fix: whisper 重复伪影整条删除，避免翻译层空响应失败

whisper 在单个窗口内卡住重复时会把一个单元写满整条 cue（实测 30 秒整、重复
74–446 次，如 `チン`×111）。这类正文会让下游 LLM 跟着循环、把输出预算耗在思考上，
最终 `content` 返回空串并报 `translation alignment failed … Expecting value:
line 1 column 1 (char 0)`；它也可能直接渲染成超长字幕行。

- `nodes/subtitle_cleanup.py` 新增 `remove_repetition_entries`：**纯模式判据、无字符
  词表**——展示时长 ≥15s 且同一 1–6 字单元连续重复 ≥6 次且覆盖正文 ≥70% 的 cue 整条
  删除；真实短促呻吟（`ぇ`×15、`ああああああ`）靠时长区分，零误删。
- `nodes/whisper.py` 在转写产出处应用该清洗（VAD 开关都生效，它与套话幻觉无关）。
- 真实数据验证：本地全部真实转写 3605 条 cue 只删 5 条 30 秒伪影；对照实验同批次
  伪影截短后 5/5 成功、原样 1/5。

nodes/subtitle_cleanup.py

@@ -10,7 +10,8 @@ ASR（whisper 无 VAD 解码）与 LLM 翻译在无语音段会输出固定套
 - JAPANESE_HALLUCINATION_TOKENS：日文（whisper 无 VAD 解码直接输出的套话）。
 
 删除只针对展示时长 ≥ 阈值的长条目：短时相同词可能是剧情真实台词（如真实
-互道晚安），必须保留。另外删除纯呻吟/喘息碎片（判据见 _is_pure_moan）。
+互道晚安），必须保留。另外删除纯呻吟/喘息碎片（判据见 _is_pure_moan）与
+ whisper 窗口内重复循环造成的重复伪影（判据见 _is_repetition_artifact）。
 
 纯函数，不修改输入。
 """
@@ -63,6 +64,49 @@ MOAN_CHARS = frozenset(
 # /んふふ）有效假名 ≤3；>3（如ああああ）或含非呻吟字符的一律保留。
 DEFAULT_MOAN_MAX_CHARS = 3
 
+# 重复伪影判据（whisper 窗口内重复循环会输出整条重复到 30 秒的 cue）：
+# 单元最长 6 字（更长的重复单元在真实数据里未见），至少重复 6 次，
+# 且重复段占正文 ≥70%。真实呻吟重复次数也在 6–15 之间，靠时长区分。
+REPETITION_UNIT_MAX_CHARS = 6
+REPETITION_MIN_REPEATS = 6
+REPETITION_MIN_COVERAGE = 0.7
+
+
+def _longest_repeated_run(text: str, unit_max: int) -> tuple[str, int] | None:
+    """返回正文中最长的'同一单元连续重复'片段（原文, 重复次数）。
+
+    单元长度 1..unit_max 由短到长尝试，取片段最长的一次；无重复返回 None。
+    注意用 finditer 而不是 re.search(..., pos)：模块级 re.search 的第三个位置
+    参数是 flags，拿它当偏移会导致原地重搜、死循环。
+    """
+    best: tuple[str, int] | None = None
+    for size in range(1, unit_max + 1):
+        for match in re.finditer(rf"(.{{1,{size}}})\1+", text):
+            run = match.group(0)
+            if best is None or len(run) > len(best[0]):
+                best = (run, len(run) // len(match.group(1)))
+    return best
+
+
+def _is_repetition_artifact(text: str, duration: float, threshold_seconds: float,
+                            min_repeats: int, min_coverage: float) -> bool:
+    """判断一条 cue 是否为 whisper 重复循环伪影（整条删除判据）。
+
+    判据（同时满足）：展示时长 ≥ 阈值、同一 1–6 字单元连续重复 ≥ min_repeats 次、
+    重复段占正文 ≥ min_coverage。短促重复（“ぇ”×15 只占 3 秒）是真实发声，靠
+    时长区分，与寒暄幻觉同一套“长条才删”思路。
+    """
+    if threshold_seconds <= 0 or duration < threshold_seconds:
+        return False
+    stripped = text.replace("\n", "")
+    found = _longest_repeated_run(stripped, REPETITION_UNIT_MAX_CHARS)
+    if found is None:
+        return False
+    run, repeats = found
+    if repeats < min_repeats or not stripped:
+        return False
+    return len(run) / len(stripped) >= min_coverage
+
 def _moan_chars(text: str) -> int:
     """返回 text 中'有效假名字符'数量（呻吟判据的一部分）。
 
