: list[Path] = []
|
||||
for path in sorted(PROMPT_RULES_DIR.glob("*.ja.srt")):
|
||||
expected = path.with_suffix("").with_suffix(".expected.txt")
|
||||
if expected.is_file():
|
||||
candidates.append(path)
|
||||
return candidates
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# SRT 解析（纯函数，供参考与产物共同使用）
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
_SRT_BLOCK_RE = re.compile(
|
||||
r"(\d{2}:\d{2}:\d{2},\d{3})\s*-->\s*(\d{2}:\d{2}:\d{2},\d{3})\s*\n(.*?)(?=\n\s*\d+\s*\n|\Z)",
|
||||
re.DOTALL,
|
||||
)
|
||||
|
||||
|
||||
def parse_srt_entries(text: str) -> list[dict]:
|
||||
"""解析 SRT 为 [{start, end, text}]（秒为单位）。"""
|
||||
entries: list[dict] = []
|
||||
for match in _SRT_BLOCK_RE.finditer(text):
|
||||
entries.append(
|
||||
{
|
||||
"start": _ts_to_seconds(match.group(1)),
|
||||
"end": _ts_to_seconds(match.group(2)),
|
||||
"text": match.group(3).strip().replace("\n", " "),
|
||||
}
|
||||
)
|
||||
return entries
|
||||
|
||||
|
||||
def _ts_to_seconds(ts: str) -> float:
|
||||
"""把 SRT 时间戳（HH:MM:SS,mmm）换算为秒。"""
|
||||
hours, minutes, rest = ts.split(":")
|
||||
seconds, millis = rest.split(",")
|
||||
return int(hours) * 3600 + int(minutes) * 60 + int(seconds) + int(millis) / 1000
|
||||
|
||||
|
||||
|
||||
# 参考字幕净化正则：纯装饰/符号/垃圾行（如 OCR 栅栏 '---'、'==='、下划线等）
|
||||
# 不参与时间对齐——它们不是真实的说话内容，混入会让指标失真。
|
||||
_JUNK_RE = re.compile(r"^[\s\-—_=~•・。．.、*+]+$")
|
||||
|
||||
|
||||
def clean_reference(entries: list[dict]) -> list[dict]:
|
||||
"""从参考条目中剔除纯符号/装饰性垃圾行（无真实内容），返回保留条目。
|
||||
|
||||
参考 SRT 由烧录字幕提取得到（见 scripts/extract_reference_srt.py），OCR
|
||||
可能把画面上的装饰/栅栏误收为字幕（如 '---'、'==='）。这类条目没有
|
||||
时间语义，若参与最近邻对齐会拉偏偏差统计，必须先剔除。"""
|
||||
return [
|
||||
e for e in entries
|
||||
if e["text"].strip() and not _JUNK_RE.match(e["text"])
|
||||
]
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# 时间对齐指标
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
|
||||
@dataclass
|
||||
class AlignmentReport:
|
||||
"""一次转写产物 vs 参考字幕的时间对齐量化报告。"""
|
||||
|
||||
name: str # 素材名
|
||||
vad_filter: bool # 本次评测用的 vad_filter 配置
|
||||
produced: list[dict] = field(default_factory=list) # 产物条目
|
||||
reference: list[dict] = field(default_factory=list) # 参考条目
|
||||
deltas: list[float] = field(default_factory=list) # 每条最近的偏差（秒）
|
||||
early_seconds: float = 0.0 # 系统性偏早总量（秒）累加
|
||||
late_seconds: float = 0.0 # 系统性偏晚总量（秒）累加
|
||||
mean_abs_error: float = 0.0 # 平均绝对偏差（秒），越小越准
|
||||
|
||||
@property
|
||||
def bias(self) -> float:
|
||||
"""整体偏差倾向：>0 偏晚，<0 偏早（中位数）。"""
|
||||
if not self.deltas:
|
||||
return 0.0
|
||||
ordered = sorted(self.deltas)
|
||||
