--- phase: 12-srt-simplifier plan: 01 type: execute wave: 1 depends_on: [] files_modified: - kb_workflow/pipeline/processors/srt.py - kb_workflow/pipeline/schemas.py - kb_workflow/srt/__init__.py - kb_workflow/srt/parser.py - kb_workflow/srt/segmenter.py - kb_workflow/srt/corrector.py - tests/test_srt_processor.py autonomous: true requirements: - SRT-01 - SRT-02 - SRT-03 - SRT-04 - OUT-01 - OUT-02 - OUT-04 must_haves: truths: - "SRT 文件能被正确解析为结构化数据" - "字幕时间戳被移除，只保留纯文本" - "文本按语义主题自动分段" - "明显的语音识别错误被 LLM 纠正" - "生成结构化的 Markdown 文件" artifacts: - path: "kb_workflow/srt/parser.py" provides: "SRT 格式解析" contains: "def parse_srt" - path: "kb_workflow/srt/segmenter.py" provides: "语义分段" contains: "class SemanticSegmenter" - path: "kb_workflow/srt/corrector.py" provides: "LLM 纠错" contains: "class ASRCorrector" - path: "kb_workflow/pipeline/processors/srt.py" provides: "Pipeline 处理器" exports: ["SRTProcessor"] key_links: - from: "kb_workflow/pipeline/processors/srt.py" to: "kb_workflow/srt/parser.py" via: "parse_srt function" pattern: "parse_srt" - from: "kb_workflow/pipeline/processors/srt.py" to: "kb_workflow/srt/segmenter.py" via: "SemanticSegmenter class" pattern: "SemanticSegmenter" - from: "kb_workflow/pipeline/processors/srt.py" to: "kb_workflow/srt/corrector.py" via: "ASRCorrector class" pattern: "ASRCorrector" --- 创建 SRT 字幕处理模块，实现字幕解析、去时间戳、语义分段和 LLM 纠错功能。 Purpose: 将 B 站字幕文件转换为易读的 Markdown 文档，保留核心内容但移除时间戳等格式信息。 Output: SRT 处理模块（parser, segmenter, corrector）和 SRTProcessor 处理器。 @/home/starmen1265/.claude/get-shit-done/workflows/execute-plan.md @/home/starmen1265/.claude/get-shit-done/templates/summary.md @.planning/PROJECT.md @.planning/ROADMAP.md @.planning/STATE.md ## 现有架构 ### Pipeline 处理器模式（from base.py） ```python class BaseProcessor(ABC): STEP_NAME: str def __init__(self, state_manager: Optional[WorkflowStateManager] = None): self.settings = get_settings() self.state_manager = state_manager @abstractmethod async def process(self, input_data: StepInput) -> StepOutput: pass ``` ### ASRProcessor 输出格式（from asr.py） ```python class ASROutput(StepOutput): tool: Literal["subtitle", "whisper", "whisper-diarization"] has_subtitle: bool output_files: Dict[str, str] # {txt, srt, json} segments: List[Dict[str, Any]] # [{id, start, end, text}] text: str # 完整文本 duration_seconds: float speakers: Optional[List[str]] ``` ### SRT 文件格式示例 ``` 1 00:00:00,000 --> 00:00:05,000 第一句字幕内容 2 00:00:05,000 --> 00:00:10,000 第二句字幕内容 ``` ### DeepAnalyzer AI 客户端模式（from deep_analyzer/__init__.py） ```python class SimpleAIClient: def __init__(self, api_key: str, provider: str, model: str, base_url: str): self.api_key = api_key or os.environ.get("AI_API_KEY", "") self.provider = provider or os.environ.get("AI_PROVIDER", "") self.model = model or os.environ.get("AI_MODEL", "glm-5") self.base_url = base_url or os.environ.get("AI_BASE_URL", "") def generate(self, prompt: str, max_tokens: int = 16000) -> str: # 支持 openai, zhipu, minimax 提供商 ``` Task 1: 创建 SRT 解析器模块 kb_workflow/srt/__init__.py, kb_workflow/srt/parser.py, tests/test_srt_processor.py - Test 1: 标准的 SRT 格式能被正确解析为 Segment 列表 - Test 2: 包含特殊字符的字幕能正确处理 - Test 3: 空文件或格式错误的文件抛出 ValueError 创建 SRT 解析模块: 1. 创建 `kb_workflow/srt/__init__.py` 导出公共接口 2. 