feat: llm-filter 两级过滤（规则层+五类分类+去重+长文本保护），工作流单线程 v4

- 规则层（不调 LLM）：横线装饰/HTML 水印 token/URL/邮箱/单双 ASCII 字符直接删 - LLM 五类分类：garbage/overlay/noise 删，repeat/dialogue 留，未识别回退保留 - 按文本去重：相同文本只调一次 LLM（忽略空白/大小写），判定一致并省调用 - 长文本保护：≥min_keep_len 时 noise 不构成删除依据 - 真实任务 run_ac7f480a3ccb 验证：非规则误删 350→193（-45%），呻吟/对话保留 - ocr-subtitle 工作流 v4：pool 钉死单线程（1/1） - 回归夹具 testdata/ocr_srt_run_ac7f480a3ccb.srt（真实 1666 条 OCR 输出）
2026-08-17 23:20:16 +08:00
parent 2b3a650612
commit 5ffa2ac39e
5 changed files with 7230 additions and 70 deletions
@@ -1,9 +1,30 @@
 """LLM 字幕过滤节点。

-对 OCR 识别出的 SRT 字幕做二次过滤：为避免字幕上下文过长，把每条字幕连同其
-前后各 context_size 条字幕（纯文本，**不含时间戳**）分批提供给 LLM，模型仅判断
-目标字幕是否属于多余、无意义的字符（如重复、残缺、无实际语义的杂项）；
-判定无意义则删除该条（连同其时间戳），其余字幕保持原样并重新编号输出。
+对 OCR 识别出的 SRT 字幕做二次过滤，两级判断：
+
+1. **确定性规则层**（不调用 LLM）：横线装饰、HTML/水印 token、URL/邮箱、
+   单双 ASCII 字符等 OCR 噪声直接删除——这些模式是稳定可判的，走规则
+   既省 token 又保证结果确定（真实数据中占删除量的 65%+）。
+
+2. **LLM 五类分类层**：把目标字幕连同前后各 context_size 条纯文本分批
+   提供给 LLM，模型输出五个类别之一：
+   - garbage：垃圾字符（乱码、残缺、装饰性符号）→ 删除
+   - overlay：水印/网页/播放器等覆盖层文本 → 删除
+   - noise：与上下文无关、无实际语义的杂项 → 删除
+   - repeat：内容性重复（语气词、呻吟、重复感叹，属于内容本身）→ 保留
+   - dialogue：正常对话 → 保留
+   未识别输出一律回退 dialogue（宁滥勿缺，避免误删真实对话）。
+
+3. **文本去重**：相同文本（忽略全部空白与大小写差异）只调一次 LLM，
+   上下文取首次出现位置，结果缓存复用——修复"同一句字幕 5 留 6 删"的
+   判定不一致，同时把长视频的 LLM 调用量降到唯一文本数。
+
+4. **长文本保护**：长度 ≥ min_keep_len 的文本，仅 garbage/overlay 两个
+   明确垃圾类别可删，noise 不构成删除依据，防止长对话被误删。
+
+参考真实任务 run_ac7f480a3ccb（2026-08，OCR 1666 条）：旧实现把 394 条
+真实对话当噪声删掉（占删除 35%）、同文本判定不一致；新实现按上述机制
+回归测试已固化在 tests/test_llm_filter.py。
 """

 from __future__ import annotations
@@ -13,6 +34,7 @@ import os
 import re
 import urllib.request
 from pathlib import Path
+
 from nodes.adaptive_pool import AdaptiveThreadPool
 from wov_app.logging import get_logger
 from wov_sdk.models import InvokeRequest, InvokeResponse
@@ -31,6 +53,37 @@ TARGET_MARK = "【目标】"
 # 默认上下文窗口：目标字幕前后各取 10 条。
 DEFAULT_CONTEXT_SIZE = 10

