Первоначальная версия VidConf

workers/transcription/phrases.py

@@ -0,0 +1,164 @@
+"""Реконструкция фраз из сегментов Whisper по алгоритму ТЗ §1.3.
+
+Определение фразы (ТЗ §1.3): фрагмент монолога одного участника между
+монологами других участников, либо между `t_start` сеанса и первым
+монологом, либо между последним монологом и `t_end`.
+
+Алгоритм:
+1. Сегменты всех треков (участников) сливаются в единый таймлайн с учётом
+   смещения каждого трека (`track_offsets`) и сортируются по `start`.
+2. Идём по таймлайну и группируем подряд идущие сегменты одного и того же
+   участника в одну фразу; смена участника — граница фразы.
+3. Короткая вставка другого участника короче `INTERJECTION_THRESHOLD_S`
+   (например, «угу») не прерывает текущую фразу, но сама сохраняется
+   отдельной фразой.
+4. Тишина (пауза) между сегментами одного участника без чужой речи фразу
+   не рвёт.
+5. Перекрытия речи двух участников длиннее порога — обе фразы сохраняются
+   с пересекающимися интервалами (без «доминирующего спикера»).
+
+Функция `build_phrases` — чистая: работает в секундах, относительных
+`t_start` сеанса; конвертацию в абсолютное время UTC делает вызывающий код
+(оркестратор пайплайна).
+"""
+
+import uuid
+from dataclasses import dataclass, field
+
+from core.plugins.transcriber import Segment
+
+INTERJECTION_THRESHOLD_S: float = 1.5
+"""Порог длительности (в секундах) короткой вставки другого спикера,
+которая не прерывает текущую фразу, но фиксируется как отдельная фраза."""
+
+
+@dataclass(frozen=True, slots=True)
+class SpeakerSegment:
+    """Сегмент речи одного участника на объединённом таймлайне сеанса."""
+
+    participant_id: uuid.UUID
+    start: float  # секунды от t_start сеанса
+    end: float
+    text: str
+
+
+@dataclass(frozen=True, slots=True)
+class PhraseDraft:
+    """Черновик реконструированной фразы — без привязки к сеансу/БД."""
+
+    participant_id: uuid.UUID
+    start: float
+    end: float
+    text: str
+
+
+@dataclass(slots=True)
+class _OpenPhrase:
+    """Мутируемое состояние фразы, которая ещё собирается в процессе обхода таймлайна."""
+
+    participant_id: uuid.UUID
+    start: float
+    end: float
+    texts: list[str] = field(default_factory=list)
+
+    def to_draft(self) -> PhraseDraft:
+        """Зафиксировать накопленное состояние как неизменяемый `PhraseDraft`."""
+        return PhraseDraft(
+            participant_id=self.participant_id,
+            start=self.start,
+            end=self.end,
+            text=" ".join(text for text in self.texts if text),
+        )
+
+
+def _merge_timeline(
+    segments_by_participant: dict[uuid.UUID, list[Segment]],
+    track_offsets: dict[uuid.UUID, float],
+) -> list[SpeakerSegment]:
+    """Слить сегменты всех участников в единый таймлайн, отсортированный по `start`.
+
+    Смещение (`track_offsets`) — время старта записи трека участника
+    относительно `t_start` сеанса; при отсутствии участника в словаре
+    смещений используется 0.0.
+    """
+    timeline: list[SpeakerSegment] = []
+    for participant_id, segments in segments_by_participant.items():
+        offset = track_offsets.get(participant_id, 0.0)
+        for segment in segments:
+            timeline.append(
+                SpeakerSegment(
+                    participant_id=participant_id,
+                    start=segment.start + offset,
+                    end=segment.end + offset,
+                    text=segment.text,
+                )
+            )
+    timeline.sort(key=lambda s: (s.start, s.end))
+    return timeline
+
+
+def build_phrases(
+    segments_by_participant: dict[uuid.UUID, list[Segment]],
+    track_offsets: dict[uuid.UUID, float],
+) -> list[PhraseDraft]:
+    """Реконструировать фразы по объединённому таймлайну сегментов участников.
+
+    Аргументы:
+        segments_by_participant: сегменты Whisper каждого участника,
+            относительные началу его собственного трека.
+        track_offsets: смещение (в секундах от `t_start` сеанса) начала
+            записи каждого трека.
+
+    Возвращает список `PhraseDraft`, отсортированный по `start`.
+    """
+    timeline = _merge_timeline(segments_by_participant, track_offsets)
+    if not timeline:
+        return []
+
+    finished: list[PhraseDraft] = []
+    current: _OpenPhrase | None = None
+
+    for segment in timeline:
+        if current is None:
+            current = _OpenPhrase(
+                participant_id=segment.participant_id,
+                start=segment.start,
+                end=segment.end,
+                texts=[segment.text],
+            )
+            continue
+
+        if segment.participant_id == current.participant_id:
+            # тот же спикер: продолжаем фразу, тишина между сегментами её не рвёт
+            current.end = max(current.end, segment.end)
+            current.texts.append(segment.text)
+            continue
+
+        duration = segment.end - segment.start
+        if duration < INTERJECTION_THRESHOLD_S:
+            # короткая вставка чужого спикера: не прерывает текущую фразу,
+            # но фиксируется как отдельная фраза
+            finished.append(
+                PhraseDraft(
+                    participant_id=segment.participant_id,
+                    start=segment.start,
+                    end=segment.end,
+                    text=segment.text,
+                )
+            )
+            continue
+
+        # реальная смена спикера (или длинное перекрытие) — граница фразы
+        finished.append(current.to_draft())
+        current = _OpenPhrase(
+            participant_id=segment.participant_id,
+            start=segment.start,
+            end=segment.end,
+            texts=[segment.text],
+        )
+
+    if current is not None:
+        finished.append(current.to_draft())
+
+    finished.sort(key=lambda p: (p.start, p.end))
+    return finished