feat: whisper 新增 decode_full 无VAD整段解码参数并改为整条删除式幻觉清洗

解决转写漏句（有人说话但没识别出来）问题：silero VAD 对呻吟/轻语/BGM 混叠声学切段能力天然不足，把真话当非语音剔除（实测 savr-1054 全片仅召回 115 条）。新增 decode_full 参数（默认 false 保持 VAD 现状）： - decode_full=true 时强制无 VAD 整段解码 + 跳过自动 VAD 分析，救回被剔除的弱语音（savr-1054 全片 115 条 → 340 条） - 副作用是长时寒暄套话幻觉（おやすみなさい/ご視聴ありがとうございました等），whisper 转录后连带时间戳整条删除（clean_japanese_ha lllucinations），不留下 '-' 占位污染下游（占位会渲染进 ASS 成减号） - llm-translate 翻译后同样整条删除中文长时寒暄幻觉（clean_srt_text） - 短时（≤15s）相同词可能是剧情真实道晚安，保留（15s 阈值实测校准） - subtitle_cleanup 由 '-' 占位式改为整条删除式 + 剩余重编号，新增 JAPANESE_HALLUCINATION_TOKENS 词表新增工作流 learn-translate（学习资料转译+翻译字幕）示范 decode_full 用法，并确立参数标注约定：params._note_<参数名> 存放设定理由与正反例、 _node_help 放节点参数手册（_ 前缀说明键，节点执行时忽略，零运行影响）。调研记录见 docs/调研-whisper漏句与decode_full验证.md（A/B 实验、结论修正与 5 个待决问题）。
2026-09-07 17:21:04 +08:00
parent c063aed1f1
commit a8fe133aa4
10 changed files with 695 additions and 106 deletions
@@ -228,6 +228,10 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
        # language 默认日语；vad_filter 默认开启（用户 2026-08 决定）：过滤静音
        # 段以提速并减少无语音处幻觉；长静音时 VAD 压缩时间轴可能轻微错位，
        # 如需极致对齐可在工作流参数中显式关闭。
+        # decode_full=true（默认 false）：VAD 对呻吟/轻语/BGM 混叠声学切段会
+        # 把真话当非语音剔除（实测 savr-1054 全片仅召回 115 条），开启后强制
+        # 无 VAD 整段解码（vad_filter=False 且跳过自动 VAD 分析）以召回弱语音，
+        # 代价是无语音段会产生长时套话幻觉，由下方日语幻觉清洗兜底移除。
        # task 默认 transcribe，中文直出模型可传 translate 直接翻译为目标语言。
        # condition_on_previous_text 默认 False：长音频下开启会导致重复/漂移，
        # 关闭后每个 30s 窗口独立解码，是 faster-whisper 官方建议的长音频方案。
@@ -236,12 +240,12 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
        # 分块转写：默认每 1 分钟一块（chunk_seconds=60），切块失败自动回退整段。
        chunk_seconds = int(request.params.get("chunk_seconds", 60))
        chunks = _split_audio(audio_path, output_dir, chunk_seconds, _ffmpeg_bin())
-        # 每视频自适应 VAD：若开启 vad_filter 且未显式传 vad_parameters，则根据本音频
-        # 信号分析自动确定 VAD 参数（BGM 覆盖/静音比例/长停顿），改善碎片化与漏识别。
-        # 门控 WOV_AUTO_VAD=0 可关闭；显式传入 vad_parameters 时跳过。
+        # decode_full 时强制无 VAD：不传 vad_filter/vad_parameters，也不跑自动 VAD
+        # 分析（分析结果对呻吟/轻语类音频无效，只会把整块切碎/剔除真话）。
+        decode_full = bool(request.params.get("decode_full", False))
        vad_parameters = request.params.get("vad_parameters")
        vad_filter = bool(request.params.get("vad_filter", True))
-        if vad_filter and not vad_parameters and os.getenv("WOV_AUTO_VAD", "1") == "1":
+        if not decode_full and vad_filter and not vad_parameters and os.getenv("WOV_AUTO_VAD", "1") == "1":
            try:
                from nodes.vad_profiler import vad_parameters_for_audio

@@ -272,13 +276,14 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
            if (Path(request.output_dir).parent.parent / PAUSE_FLAG).exists():
                raise RuntimeError(f"whisper 被暂停（run {request.run_id}）")
            chunk_started = time.monotonic()
+            # decode_full=true 时 vad_filter 传 False：跳过 VAD 剔除弱语音段。
            segments, _info = model.transcribe(
                str(chunk),
                language=str(request.params.get("language", "ja")),
                task=str(request.params.get("task", "transcribe")),
                beam_size=int(request.params.get("beam_size", 1)),
-                vad_filter=vad_filter,
-                vad_parameters=vad_parameters,
+                vad_filter=False if decode_full else vad_filter,
+                vad_parameters=None if decode_full else vad_parameters,
                condition_on_previous_text=bool(
                    request.params.get("condition_on_previous_text", False)
                ),
@@ -295,8 +300,19 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
                chunk_seconds / chunk_elapsed if chunk_elapsed > 0 else 0.0,
                time.monotonic() - transcribe_started,
            )
+        # decode_full（无 VAD）副作用：无语音/音乐/呻吟段会产生长时寒暄套话幻觉
+        # （おやすみなさい/ご視聴ありがとうございました 等），在此**连带时间戳整条
+        # 剔除**（序号/时间轴/文本全删、剩余重编号），不留下 '-' 占位污染下游
+        # （占位会渲染进 ASS 成减号、翻译/过滤都要额外处理）；短时（≤15s）相同词
+        # 可能是剧情真实道晚安，保留。见 nodes/subtitle_cleanup.py。
+        if decode_full:
+            from nodes.subtitle_cleanup import clean_japanese_hallucinations
+
+            body = clean_japanese_hallucinations("\n".join(lines))
+        else:
+            body = "\n".join(lines)
        output_path = output_dir / "transcript.srt"
-        output_path.write_text("\n".join(lines), encoding="utf-8")
+        output_path.write_text(body, encoding="utf-8")
        return InvokeResponse(status="completed", outputs={"srt_uri": str(output_path)})
    except Exception as exc:  # noqa: BLE001
        # 模型加载或转写异常统一转换为 failed 响应，不让调度线程崩溃。