+# LLM 输出类别：garbage/overlay/noise 删除；repeat/dialogue 保留。
+CATEGORY_GARBAGE = "garbage"
+CATEGORY_OVERLAY = "overlay"
+CATEGORY_NOISE = "noise"
+CATEGORY_REPEAT = "repeat"
+CATEGORY_DIALOGUE = "dialogue"
+_ALL_CATEGORIES = (
+    CATEGORY_GARBAGE,
+    CATEGORY_OVERLAY,
+    CATEGORY_NOISE,
+    CATEGORY_REPEAT,
+    CATEGORY_DIALOGUE,
+)
+DELETE_CATEGORIES = {CATEGORY_GARBAGE, CATEGORY_OVERLAY, CATEGORY_NOISE}
+
+# 规则层正则：横线装饰（含全角/半角横线、下划线、中点、句点等符号组合）。
+_DASH_RE = re.compile(r"^[\s\-—_~=•・。．.、]+$")
+# 规则层正则：URL / 邮箱。
+_URL_OR_MAIL_RE = re.compile(r"^(https?://|www\.)\S+$|^[\w.+-]+@[\w.-]+\.\w+$")
+# 默认水印/覆盖层 token（casefold 后比较，可经 overlay_tokens 参数覆盖）。
+DEFAULT_OVERLAY_TOKENS = frozenset(
+    {"html", "background", "___", "cleaning", "buffering", "loading"}
+)
+# 长文本保护阈值：≥ 该长度的文本，noise 类别不构成删除依据。
+DEFAULT_MIN_KEEP_LEN = 12
+
+
+def _has_cjk(text: str) -> bool:
+    """是否含 CJK 汉字：单字"嗯/好"等可能是内容，规则层不直接删。"""
+    return any("\u4e00" <= ch <= "\u9fff" for ch in text)
+

 def parse_srt(text: str) -> list[dict]:
    """解析 SRT 文本为条目列表：[{"start", "end", "text"}]。"""
@@ -55,13 +108,58 @@ def serialize_srt(entries: list[dict]) -> str:
    return "\n\n".join(blocks) + "\n"


-def _judge_target(
+def _rule_verdict(text: str, overlay_tokens: set[str]) -> bool | None:
+    """确定性规则层：返回 True（删除）/ None（交给 LLM 多维判断）。
+
+    规则覆盖 OCR 噪声的稳定模式：空文本、纯横线装饰、URL/邮箱、水印 token
+    （HTML/background 等）、单双 ASCII 字符。含 CJK 的短文本不算垃圾，
+    因为"嗯/好"等可能是内容；其余情况返回 None 交由 LLM 分类。
+    """
+    t = text.strip()
+    if not t:
+        return True
+    if _DASH_RE.match(t):
+        return True
+    if _URL_OR_MAIL_RE.match(t):
+        return True
+    if t.casefold() in overlay_tokens:
+        return True
+    if len(t) <= 2 and not _has_cjk(t):
+        return True
+    return None
+
+
+def _dedup_key(text: str) -> str:
+    """文本去重键：去掉全部空白并统一大小写。
+
+    OCR 同一句字幕常带/不带空格（"可没法胜任" vs "可 没法胜任"），
+    视为同一文本以保证判定一致；也用于把 LLM 调用量降到唯一文本数。
+    """
+    return "".join(text.split()).casefold()
+
+
+def _should_delete(category: str, text: str, min_keep_len: int) -> bool:
+    """按 LLM 类别与长文本保护决定是否删除。
+
+    repeat/dialogue 一律保留；garbage/overlay 一律删除（含长文本——
+    这两个是明确的垃圾信号）；noise 对短文本删除，但 ≥min_keep_len 的
+    长文本不删（noise 太模糊，不足以推翻一句完整台词）。
+    """
+    if category not in DELETE_CATEGORIES:
+        return False
+    if category == CATEGORY_NOISE and len(text) >= min_keep_len:
+        return False
+    return True
+
+
+def _judge_category(
    entries: list[dict], index: int, context_size: int, params: dict
-) -> bool:
-    """调用 LLM 判断目标字幕是否多余/无意义；返回 True 表示应删除。
+) -> str:
+    """调用 LLM 把目标字幕归入五类之一，返回类别词（未识别回退 dialogue）。