return ordered[len(ordered) // 2]
|
||||
|
||||
@property
|
||||
def consistently_early(self) -> bool:
|
||||
"""是否系统性地偏早（中位偏差低于 -TIER2_EARLY_SECONDS）。"""
|
||||
return self.bias < -TIER2_EARLY_SECONDS
|
||||
|
||||
@property
|
||||
def consistently_late(self) -> bool:
|
||||
"""是否系统性地偏晚（中位偏差高于 +TIER2_LATE_SECONDS）。"""
|
||||
return self.bias > TIER2_LATE_SECONDS
|
||||
|
||||
def format_summary(self) -> str:
|
||||
"""生成可读的摘要文本，供失败/日志信息展示。"""
|
||||
return (
|
||||
f"[{self.name} vad={self.vad_filter}] 条目 {len(self.produced)} 条"
|
||||
f" vs 参考 {len(self.reference)} 条 | 平均绝对偏差 "
|
||||
f"{self.mean_abs_error:.2f}s | 偏差中位数 {self.bias:+.2f}s"
|
||||
f" | 偏早累计 {self.early_seconds:.1f}s 偏晚累计 {self.late_seconds:.1f}s"
|
||||
)
|
||||
|
||||
|
||||
def align_report(name: str, vad_filter: bool, produced: list[dict], reference: list[dict]) -> AlignmentReport:
|
||||
"""构建对齐报告：逐条求最近参考时间差并汇总偏差倾向。
|
||||
|
||||
对齐是"最近邻"匹配：对产物每条字幕，在参考时间轴中找其起始时刻最近的
|
||||
参考起始时刻；偏差 delta = 产物起始 - 参考起始。正 delta 表示字幕晚于
|
||||
真实说话、负 delta 表示字幕早于真实说话。偏差绝对值的均值反映整体
|
||||
同步精度；中位数符号反映系统性偏早/偏晚方向。
|
||||
"""
|
||||
report = AlignmentReport(
|
||||
name=name,
|
||||
vad_filter=vad_filter,
|
||||
produced=produced,
|
||||
reference=reference,
|
||||
)
|
||||
ref_starts = [entry["start"] for entry in reference]
|
||||
if not ref_starts:
|
||||
return report
|
||||
import bisect
|
||||
|
||||
deltas: list[float] = []
|
||||
early_sum = 0.0
|
||||
late_sum = 0.0
|
||||
for entry in produced:
|
||||
start = entry["start"]
|
||||
# 在有序参考起点序列中二分查找最近邻居。
|
||||
pos = bisect.bisect_left(ref_starts, start)
|
||||
candidates = []
|
||||
if pos > 0:
|
||||
candidates.append(ref_starts[pos - 1])
|
||||
if pos < len(ref_starts):
|
||||
candidates.append(ref_starts[pos])
|
||||
nearest = min(candidates, key=lambda ref: abs(start - ref))
|
||||
delta = start - nearest
|
||||
deltas.append(delta)
|
||||
if delta < 0:
|
||||
early_sum += -delta
|
||||
else:
|
||||
late_sum += delta
|
||||
report.deltas = deltas
|
||||
report.early_seconds = early_sum
|
||||
report.late_seconds = late_sum
|
||||
report.mean_abs_error = sum(abs(d) for d in deltas) / len(deltas) if deltas else 0.0
|
||||
return report
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# 幻觉词 / 专有名词判定
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
# 上下文无关的收尾/开场寒暄幻觉词（可经环境变量/params 覆盖）：
|
||||
# 这类内容在训练数据中出现频率极高，模型常凭空生成，与视频内容无关。
|
||||
HALLUCINATION_TOKENS = [
|
||||
"谢谢观看", "感谢观看", "感谢收看", "谢谢收看", "感谢您的观看", "感谢您的收看",
|
||||
"观看视频", "谢谢观看本视频", "晚安", "下次再见", "再会", "敬请期待",
|
||||
]
|
||||
|
||||
# 不应直译的专有名词（日文原文 → 应保留原文或使用约定译名）：
|
||||
# "芒果" 是固定角色/品牌名（マンゴー），并非水果直译；此处给出不允许
|
