feat: 新增翻译模型横向评测工具链与窗口级评测集
为评估"更便宜的 LLM 能否替换 llm-translate 默认模型"新增真实数据驱动的 评测工具（不 mock 模型，直接调用生产节点实现，模型仅作为 params 变量）： - scripts/build_translate_eval.py：把 ocr-subtitle 的中文烧录字幕产物与 learn-translate 的日语 whisper ASR 按时间配对，产出候选池； - scripts/build_segment_eval.py：改为**窗口级**配对（一条中文基准字幕 + 其时间窗内 1-3 条日语 cue）。逐条配对不可用——烧录字幕是按屏幕合并的 整行，与 whisper 的 cue 切分不同，直接逐条对照会被基准错位污染； - scripts/bench_translate_models.py：对每个模型跑完整片、记录单次调用耗时 与 token、输出窗口级多模型对照表供人工 review；VL 模型需剔除 enable_thinking（Qwen3-VL 不接受该参数，生产代码固定携带）； - scripts/run_translate_bench_queue.py：批量评测队列； - tests/test_translate_model_bench.py：评测数据契约与对照输出一致性测试 （含先红后绿修复：stdout 与 markdown 两套输出格式漂移）； - testdata/translate_eval/：候选池、窗口池与 124 窗口人工评测集资产。 评测结论见 data/experiments/translate_models/REPORT.md（gitignored）。
This commit is contained in:
@@ -0,0 +1,105 @@
|
||||
"""从最终中文字幕反查各类"片段窗口"，供人工挑选评测用例。
|
||||
|
||||
背景与目的
|
||||
----------
|
||||
评测翻译模型需要"原文 + 该原文对应的真实含义"的成对基准。本仓库同一部视频
|
||||
（CJOD-255，2 小时）有两条真实产物：
|
||||
|
||||
- 日语原文：run_d386ccf124f7（learn-translate）的 whisper ASR，
|
||||
1161 条 cue（约每 1-4 句一条）；
|
||||
- 中文基准：run_479b411f299d（ocr-subtitle）过滤后的烧录字幕 1144 条
|
||||
——烧录字幕是画面的一部分，也可视为官方/人工字幕，但它**是一条条按屏幕
|
||||
显示合并的整行**（约 2-8 秒一条），与 whisper 的 cue 切分不同。
|
||||
|
||||
因此不能逐条对照。正确口径是**窗口级**：取中文基准一条字幕的时间窗，收集该窗
|
||||
内覆盖的日语 cue（1-3 条），窗口即为一个评测用例——比较"模型对这几条 cue 的
|
||||
译文合起来"是否表达了该中文行。本脚本把这类窗口导出，供人工确认与挑选。
|
||||
|
||||
用法：
|
||||
uv run python scripts/build_segment_eval.py --dump-window 1150 # 看某处的窗口细节
|
||||
uv run python scripts/build_segment_eval.py --export testdata/translate_eval/windows.jsonl
|
||||
"""
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import json
|
||||
from pathlib import Path
|
||||
|
||||
PROJECT_ROOT = Path(__file__).resolve().parent.parent
|
||||
|
||||
# 两条真实产物（相对仓库根）。
|
||||
DEFAULT_JA = PROJECT_ROOT / "data/storage/runs/run_d386ccf124f7/steps/asr/transcript.srt"
|
||||
DEFAULT_ZH = PROJECT_ROOT / "data/storage/runs/run_479b411f299d/steps/filter/filtered.srt"
|
||||
|
||||
|
||||
def seconds(ts: str) -> float:
|
||||
"""SRT 时间戳 -> 秒。"""
|
||||
hours, minutes, rest = ts.split(":")
|
||||
secs, millis = rest.split(",")
|
||||
return int(hours) * 3600 + int(minutes) * 60 + int(secs) + int(millis) / 1000
|
||||
|
||||
|
||||
def build_windows(ja_path: Path, zh_path: Path, max_ja: int = 3, max_duration: float = 15.0) -> list[dict]:
|
||||
"""返回可用评测窗口列表。
|
||||
|
||||
窗口 = 一条中文基准字幕 + 其时间窗内的日语 cue 组（1..max_ja 条）。
|
||||
过滤条件：窗口时长 <= max_duration（避免整段合并的长窗口无法逐句核对）、
|
||||
cue 数在 1..max_ja 之间（0 条说明 OCR 行无对应日语，>max_ja 说明配对太碎）。
|
||||
"""
|
||||
from nodes.srt import parse_srt
|
||||
|
||||
ja_cues = parse_srt(ja_path.read_text(encoding="utf-8"))
|
||||
zh_cues = parse_srt(zh_path.read_text(encoding="utf-8"))
|
||||
|
||||
windows: list[dict] = []
|
||||
for zh in zh_cues:
|
||||
start, end = seconds(zh.start), seconds(zh.end)
|
||||
group = [c for c in ja_cues if seconds(c.start) < end and start < seconds(c.end)]
|
||||
if not 1 <= len(group) <= max_ja or (end - start) > max_duration:
|
||||
continue
|
||||
windows.append(
|
||||
{
|
||||
"zh_start": zh.start,
|
||||
"zh_end": zh.end,
|
||||
"zh_ref": zh.text,
|
||||
"ja_start": group[0].start,
|
||||
"ja_end": group[-1].end,
|
||||
"ja_lines": [c.text for c in group],
|
||||
"ja_ids": [ja_cues.index(c) + 1 for c in group],
|
||||
}
|
||||
)
|
||||
return windows
|
||||
|
||||
|
||||
def main() -> None:
|
||||
parser = argparse.ArgumentParser(description="导出窗口级翻译评测候选")
|
||||
parser.add_argument("--ja", type=Path, default=DEFAULT_JA)
|
||||
parser.add_argument("--zh", type=Path, default=DEFAULT_ZH)
|
||||
parser.add_argument("--export", type=Path, default=None, help="写出 windows.jsonl")
|
||||
parser.add_argument("--dump-window", type=float, default=None, help="打印指定秒附近的窗口")
|
||||
parser.add_argument("--limit", type=int, default=0)
|
||||
args = parser.parse_args()
|
||||
|
||||
windows = build_windows(args.ja, args.zh)
|
||||
print(f"可用窗口 {len(windows)} 个（1-3 条日语 cue 且窗口 <=15s）")
|
||||
|
||||
if args.export:
|
||||
args.export.parent.mkdir(parents=True, exist_ok=True)
|
||||
with args.export.open("w", encoding="utf-8") as fh:
|
||||
for index, item in enumerate(windows, 1):
|
||||
fh.write(json.dumps({"id": index, **item}, ensure_ascii=False) + "\n")
|
||||
print(f"已写入 {args.export}")
|
||||
|
||||
if args.dump_window is not None:
|
||||
for item in windows:
|
||||
if abs(seconds(item["zh_start"]) - args.dump_window) <= 12:
|
||||
print(json.dumps(item, ensure_ascii=False, indent=1))
|
||||
|
||||
for item in (windows if args.limit <= 0 else windows[: args.limit]):
|
||||
joined = " | ".join(item["ja_lines"])
|
||||
print(f"{item['zh_start']} JA[{len(item['ja_lines'])}]: {joined!r} -> {item['zh_ref']!r}")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user