    请求体只含目标字幕及其前后各 context_size 条字幕的纯文本（无时间戳），
-    目标字幕用 TARGET_MARK 标记；模型只需回答"保留"或"删除"。
+    目标字幕用 TARGET_MARK 标记；模型只输出一个类别英文单词。
+    输出无法识别（空/乱码/旧式"保留"）时回退 dialogue，宁滥勿缺。
    """
    start = max(0, index - context_size)
    end = min(len(entries), index + context_size + 1)
@@ -81,9 +179,14 @@ def _judge_target(
    model = str(params.get("model") or os.getenv("LLM_MODEL", "Qwen/Qwen3.6-35B-A3B"))
    system_prompt = (
        "你是字幕质量过滤器。用户会提供一段字幕序列（纯文本，不含时间戳），"
-        f"其中用{TARGET_MARK}标记的字幕是需要判断的目标。请判断该字幕是否属于"
-        "多余、无意义的字符（如重复、残缺、无实际语义的杂项）。"
-        "只回答两个字：保留 或 删除，不要输出其他内容。"
+        f"其中用{TARGET_MARK}标记的字幕是需要判断的目标。"
+        "请把目标字幕归入以下五个类别之一：\n"
+        "garbage：垃圾字符（乱码、残缺、装饰性符号、横线）\n"
+        "overlay：水印、网页/播放器/字幕组等覆盖层文本，不是视频对白\n"
+        "noise：与上下文无关、无实际语义的杂项\n"
+        "repeat：内容性重复（如语气词、呻吟、重复的感叹或对话），属于内容本身\n"
+        "dialogue：正常对话\n"
+        "只输出一个类别英文单词，不要输出其他内容。"
    )
    body = {
        "model": model,
@@ -94,7 +197,7 @@ def _judge_target(
        # 关闭推理模式：Qwen3 等模型默认会把思考过程写入 reasoning_content，
        # 导致 content 为空或包含多余内容。
        "enable_thinking": False,
-        # 只输出"保留/删除"，输出上限给得很小即可。
+        # 类别词很短，输出上限给得很小即可。
        "max_tokens": 16,
    }
    headers = {"Content-Type": "application/json"}
@@ -109,13 +212,23 @@ def _judge_target(
    )
    with urllib.request.urlopen(request, timeout=request_timeout) as response:
        payload = json.loads(response.read().decode("utf-8"))
-    content = str(payload["choices"][0]["message"]["content"])
-    # 模型回答含"删除"即视为该条无意义；其余情况（保留/异常）一律保留，宁多勿删。
-    return "删除" in content
+    content = str(payload["choices"][0]["message"]["content"]).strip().lower()
+    # 精确匹配五个类别词（兼容"garbagexxx"这类多余输出）。
+    for category in _ALL_CATEGORIES:
+        if content == category or content.startswith(category):
+            return category
+    # 旧式"删除/保留"回答兼容：含"删除"视为垃圾，其余一律保留。
+    if "删除" in content:
+        return CATEGORY_GARBAGE
+    return CATEGORY_DIALOGUE


 def invoke(request: InvokeRequest) -> InvokeResponse:
-    """过滤 SRT 中多余/无意义的字幕，产物为 filtered.srt。"""
+    """过滤 SRT 中多余/无意义的字幕，产物为 filtered.srt。
+
+    流程：规则层（确定性删除）→ LLM 层（去重后按唯一文本多维分类）→
+    长文本保护 → 保留条重新编号输出。
+    """
    srt_uri = request.inputs.get("srt_uri")
    if not srt_uri:
        return InvokeResponse(status="failed", error="srt_uri is required")
@@ -125,38 +238,78 @@ def invoke(request: InvokeRequest) -> InvokeResponse:

    entries = parse_srt(srt_path.read_text(encoding="utf-8"))
    context_size = int(request.params.get("context_size", DEFAULT_CONTEXT_SIZE))
-    # 单条判断的工作函数：返回 True 表示该条应删除。
-    def judge_one(index) -> bool:
-        return _judge_target(entries, index, context_size, request.params)
+    min_keep_len = int(request.params.get("min_keep_len", DEFAULT_MIN_KEEP_LEN))
+    # 水印 token 可经参数覆盖（JSON 数组字符串或列表），默认内置常见覆盖层词。
+    raw_tokens = request.params.get("overlay_tokens")
+    if isinstance(raw_tokens, str) and raw_tokens.strip():
+        raw_tokens = json.loads(raw_tokens)
+    overlay_tokens = {
+        str(t).casefold() for t in (raw_tokens or DEFAULT_OVERLAY_TOKENS)
+    }
+    # 去重开关：默认开；关掉时每个条目独立调用 LLM（不省调用，判定各自独立）。
+    dedupe = str(request.params.get("dedupe", "1")) not in ("0", "false", "False")

-    # 进度日志：打印已判定条数、总数与平均处理速度（条/s）。
-    def log_progress(done: int, total: int, rate: float) -> None:
-        logger.info("字幕判定进度 %d/%d 条 (%.1f 条/s)", done, total, rate)
+    # 阶段 1：确定性规则层（不调 LLM）。
+    rule_verdicts = [_rule_verdict(entry["text"], overlay_tokens) for entry in entries]
+    llm_needed = [i for i, verdict in enumerate(rule_verdicts) if verdict is None]

