vrsub

59 Commits 3 Branches 0 Tags

2 Commits

Include renames

Author	SHA1	Message	Date
cat-shark	8f6083f8cf	feat: 全系统统一 Whisper V2 权重并移除 demo 工作流确认所有运行时引用均使用 V2（V3 已停用），并修复一处真实不一致： - 工作流数据文件：learn-translate 用 faster-whisper-large-v2、 zh-direct 用 whisper-large-v2-translate-zh-v0.2-st-ct2（原本即 V2）； - 本地库的 demo 最新版本仍指向 large-v3：workflows/demo.json 早已改为 V2，但 seed 对已存在工作流刻意跳过，导致旧库停留在历史上用 V3 保存的定义，即本机跑 demo 实际加载 V3 权重。按用户决定移除 demo 工作流及其关联的 6 个 run、1 个批量任务与 431 条明细（媒体库中已放置的 6 个字幕成品保留）； - nodes/whisper.py 候选与远端兜底本就是 large-v2； - V3 权重目录保留在盘上仅作对照实验，文档标注为废弃； scripts/compare_whisper_v2_vs_v3.py 保留用于对照。顺带修复与清理： - src/wov_app/scheduler.py：_file_size 补捕 ValueError（见上一条提交说明的真实缺陷，此处为同一批改动）； - .gitignore：data/ 改为 /data/，避免连带忽略 tests/*/data/； - scripts/：评测集路径改到 scripts/data/translate_eval/； - 代码注释与文档同步移除 demo 引用（历史调研文档保留说明性引用）。验证：全量 477 passed；新库 seed 只创建 3 个 V2 工作流。	2026-09-13 15:41:58 +08:00
cat-shark	f2895ee103	feat: 字幕领域纠错模块（通用领域词表 + 有效上下文，不过拟合）背景：成人视频 ASR 常把性器官（チンポ/マンコ）听错成近音词（手先/ チェーンバー等），翻译逐字直译导致与画面严重不符。实验结论： - 硬编码 ASR 误听例子（手先→肉棒）过拟合——换视频的误听词就失效； - 通用领域词表（只列性器官的常见日文词+中文）+ 有效上下文 + 通用引导可泛化——对从没见过的误听（バナナ/マンゴー→性器官）也能按语境推断。实现 nodes/subtitle_correction.py： - PROPER_SESSION_WORDS：通用性器官领域词表（不含 ASR 误听噪声词） - _is_fragment：纯语气词/碎片过滤 - _build_context：目标 ±60s 有效上下文（过滤碎片，保留动作链） - _system_prompt：通用引导（无具体误听例子） - _extract_target_line：从 LLM 输出解析目标行译文 - invoke：逐条领域纠错，产出 corrected.srt 测试 tests/test_subtitle_correction.py（12 个）： - 碎片判定/上下文过滤/目标解析/提示词无噪声例子（9 快速单测） - 真实 LLM 泛化回归（对未出现误听词也能推断性器官）+ 端到端 invoke	2026-09-06 10:44:09 +08:00

Author

SHA1

Message

Date

cat-shark

8f6083f8cf

feat: 全系统统一 Whisper V2 权重并移除 demo 工作流

确认所有运行时引用均使用 V2（V3 已停用），并修复一处真实不一致：

- 工作流数据文件：learn-translate 用 faster-whisper-large-v2、
  zh-direct 用 whisper-large-v2-translate-zh-v0.2-st-ct2（原本即 V2）；
- 本地库的 demo 最新版本仍指向 large-v3：workflows/demo.json 早已改为 V2，
  但 seed 对已存在工作流刻意跳过，导致旧库停留在历史上用 V3 保存的定义，
  即本机跑 demo 实际加载 V3 权重。按用户决定移除 demo 工作流及其关联的
  6 个 run、1 个批量任务与 431 条明细（媒体库中已放置的 6 个字幕成品保留）；
- nodes/whisper.py 候选与远端兜底本就是 large-v2；
- V3 权重目录保留在盘上仅作对照实验，文档标注为废弃；
  scripts/compare_whisper_v2_vs_v3.py 保留用于对照。

顺带修复与清理：
- src/wov_app/scheduler.py：_file_size 补捕 ValueError（见上一条提交说明
  的真实缺陷，此处为同一批改动）；
- .gitignore：data/ 改为 /data/，避免连带忽略 tests/**/data/；
- scripts/*：评测集路径改到 scripts/data/translate_eval/；
- 代码注释与文档同步移除 demo 引用（历史调研文档保留说明性引用）。

验证：全量 477 passed；新库 seed 只创建 3 个 V2 工作流。

2026-09-13 15:41:58 +08:00

cat-shark

f2895ee103

feat: 字幕领域纠错模块（通用领域词表 + 有效上下文，不过拟合）

背景：成人视频 ASR 常把性器官（チンポ/マンコ）听错成近音词（手先/
チェーンバー 等），翻译逐字直译导致与画面严重不符。

实验结论：
- 硬编码 ASR 误听例子（手先→肉棒）过拟合——换视频的误听词就失效；
- 通用领域词表（只列性器官的常见日文词+中文）+ 有效上下文 + 通用引导
  可泛化——对从没见过的误听（バナナ/マンゴー→性器官）也能按语境推断。

实现 nodes/subtitle_correction.py：
- PROPER_SESSION_WORDS：通用性器官领域词表（不含 ASR 误听噪声词）
- _is_fragment：纯语气词/碎片过滤
- _build_context：目标 ±60s 有效上下文（过滤碎片，保留动作链）
- _system_prompt：通用引导（无具体误听例子）
- _extract_target_line：从 LLM 输出解析目标行译文
- invoke：逐条领域纠错，产出 corrected.srt

测试 tests/test_subtitle_correction.py（12 个）：
- 碎片判定/上下文过滤/目标解析/提示词无噪声例子（9 快速单测）
- 真实 LLM 泛化回归（对未出现误听词也能推断性器官）+ 端到端 invoke

2026-09-06 10:44:09 +08:00