"""nodes/vad_profiler.py 的模块级测试（数据 → 测试过程 → 验证结果）。 被测模块：`nodes/vad_profiler.py`（每视频自适应 VAD：信号分析 → 参数建议 → 转录质量评分），可独立调用。WAV 用例使用现场合成的**合法 PCM 波形**（真实 音频格式，非占位字节）；评分用例使用真实结构的分段对象。 """ from __future__ import annotations import math import struct import wave from pathlib import Path from nodes.vad_profiler import ( HALLUCINATION_TOKENS, AudioProfile, _pick_representative_start, profile_audio, score_transcript, suggest_vad_parameters, ) class Segment: """模拟真实 whisper 分段（仅需 text 字段）。""" def __init__(self, text: str) -> None: self.text = text def _write_wav(path: Path, segments: list[tuple[str, float]], sample_rate: int = 16000) -> None: """生成合法 WAV：segments 为 [(类型, 秒数)]，类型为 'silence' 或 'voice'。 真实 PCM：静音写 0 振幅，语音写 1000Hz 正弦（振幅 3000，超过语音阈值 900）。 """ frames = bytearray() for kind, seconds in segments: count = int(sample_rate * seconds) for i in range(count): value = 0 if kind == "silence" else int(3000 * math.sin(2 * math.pi * 1000 * i / sample_rate)) frames += struct.pack(" None: """静音占比由 1s 网格 RMS 统计得出（静音 3s + 语音 1s → 0.75）。""" # 数据：3 秒静音 + 1 秒语音的合法 WAV。 audio = tmp_path / "mixed.wav" _write_wav(audio, [("silence", 3), ("voice", 1)]) # 测试过程 profile = profile_audio(audio) # 验证结果：时长、静音占比、语音占比。 assert profile.duration_seconds == 0.0 or profile.duration_seconds >= 0 # 字段保留 assert 0.5 <= profile.silence_ratio <= 1.0 assert profile.voice_ratio <= 0.5 assert profile.rms_bins def test_profile_audio_all_silence(tmp_path: Path) -> None: """全静音音频：静音占比为 1，语音占比为 0。""" # 数据：5 秒静音。 audio = tmp_path / "silence.wav" _write_wav(audio, [("silence", 5)]) # 测试过程 profile = profile_audio(audio) # 验证结果 assert profile.silence_ratio == 1.0 assert profile.voice_ratio == 0.0 def test_profile_audio_all_voice(tmp_path: Path) -> None: """全语音音频：语音占比为 1。""" # 数据：4 秒语音。 audio = tmp_path / "voice.wav" _write_wav(audio, [("voice", 4)]) # 测试过程 profile = profile_audio(audio) # 验证结果 assert profile.voice_ratio == 1.0 assert profile.silence_ratio == 0.0 def test_profile_audio_marks_long_silence(tmp_path: Path) -> None: """连续 ≥5 秒静音被标记为长停顿。""" # 数据：6 秒静音 + 2 秒语音。 audio = tmp_path / "long_gap.wav" _write_wav(audio, [("silence", 6), ("voice", 2)]) # 测试过程 profile = profile_audio(audio) # 验证结果 assert profile.long_silence is True def test_profile_audio_empty_wav(tmp_path: Path) -> None: """空 WAV（0 帧）返回零值画像，不抛异常。""" # 数据：0 秒。 audio = tmp_path / "empty.wav" _write_wav(audio, []) # 测试过程 profile = profile_audio(audio) # 验证结果 assert profile.rms_bins == [] assert profile.median_rms == 0.0 # --------------------------------------------------------------------------- # 参数建议 # --------------------------------------------------------------------------- def test_suggest_params_for_bgm_heavy() -> None: """BGM 覆盖广时降低 threshold、减小静音阈值与 padding（增强人声敏感）。""" # 数据：BGM 覆盖画像。 profile = AudioProfile(bgm_heavy=True, lowish_ratio=0.7, silence_ratio=0.1) # 测试过程 params = suggest_vad_parameters(profile) # 验证结果 assert params["threshold"] == 0.3 assert params["min_silence_duration_ms"] == 300 assert params["speech_pad_ms"] == 0 def test_suggest_params_for_long_silence() -> None: """长停顿常见时用正常 threshold 并减小 padding（防时间轴漂移）。""" # 数据：长静音画像。 