cat-shark
8f6083f8cf
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。
59 lines
2.1 KiB
Python
59 lines
2.1 KiB
Python
"""SRT 条目解析与序列化：正文可多行或为空，保留原始毫秒时间戳。"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import re
|
|
from dataclasses import dataclass
|
|
|
|
_TIMESTAMP = re.compile(r"^(\d{2,}:\d{2}:\d{2},\d{3})\s*-->\s*(\d{2,}:\d{2}:\d{2},\d{3})$")
|
|
|
|
|
|
@dataclass(frozen=True)
|
|
class Cue:
|
|
"""一个字幕条目；序号在输出时重排，时间戳与多行正文独立保存。"""
|
|
|
|
start: str
|
|
end: str
|
|
text: str
|
|
|
|
|
|
def parse_srt(text: str) -> list[Cue]:
|
|
"""解析合法 SRT，兼容 BOM、CRLF、多余空行、空 cue 和末尾无空行。
|
|
|
|
非空的坏条目明确报错，避免静默漏字幕；空文件返回空列表。
|
|
"""
|
|
lines = text.lstrip("\ufeff").splitlines()
|
|
entries = []
|
|
index = 0
|
|
while index < len(lines):
|
|
if not lines[index].strip():
|
|
index += 1
|
|
continue
|
|
if not lines[index].strip().isdigit() or index + 1 >= len(lines):
|
|
raise ValueError(f"invalid SRT index at line {index + 1}")
|
|
match = _TIMESTAMP.fullmatch(lines[index + 1].strip())
|
|
if match is None:
|
|
raise ValueError(f"invalid SRT timestamp at line {index + 2}")
|
|
index += 2
|
|
body = []
|
|
while index < len(lines) and lines[index].strip():
|
|
# 正文行不允许是时间戳行：出现即说明条目之间缺少空行分隔。
|
|
# 若不报错，下一条的序号与时间轴会被当成上一条正文吞掉，
|
|
# 静默产出时间与文本错位的字幕（同“静默错位”类缺陷）。
|
|
if _TIMESTAMP.fullmatch(lines[index].strip()):
|
|
raise ValueError(
|
|
f"missing blank line before cue at line {index + 1}"
|
|
)
|
|
body.append(lines[index])
|
|
index += 1
|
|
entries.append(Cue(match[1], match[2], "\n".join(body)))
|
|
return entries
|
|
|
|
|
|
def serialize_srt(entries: list[Cue]) -> str:
|
|
"""按条目输出连续序号，空正文仍保留该条目的时间轴。"""
|
|
return "\n".join(
|
|
f"{i}\n{cue.start} --> {cue.end}\n{cue.text}\n"
|
|
for i, cue in enumerate(entries, 1)
|
|
)
|