This repository has been archived on 2026-08-07. You can view files and clone it. You cannot open issues or pull requests or push a commit.
Files
kb-skills/.planning/phases/12-srt-simplifier/12-01-PLAN.md
T

314 lines
9.9 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
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"
---
<objective>
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。
</objective>
<execution_context>
@/home/starmen1265/.claude/get-shit-done/workflows/execute-plan.md
@/home/starmen1265/.claude/get-shit-done/templates/summary.md
</execution_context>
<context>
@.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
```
</context>
<tasks>
<task type="auto" tdd="true">
<name>Task 1: 创建 SRT 解析器模块</name>
<files>kb_workflow/srt/__init__.py, kb_workflow/srt/parser.py, tests/test_srt_processor.py</files>
<behavior>
- 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
</behavior>
<action>
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。
</action>
<verify>
<automated>pytest tests/test_srt_processor.py::test_parse_srt -v</automated>
</verify>
<done>
- 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
</done>
</task>
<task type="auto" tdd="true">
<name>Task 2: 创建语义分段器</name>
<files>kb_workflow/srt/segmenter.py, tests/test_srt_processor.py</files>
<behavior>
- 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
</behavior>
<action>
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。
</action>
<verify>
<automated>pytest tests/test_srt_processor.py::test_segment -v</automated>
</verify>
<done>
- 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)
</done>
</task>
<task type="auto" tdd="true">
<name>Task 3: 创建 ASR 纠错器</name>
<files>kb_workflow/srt/corrector.py, tests/test_srt_processor.py</files>
<behavior>
- 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
</behavior>
<action>
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。
</action>
<verify>
<automated>pytest tests/test_srt_processor.py::test_correct -v</automated>
</verify>
<done>
- 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
</done>
</task>
<task type="auto">
<name>Task 4: 创建 SRTProcessor 和 Markdown 生成</name>
<files>kb_workflow/pipeline/processors/srt.py, kb_workflow/pipeline/schemas.py, kb_workflow/srt/__init__.py</files>
<action>
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
</action>
<verify>
<automated>pytest tests/test_srt_processor.py::test_srt_processor -v</automated>
</verify>
<done>
- 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
</done>
</task>
</tasks>
<verification>
- 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
</verification>
<success_criteria>
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)
</success_criteria>
<output>
After completion, create `.planning/phases/12-srt-simplifier/12-01-SUMMARY.md`
</output>