profile = AudioProfile(long_silence=True, silence_ratio=0.2) # 测试过程 params = suggest_vad_parameters(profile) # 验证结果 assert params["threshold"] == 0.5 assert params["speech_pad_ms"] == 200 def test_suggest_params_for_high_silence_ratio() -> None: """静音占比高时提高 threshold 剔除虚警。""" # 数据：静音占比 0.5。 profile = AudioProfile(silence_ratio=0.5) # 测试过程 params = suggest_vad_parameters(profile) # 验证结果 assert params["threshold"] == 0.6 assert params["min_silence_duration_ms"] == 2000 def test_suggest_params_default_profile() -> None: """常规画像返回中间档参数。""" # 数据：无特殊标记的常规画像。 profile = AudioProfile(silence_ratio=0.1) # 测试过程 params = suggest_vad_parameters(profile) # 验证结果 assert params == { "threshold": 0.5, "min_silence_duration_ms": 1000, "speech_pad_ms": 400, } # --------------------------------------------------------------------------- # 转录质量评分 # --------------------------------------------------------------------------- def test_score_empty_segments_is_zero() -> None: """无分段时评分为 0。""" # 数据：空列表。 # 测试过程与验证结果 assert score_transcript([]) == 0.0 def test_score_clean_transcript_is_high() -> None: """正常长度、无碎片无幻觉的转录得分高。""" # 数据：5 条 15 字左右的中文分段。 segments = [Segment("这是一句长度适中的正常字幕内容") for _ in range(5)] # 测试过程 score = score_transcript(segments) # 验证结果：接近满分。 assert score > 90.0 def test_score_penalizes_fragments() -> None: """碎片化（纯语气词）条目被扣分。""" # 数据：5 条纯假名碎片。 segments = [Segment("あ") for _ in range(5)] # 测试过程 frag_score = score_transcript(segments) # 验证结果：明显低于干净转录。 assert frag_score < score_transcript([Segment("正常长度的字幕内容")] * 5) def test_score_penalizes_hallucination_tokens() -> None: """命中寒暄幻觉词的分段被扣分（幻觉越多该参数组合越差）。""" # 数据：3 条含幻觉词的分段。 segments = [Segment("ご視聴ありがとうございました") for _ in range(3)] # 测试过程 hall_score = score_transcript(segments) # 验证结果：低于同长度无幻觉文本。 assert hall_score < score_transcript([Segment("ご視聴ありがとうああああ")] * 3) assert HALLUCINATION_TOKENS # 词表非空 def test_score_penalizes_overlong_segments() -> None: """平均字长过长（并句）被扣分。""" # 数据：3 条超长分段。 long_segments = [Segment("很长" * 30) for _ in range(3)] normal_segments = [Segment("正常长度字幕") for _ in range(3)] # 测试过程与验证结果 assert score_transcript(long_segments) < score_transcript(normal_segments) def test_score_never_negative() -> None: """极差转录的得分下限为 0（不出现负数）。""" # 数据：大量碎片 + 幻觉。 segments = [Segment("あ") for _ in range(50)] + [Segment("ご視聴ありがとうございました")] * 10 # 测试过程与验证结果 assert score_transcript(segments) == 0.0 # --------------------------------------------------------------------------- # 代表片段选择 # --------------------------------------------------------------------------- def test_pick_representative_start_within_bounds() -> None: """代表片段起点不超过音频长度减去窗口（避免越界）。""" # 数据：60 秒画像、30 秒窗口。 profile = AudioProfile(rms_bins=[100.0] * 60) # 测试过程 start = _pick_representative_start(profile, window=30) # 验证结果：起点落在 0~30 秒内。 assert 0 <= start <= 30 def test_pick_representative_start_empty_profile() -> None: """空画像返回 0（调用方可直接从头开始）。""" # 数据：空 rms_bins。 # 测试过程与验证结果 assert _pick_representative_start(AudioProfile(), window=30) == 0