创建 `kb_workflow/srt/parser.py`: - `@dataclass class Segment`: id, start_time, end_time, text - `def parse_srt(content: str) -> List[Segment]`: 解析 SRT 格式 - `def parse_srt_file(file_path: Path) -> List[Segment]`: 从文件解析 - 使用正则表达式匹配 SRT 块: `(\d+)\n(\d{2}:\d{2}:\d{2},\d{3}) --> (\d{2}:\d{2}:\d{2},\d{3})\n(.*?)(?=\n\n|\Z)` 3. 创建单元测试文件 `tests/test_srt_processor.py`，测试解析功能 注意：时间戳格式为 `HH:MM:SS,mmm`，需要正确解析。 pytest tests/test_srt_processor.py::test_parse_srt -v - SRT 文件能被解析为 List[Segment] - 每个 Segment 包含 id, start_time, end_time, text - 单元测试通过 Task 2: 创建语义分段器 kb_workflow/srt/segmenter.py, tests/test_srt_processor.py - Test 1: 连续短句被合并为段落 - Test 2: 主题变化时自动分段 - Test 3: 单个段落不超过 500 字符 创建语义分段模块: 1. 创建 `kb_workflow/srt/segmenter.py`: - `class SemanticSegmenter`: 语义分段器 - `def segment(self, segments: List[Segment], max_paragraph_chars: int = 500) -> List[str]`: 将字幕分段转换为语义段落 - 分段策略: a. 基于简单启发式规则（可选未来用 LLM 增强） b. 空行/长停顿（>3秒）作为分段点 c. 段落长度限制（max_paragraph_chars） - 返回段落文本列表（已去除时间戳） 2. 更新测试文件添加分段测试 不使用 LLM 进行分段判断（简化实现），仅基于时间和长度规则。 pytest tests/test_srt_processor.py::test_segment -v - 字幕分段被合并为语义段落 - 时间戳被移除 - 段落长度合理（不超过 max_paragraph_chars） Task 3: 创建 ASR 纠错器 kb_workflow/srt/corrector.py, tests/test_srt_processor.py - Test 1: 明显的同音字错误被纠正 - Test 2: 上下文相关的错误被纠正 - Test 3: 正确文本不被过度修改 创建 ASR 纠错模块: 1. 创建 `kb_workflow/srt/corrector.py`: - `class ASRCorrector`: ASR 纠错器 - 复用 `SimpleAIClient`（from deep_analyzer） - `def correct(self, text: str) -> str`: 纠正文本中的语音识别错误 - Prompt 设计: ``` 你是一个文本校对专家。以下是语音识别生成的字幕，可能包含识别错误。 请只纠正明显的错误（如同音字、漏字、错字），不要改变原意和风格。 原文： {text} 纠正后的文本（只输出纠正后的文本，不要解释）： ``` - 分批处理长文本（每批 5000 字符） 2. 更新测试文件添加纠错测试 注意：纠错是可选功能，如果 AI 不可用则返回原文。 pytest tests/test_srt_processor.py::test_correct -v - ASR 纠错器能纠正明显的语音识别错误 - AI 不可用时返回原文 - 长文本被分批处理 Task 4: 创建 SRTProcessor 和 Markdown 生成 kb_workflow/pipeline/processors/srt.py, kb_workflow/pipeline/schemas.py, kb_workflow/srt/__init__.py 创建 SRTProcessor 处理器和输出 Schema: 1. 更新 `kb_workflow/pipeline/schemas.py`: - `class SRTInput(StepInput)`: srt_file, metadata_file, output_file, content_type - `class SRTOutput(StepOutput)`: output_file, paragraphs, tags, corrected 2. 创建 `kb_workflow/pipeline/processors/srt.py`: - `class SRTProcessor(BaseProcessor)`: SRT 处理器 - `STEP_NAME = "srt"` - `async def process(self, input_data: SRTInput) -> SRTOutput`: a. 解析 SRT 文件（调用 parser.parse_srt_file） b. 语义分段（调用 segmenter.segment） c. ASR 纠错（调用 corrector.correct，可选） d. 生成 Markdown 文件 3. Markdown 输出格式: ```markdown --- title: "视频标题" date: 2026-03-19 author: 作者名 platform: bilibili duration: 12:34 bvid: BV1xx... url: https://... tags: ["标签1", "标签2"] --- ## 摘要 [LLM 生成的简短摘要，可选] ## 内容 段落1... 段落2... ... ``` 4. 更新 `kb_workflow/srt/__init__.py` 导出所有公共接口 pytest tests/test_srt_processor.py::test_srt_processor -v - SRTProcessor 能处理 SRT 文件生成 Markdown - 输出包含 YAML frontmatter（元数据和标签） - 处理器遵循 BaseProcessor 模式 - 所有单元测试通过 - SRT 解析器能处理标准格式 - 语义分段器输出合理段落 - ASR 纠错器能调用 LLM - SRTProcessor 生成有效 Markdown 1. `parse_srt` 能将 SRT 内容解析为 Segment 列表 2. `SemanticSegmenter.segment` 能将字幕转换为语义段落 3. `ASRCorrector.correct` 能纠正语音识别错误 4. `SRTProcessor` 能生成包含元数据的 Markdown 文件 5. 所有测试通过（pytest tests/test_srt_processor.py） After completion, create `.planning/phases/12-srt-simplifier/12-01-SUMMARY.md`