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）
2026-09-05 19:36:23 +08:00
parent d1557eca46
commit 078170c12a
9 changed files with 5658 additions and 0 deletions
@@ -0,0 +1,192 @@
+"""视频字幕生成流水线 → 时间对齐集成测试（真实数据复现"字幕时间不吻合"）。
+
+背景：用户反馈 demo"视频字幕生成"产物的字幕与人物说话时间不吻合——存在
+字幕**过早**或**过晚**展示。本测试**不自己跑 whisper**（长视频转写慢、低
+显存易 OOM），而是：
+
+1. 直接用现有"视频字幕生成"流水线跑一遍真实视频（该流水线已产出
+   transcript.srt 中文翻译字幕，时间轴来自 whisper + 提示词翻译）；
+2. 测试读取流水线**产物文件夹**里的最终字幕（.srt/.ass）；
+3. 与人工校对的**参考字幕**（testdata/alignment/<name>.reference.srt，即
+   硬字幕 OCR 提取、时间轴为"说话真实发生的时间"）做时间对齐量化评估，
+   复现"过早/过晚"问题（红），为修复提供绿标准。
+
+产物来源（用户告知）：流水线结果文件夹，含最终字幕文件。测试通过
+环境变量 ALIGN_RESULT_DIR 指定，或命令行传 `--result-dir`（pytest 用
+--override-ini 或直接用环境变量）。
+
+数据契约：
+- 参考字幕：``testdata/alignment/<name>.reference.srt``（硬字幕/人工校对）
+- 流水线产物：``$ALIGN_RESULT_DIR/*.srt|*.ass``（最终字幕，时间轴为产物）
+素材/参考/产物任一缺失时测试整体跳过（不污染 100% 覆盖率门禁）。
+"""
+
+from __future__ import annotations
+
+import os
+from pathlib import Path
+
+import pytest
+
+from tests.realdata_contract import (
+    ALIGNMENT_DIR,
+    TIER1_TOLERANCE_SECONDS,
+    TIER2_EARLY_SECONDS,
+    TIER2_LATE_SECONDS,
+    align_report,
+    alignment_candidates,
+    clean_reference,
+    parse_srt_entries,
+)
+
+
+def _result_dir() -> Path | None:
+    """返回流水线产物文件夹（环境变量 ALIGN_RESULT_DIR 指定）；未设置返回 None。"""
+    raw = os.getenv("ALIGN_RESULT_DIR")
+    if not raw:
+        return None
+    path = Path(raw)
+    return path if path.is_dir() else None
+
+
+def _find_produced_srt(result_dir: Path) -> list[Path]:
+    """在产物文件夹中寻找最终字幕文件（.srt / .ass），按名称排序。"""
+    files = []
+    for ext in (".srt", ".ass"):
+        files.extend(result_dir.glob(f"*{ext}"))
+    # 排除参考字幕与临时文件。
+    files = [f for f in files if ".reference" not in f.name and not f.name.startswith("._")]
+    return sorted(files)
+
+
+def test_pipeline_time_alignment_vs_reference() -> None:
+    """流水线产物字幕 vs 硬字幕参考：量化复现"过早/过晚"。
+
+    做法（真实数据，不 mock）：
+    - 取 testdata/alignment/<name>.reference.srt 作为参考时间轴；
+    - 取 $ALIGN_RESULT_DIR 下流水线最终字幕（若有多个，取时间轴与参考最接近
+      的那个，即覆盖时段与参考对齐的文件）；
+    - 对产物逐条做最近邻时间匹配，输出平均绝对偏差/偏早偏晚累计/中位偏差；
+    - 断言捕获到"系统性偏差或平均偏差过大"即复现成功（红）。
+
+    修复后（vad 策略/对齐策略/翻译时间戳策略改善）偏差应回落，测试转绿。
+    """
+    candidates = alignment_candidates()
+    if not candidates:
+        pytest.skip(
+            f"缺少参考数据（{ALIGNMENT_DIR}/<name>.<ext> + <name>.reference.srt），"
+            "跳过时间对齐集成测试"
+        )
+    result_dir = _result_dir()
+    if result_dir is None:
+        pytest.skip("未设置 ALIGN_RESULT_DIR（流水线产物文件夹），跳过")
+
+    produced_files = _find_produced_srt(result_dir)
+    if not produced_files:
+        pytest.skip(
+            f"{result_dir} 下没有 .srt/.ass 产物，跳过（请确认流水线已完成）"
+        )
+
+    all_pass = True
+    reasons: list[str] = []
+
+    # 对每个素材用参考时间轴评判，选其中覆盖时段与参考最接近的产物文件。
+    for media in candidates:
+        reference = clean_reference(parse_srt_entries(
+            media.with_suffix(".reference.srt").read_text(encoding="utf-8")
+        ))
+        if not reference:
+            reasons.append(f"{media.stem}: 参考字幕为空")
+            all_pass = False
+            continue
+
+        # 择优：产物文件与参考起始时间差最小的作为该素材的评判对象。