||||
# 被直译为"芒果"的日文原文，翻译时应保留或使用约定写法。
|
||||
PROPER_NOUNS_NO_TRANSLATE = {
|
||||
"マンゴー": "芒果", # 角色名/品牌名：避免被当水果直译（允许约定译名但禁止当普通词翻译）
|
||||
# 新增专名在此扩展，例如 {"ドラマチック": "ドラマチック"}（人名/品牌/虚拟名）。
|
||||
}
|
||||
|
||||
|
||||
def assert_no_halucination(translated_srt: str) -> list[str]:
|
||||
"""校验译文 SRT 不含任何寒暄幻觉词，返回命中的词列表（空表示通过）。"""
|
||||
hits = []
|
||||
for token in HALLUCINATION_TOKENS:
|
||||
if token in translated_srt:
|
||||
hits.append(token)
|
||||
return hits
|
||||
|
||||
|
||||
def assert_proper_noun_preserved(translated_srt: str, source_srt: str) -> list[str]:
|
||||
"""校验专有名词未被直译。
|
||||
|
||||
策略：源 SRT 中出现日文专名（如 ``マンゴー``）时，译文不应把该词的
|
||||
习惯译名（如"芒果"）当作普通词汇直译出来（"芒果"是水果词，出现在
|
||||
字幕里通常意味着专名被错误翻译）。返回违规项列表（空表示通过）。
|
||||
"""
|
||||
violations = []
|
||||
for source_word, forbidden_translation in PROPER_NOUNS_NO_TRANSLATE.items():
|
||||
if source_word not in source_srt:
|
||||
continue # 源字幕没出现该专名，无需校验
|
||||
if forbidden_translation in translated_srt:
|
||||
violations.append(f"{source_word} -> {forbidden_translation}")
|
||||
return violations
|
||||
|
||||
|
||||
# ---------------------------------------------------------------------------
|
||||
# 提示词规则拼接（与 nodes/llm.py 的 system_prompt 组装逻辑配套）
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
|
||||
def build_translation_system_prompt(
|
||||
target_language: str,
|
||||
hallucination_tokens: list[str] | None = None,
|
||||
proper_nouns: dict[str, str] | None = None,
|
||||
) -> str:
|
||||
"""组装 llm-translate 系统提示词。
|
||||
|
||||
在基础翻译指令上动态追加两段规则：
|
||||
1. 寒暄幻觉移除：当源数据含相关关键词（收尾/开场寒暄）时，提示词要求
|
||||
不翻译、不输出与具体内容无关的收尾寒暄（谢谢观看/晚安等）；
|
||||
2. 专有名词保留：提示词提供"不直译名单"，要求人名/品牌/虚拟名按原文
|
||||
保留或使用约定译名，禁止按字面直译。
|
||||
|
||||
该函数是提示词规则的**数据契约**：nodes/llm.py 未来按此拼接实现，
|
||||
测试只在此验证"规则存在且生效"，不改任何 mock。
|
||||
"""
|
||||
# 显式传入空表可禁用对应规则段（None 才回退默认表）。
|
||||
if hallucination_tokens is None:
|
||||
hallucination_tokens = HALLUCINATION_TOKENS
|
||||
if proper_nouns is None:
|
||||
proper_nouns = PROPER_NOUNS_NO_TRANSLATE
|
||||
prompt = (
|
||||
"你是专业字幕翻译。将用户提供的日文字幕翻译为"
|
||||
f"{target_language}。只返回译文，保持行数和顺序，不要添加解释。\n"
|
||||
)
|
||||
if hallucination_tokens:
|
||||
token_text = "、".join(hallucination_tokens)
|
||||
prompt += (
|
||||
"规则：字幕中若出现与上下文无关的收尾/开场寒暄（如"
|
||||
f"{token_text} 等），不翻译、不输出，保持输出行数为 0 或以空行占位。\n"
|
||||
)
|
||||
if proper_nouns:
|
||||
noun_lines = "；".join(
|
||||
f"{jp}（保留原文或使用约定译名 {zh}）" for jp, zh in proper_nouns.items()
|
||||
)
|
||||
prompt += (
|
||||
f"规则：专有名词（人名/品牌/SNS账号/虚拟角色名）不按字面直译，{noun_lines}。"
|
||||
)
|
||||
return prompt
|
||||
Reference in New Issue
Block a user