feat: 优化学习视频转写与字幕清洗

nodes/whisper.py

@@ -1,7 +1,7 @@
 """faster-whisper ASR 节点。
 
 单体版中作为进程内节点模块，由调度器直接调用。模型权重默认优先从本地
-目录加载，避免从远端下载，仅在本地找不到模型时才回退到远端 large-v3。
+目录加载，避免从远端下载，仅在本地找不到模型时才回退到远端 large-v2。
 CUDA 动态库通过 ctypes 在进程内预加载，替代分布式版的 LD_LIBRARY_PATH 注入。
 """
 
@@ -60,13 +60,13 @@ def _load_cuda_libraries() -> None:
 def _local_model_candidates() -> list[Path]:
     """返回本地模型候选目录：单体根目录 model/ 优先，其次 nodes/ 同级 model/。
 
-    单体根目录 model/ 对应仓库根下的 model/faster-whisper-large-v3，
+    单体根目录 model/ 对应仓库根下的 model/faster-whisper-large-v2，
     nodes/ 同级 model/ 允许部署时把权重随代码目录一起携带。
     """
     monolith_root = Path(__file__).resolve().parent.parent
     return [
-        monolith_root / "model" / "faster-whisper-large-v3",
-        monolith_root / "nodes" / "model" / "faster-whisper-large-v3",
+        monolith_root / "model" / "faster-whisper-large-v2",
+        monolith_root / "nodes" / "model" / "faster-whisper-large-v2",
     ]
 
 
@@ -75,7 +75,7 @@ def resolve_model_path(
     env: dict | None = None,
     candidates: list[Path] | None = None,
 ) -> str:
-    """按 参数 > 环境变量 > 本地候选目录 > 远端 large-v3 的顺序解析模型路径。
+    """按 参数 > 环境变量 > 本地候选目录 > 远端 large-v2 的顺序解析模型路径。
 
     本地优先是默认行为：只要候选目录存在且包含 model.bin 就使用本地权重，
     避免从 Hugging Face 下载；远端下载仅在全部本地候选缺失时作为兜底。
@@ -99,7 +99,7 @@ def resolve_model_path(
         # model.bin 是 CTranslate2 权重的必需文件，存在才认为模型完整。
         if candidate.is_dir() and (candidate / "model.bin").is_file():
             return str(candidate)
-    return "large-v3"
+    return "large-v2"
 
 def format_timestamp(seconds: float) -> str:
     """把秒数格式化为 SRT 时间戳，例如 01:00:00,500。"""
@@ -232,6 +232,8 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
         # 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。
+        # 另：decode_full 救回的弱语音中混有纯语气词碎片（あ/ん？等），由
+        # short_moan_max_chars（默认 3，0=关闭）参数控制短呻吟整条删除。
         # 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。
@@ -305,10 +307,23 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
         # 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。
+        # 其次（2026-09 用户决策）：decode_full 也会把呻吟/BGM 混叠的弱语音整段
+        # 救回，其中混有大量**纯语气词碎片**（あ…/ん?/はぁ…/あ!あ!/んふふ 等），
+        # 这类噪声影响字幕观感；在此按'全部字符∈纯呻吟集合 且 有效假名≤max_chars'
+        # 判据**整条删除**（remove_short_moan_entries），真实短对话（そこ/やばい/
+        # ねえ/やだ）天然不命中。仅 decode_full 生效，demo 等 VAD 链路不受影响；
+        # 参数 short_moan_max_chars 可调（默认 3，设 0 关闭）。
         if decode_full:
-            from nodes.subtitle_cleanup import clean_japanese_hallucinations
+            from nodes.subtitle_cleanup import (
+                clean_japanese_hallucinations,
+                remove_short_moan_entries,
+            )
 
             body = clean_japanese_hallucinations("\n".join(lines))
+            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"