+        best_file, best_file_produced = None, []
+        best_score = float("inf")
+        for p in produced_files:
+            produced = parse_srt_entries(p.read_text(encoding="utf-8"))
+            if not produced:
+                continue
+            # 覆盖差距 = 产物首条与参考首条的起始时间差（取绝对值）。
+            score = abs(produced[0]["start"] - reference[0]["start"])
+            if score < best_score:
+                best_score = score
+                best_file, best_file_produced = p, produced
+
+        if best_file is None:
+            reasons.append(f"{media.stem}: 产物文件均无法与参考匹配")
+            all_pass = False
+            continue
+
+        report = align_report(media.stem, True, best_file_produced, reference)
+        print("\n" + report.format_summary())
+        print(f"  产物文件: {best_file.name}")
+
+        reason = None
+        if report.mean_abs_error > TIER1_TOLERANCE_SECONDS:
+            reason = (
+                f"{media.stem} 平均绝对偏差 {report.mean_abs_error:.2f}s > "
+                f"容差 {TIER1_TOLERANCE_SECONDS}s（过早/过晚普遍存在）"
+            )
+        elif report.consistently_early:
+            reason = (
+                f"{media.stem} 系统性偏早（中位 {report.bias:+.2f}s < "
+                f"-{TIER2_EARLY_SECONDS}s）"
+            )
+        elif report.consistently_late:
+            reason = (
+                f"{media.stem} 系统性偏晚（中位 {report.bias:+.2f}s > "
+                f"+{TIER2_LATE_SECONDS}s）"
+            )
+        if reason:
+            reasons.append(reason)
+            all_pass = False
+        else:
+            print(f"  对齐正常: {media.stem}")
+
+    # 结论性断言：至少量化捕获到一个"过早/过晚"信号才是"复现成功"。
+    assert not all_pass, (
+        "流水线产物与参考字幕未捕捉到明显时间不同步：请确认参考时间轴正确、"
+        "ALIGN_RESULT_DIR 指向完成后产物文件夹、产物覆盖时段与参考一致。"
+    )
+    if reasons:
+        raise AssertionError(
+            "已量化复现字幕时间与说话时间不吻合：\n- " + "\n- ".join(reasons)
+        )
+
+
+def test_alignment_report_helpers() -> None:
+    """纯函数冒烟：对齐指标组件（不依赖真实数据，用于验证指标本身）。"""
+    produced = [
+        {"start": 1.0, "end": 2.0, "text": "a"},
+        {"start": 4.0, "end": 5.0, "text": "b"},
+    ]
+    reference = [
+        {"start": 1.0, "end": 2.0, "text": "A"},
+        {"start": 4.0, "end": 5.0, "text": "B"},
+    ]
+    report = align_report("smoke", True, produced, reference)
+    assert report.mean_abs_error == 0.0  # 完美对齐时平均绝对偏差为 0
+    assert not report.consistently_early
+    assert not report.consistently_late
+    assert report.bias == 0.0
+
+    # 系统性偏晚：产物起始全部比参考晚 1.5s。
+    produced_late = [
+        {"start": 2.5, "end": 3.5, "text": "a"},
+        {"start": 5.5, "end": 6.5, "text": "b"},
+    ]
+    report_late = align_report("smoke", True, produced_late, reference)
+    assert report_late.consistently_late
+    assert report_late.bias > TIER2_LATE_SECONDS
+
+    # 系统性偏早：产物起始全部比参考早 1.5s。
+    ref_early = [
+        {"start": 2.0, "end": 3.0, "text": "X"},
+    ]
+    produced_early = [
+        {"start": 0.5, "end": 1.5, "text": "a"},
+    ]
+    report_early = align_report("smoke", True, produced_early, ref_early)
+    assert report_early.consistently_early
+    assert report_early.bias < -TIER2_EARLY_SECONDS