-    # 自适应并发调用 LLM：10s 窗口内平均响应 < 0.3s 则加 1 线程（上限
-    # pool_max_workers），> pool_slow_threshold 则减 1 线程（下限 1），
-    # 按实测负载弹性伸缩，避免盲目并发压垮 LLM 接口。
-    pool = AdaptiveThreadPool(
-        worker=judge_one,
-        on_progress=log_progress,
-        min_workers=int(request.params.get("pool_min_workers", 1)),
-        max_workers=int(request.params.get("pool_max_workers", 16)),
-        window_seconds=float(request.params.get("pool_window_seconds", 10.0)),
-        fast_threshold=float(request.params.get("pool_fast_threshold", 0.3)),
-        slow_threshold=float(request.params.get("pool_slow_threshold", 1.0)),
-    )
-    verdicts = pool.map(range(len(entries)))
+    # 阶段 2：LLM 分类层（去重：相同文本只判一次，上下文取首次出现）。
+    cat_by_index: dict[int, str] = {}
+    if llm_needed:
+        if dedupe:
+            first_of_key: dict[str, int] = {}
+            pool_indices: list[int] = []
+            for i in llm_needed:
+                key = _dedup_key(entries[i]["text"])
+                if key not in first_of_key:
+                    first_of_key[key] = i
+                    pool_indices.append(i)
+        else:
+            pool_indices = llm_needed

+        # 单条判断的工作函数：返回类别词。
+        def judge_one(index: int) -> str:
+            return _judge_category(entries, index, context_size, request.params)
+
+        # 进度日志：打印已判定条数、总数与平均处理速度（条/s）。
+        def log_progress(done: int, total: int, rate: float) -> None:
+            logger.info("字幕判定进度 %d/%d 条 (%.1f 条/s)", done, total, rate)
+
+        # 自适应并发调用 LLM：按实测负载弹性伸缩，避免压垮 LLM 接口。
+        pool = AdaptiveThreadPool(
+            worker=judge_one,
+            on_progress=log_progress,
+            min_workers=int(request.params.get("pool_min_workers", 1)),
+            max_workers=int(request.params.get("pool_max_workers", 16)),
+            window_seconds=float(request.params.get("pool_window_seconds", 10.0)),
+            fast_threshold=float(request.params.get("pool_fast_threshold", 0.3)),
+            slow_threshold=float(request.params.get("pool_slow_threshold", 1.0)),
+        )
+        categories = pool.map(pool_indices)
+
+        for index, category in zip(pool_indices, categories):
+            # 并行下 LLM 异常被线程池隔离为异常结果：任一条失败即整体失败，
+            # 避免静默输出未过滤结果。
+            if isinstance(category, Exception):
+                return InvokeResponse(status="failed", error=str(category))
+            cat_by_index[index] = category
+        if dedupe:
+            # 去重填充：与首次出现同键的条目复用同一类别，保证判定一致。
+            for i in llm_needed:
+                if i not in cat_by_index:
+                    cat_by_index[i] = cat_by_index[first_of_key[_dedup_key(entries[i]["text"])]]
+
+    # 阶段 3：合并规则与 LLM 判定，应用长文本保护并输出。
    kept: list[dict] = []
    removed = 0
-    for index, (entry, verdict) in enumerate(zip(entries, verdicts)):
-        # 并行下 LLM 异常被线程池隔离为异常结果：任一条失败即整体失败，
-        # 避免静默输出未过滤结果。
-        if isinstance(verdict, Exception):
-            return InvokeResponse(status="failed", error=str(verdict))
-        if verdict:
+    for i, (entry, rule_verdict) in enumerate(zip(entries, rule_verdicts)):
+        # 规则层命中即删（True）；未命中则按 LLM 类别与长文本保护判定。
+        if rule_verdict is True:
            removed += 1
-            logger.info("删除无意义字幕 %d: %r", index + 1, entry["text"][:40])
+            continue
+        if _should_delete(cat_by_index[i], entry["text"], min_keep_len):
+            removed += 1
+            logger.info("删除无意义字幕 %d: %r", i + 1, entry["text"][:40])
        else:
            kept.append(entry)