cat-shark
e98f90e164
逐类人工审查真实任务 run_ac7f480a3ccb（1666 条 OCR 输出）后确认 LLM 五类分类层性价比为负： - 规则层删除 782 条（47%），几乎全对（---/HTML/___/编号等）； - LLM 层额外删除 131 条，其中 **73 条（56%）是真实对话**， 如"好好教育她一番吧""腿不要合上""这家医院 为VIP患者提供了特殊服务"； - 它真正抓住而规则层抓不到的仅 58 条且大半可正则化； - repeat 类别 67 条判定、0 条删除，形同虚设； - 长文本保护/上下文净化/去重/429 退避/断点存档等机制全是在给 不稳定的分类器兜底，误删量超过净收益。 改动： 1. 规则层下沉原 LLM 层抓到的确定性模式：水印编号（SPHO-1/PHO一号馆）、 日期与数值（2011-11-27/4.0）、VLM 提示回显（no text is visible）、 角色标注（（出演））。刻意不删（北冈果林）这类演员名括号——无法与 （小声）不要啊 可靠区分，且其本身是无害字幕文本； 2. 新增 use_llm 参数并**默认关闭** LLM 分类层，需要旧行为时显式开启； ocr-subtitle 工作流显式声明 use_llm=0 并附 _note_use_llm 理由。 真实数据实测：保留 863 条（旧 588）、误删真对话 0 条（旧 73）、 LLM 调用 0 次（旧 680 次/52 秒）。
71 lines
2.4 KiB
JSON
71 lines
2.4 KiB
JSON
{
|
||
"id": "ocr-subtitle",
|
||
"name": "字幕OCR提取",
|
||
"description": "抽帧并 OCR 提取视频烧录字幕，经 LLM 过滤无意义内容后生成带时间轴的 SRT 基准数据。",
|
||
"version": 7,
|
||
"definition": {
|
||
"name": "字幕OCR提取",
|
||
"version": 7,
|
||
"nodes": [
|
||
{
|
||
"id": "extract",
|
||
"node_type": "frame-extract",
|
||
"params": {
|
||
"interval_seconds": 0.5,
|
||
"crop": [
|
||
0,
|
||
0.75,
|
||
1,
|
||
0.25
|
||
]
|
||
},
|
||
"inputs": {
|
||
"video_uri": "input.video_uri"
|
||
}
|
||
},
|
||
{
|
||
"id": "ocr",
|
||
"node_type": "subtitle-ocr",
|
||
"params": {
|
||
"prompt": "提取图像中的文字，不要描述图片中的内容",
|
||
"pool_min_workers": 1,
|
||
"pool_max_workers": 20
|
||
},
|
||
"inputs": {
|
||
"frames_manifest": "extract.frames_manifest"
|
||
}
|
||
},
|
||
{
|
||
"id": "filter",
|
||
"node_type": "llm-filter",
|
||
"params": {
|
||
"pool_min_workers": 1,
|
||
"pool_max_workers": 20,
|
||
"pool_fast_threshold": 1,
|
||
"use_llm": "0",
|
||
"_note_use_llm": "0（默认，2026-09 起）：只跑确定性规则层，不做 LLM 五类分类。实测（run_ac7f480a3ccb 1666 条真实 OCR）LLM 层额外删除的 131 条中 56%（73 条）是真实对话（'好好教育她一番吧'/'腿不要合上'/'这家医院 为VIP患者提供了特殊服务'），而它真正抓住而规则层抓不到的仅 58 条且大半已下沉为规则（水印编号/日期/VLM 提示回显/角色标注），repeat 类别 67 条判定零删除——净收益为负。关闭后保留 863 条（旧 588 条）、误删真对话 0 条（旧 73 条）、无 LLM 调用（0.00s vs 52s）。正例：规则层删掉 '---'/'HTML'/'___'/'SPHO-1'/'2011-11-27' 等确定性垃圾，同时保留全部真实对白。反例：设为 1 会把 '差不多想要肉棒了吧'、'应该已经察觉到 至今为止的一切了吧' 等真对话当 garbage 删掉。需要旧行为时置为 1（pool_* 参数随之生效）。"
|
||
},
|
||
"inputs": {
|
||
"srt_uri": "ocr.srt_uri"
|
||
}
|
||
}
|
||
],
|
||
"edges": [
|
||
{
|
||
"from": "extract",
|
||
"to": "ocr"
|
||
},
|
||
{
|
||
"from": "ocr",
|
||
"to": "filter"
|
||
}
|
||
],
|
||
"entry_inputs": {
|
||
"video_uri": "file"
|
||
},
|
||
"final_outputs": {
|
||
"srt": "filter.srt_uri"
|
||
}
|
||
}
|
||
}
|