@@ -141,6 +185,30 @@ def remove_short_moan_entries(
     return _remove_cues_by_predicate(srt_text, _keep)
 
 
+def remove_repetition_entries(
+    srt_text: str,
+    threshold_seconds: float = DEFAULT_THRESHOLD_SECONDS,
+    min_repeats: int = REPETITION_MIN_REPEATS,
+    min_coverage: float = REPETITION_MIN_COVERAGE,
+) -> str:
+    """删除 SRT 中 whisper 重复循环造成的**整条重复伪影**（ASR 产物去噪）。
+
+    模型在窗口内卡住重复时会把同一单元写满整条 cue（实测 30 秒、重复 74–446
+    次）：这种正文会让下游 LLM 跟着重复、把预算耗在思考上而报结构错误，也会
+    直接渲染成超长字幕行，因此在产生处整条删除。判据见 _is_repetition_artifact：
+    长条（时长 ≥ 阈值）+ 同一短单元高频重复且占满正文，真实短促呻吟不会命中。
+    threshold_seconds ≤ 0 时关闭过滤。纯函数，不修改输入。
+    """
+
+    def _keep(start_sec: float, end_sec: float, text: str) -> bool:
+        """保留判据：非重复伪影才保留。"""
+        return not _is_repetition_artifact(
+            text, end_sec - start_sec, threshold_seconds, min_repeats, min_coverage,
+        )
+
+    return _remove_cues_by_predicate(srt_text, _keep)
+
+
 def _remove_cues_by_predicate(
     srt_text: str,
     keep: callable,

nodes/whisper.py

@@ -300,24 +300,24 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
                 chunk_seconds / chunk_elapsed if chunk_elapsed > 0 else 0.0,
                 time.monotonic() - transcribe_started,
             )
-        # decode_full（无 VAD）的副作用清理：无语音段的长时寒暄幻觉与纯语气词
-        # 碎片都是噪声，整条删除（序列号重排，不留 '-' 占位污染下游）；判据与
-        # 细节见 nodes/subtitle_cleanup.py。仅 decode_full 时启用。
-        if decode_full:
-            from nodes.subtitle_cleanup import (
-                clean_japanese_hallucinations,
-                remove_short_moan_entries,
-            )
+        # 噪声清理：重复伪影（窗口内卡住重复，VAD 开关都会有）整条删除；
+        # decode_full 另加无语音段的长时寒暄幻觉与纯语气词碎片。都是整条删除、
+        # 序号重排，不留 '-' 占位污染下游；判据见 nodes/subtitle_cleanup.py。
+        from nodes.subtitle_cleanup import (
+            clean_japanese_hallucinations,
+            remove_repetition_entries,
+            remove_short_moan_entries,
+        )
 
-            body = clean_japanese_hallucinations("\n".join(lines))
+        body = remove_repetition_entries("\n".join(lines))
+        if decode_full:
+            body = clean_japanese_hallucinations(body)
             # short_moan_max_chars：有效假名 ≤ 该值的纯呻吟碎片整条删除，
             # 设 0 关闭（真实短对话不会命中，判据见 subtitle_cleanup）。
             body = remove_short_moan_entries(
                 body,
                 max_chars=int(request.params.get("short_moan_max_chars", 3)),
             )
-        else:
-            body = "\n".join(lines)
         output_path = output_dir / "transcript.srt"
         output_path.write_text(body, encoding="utf-8")
         return InvokeResponse(status="completed", outputs={"srt_uri": str(output_path)})