segment-subtitles

name	segment-subtitles
description	字幕断句（合并/分割）的规范。ASR 自动字幕常无标点，合并以语义完整性为判据而非标点；含英文预整理（游离单词归位）、两遍式定段、多说话人对白拆分、行宽规则、相邻段时间不重叠（共享 cue 整条归属 / 中间断句估算切分）。翻译工作流阶段一第一次遍历归位、阶段二断句时使用；分块见 redstone-conventions「长视频分块」。

字幕断句规范

适用范围

• 输入多为 YouTube 自动字幕：无标点、按 cue 切分、常把句子首尾单词甩到行外
• 断句 = 合并 ASR 碎片成完整句 + 分割超长句/对白为多段独立字幕
• 两遍式：翻译前只能靠英文语义做初步分组；"中文为主导"的最终定段在译成中文后进行

工作流程（处理顺序）

1. 英文预整理（游离单词归位）-> 英文预整理
2. 第 1 遍（英文侧，初步分组）：以整理后的英文句的语义边界为据（标点仅最弱参考、不作依据），把碎片拼成句级单元，只保证语音/语义连续 -> 合并判据；说话人切换拆段 -> 对白拆分
3. 分块（长视频）-> redstone-conventions#长视频分块
4. 翻译（每块交 subagent，prompt 按 subagent-dispatch#派发配方 组装）
5. 第 2 遍（中文侧，最终定段）：以中文为主导做最终合并与分割 -> 合并判据 分割超长句：
   • 中文读着零碎/别扭的片段 → 合并成语义完整单元（中文怎么顺就怎么分）
   • 禁止段内多行（同一时间码内把一行中文拆成两行）
   • 禁止把超宽整句一字不动留成一段
6. 校验（时间边界 / 时间不重叠 / 段序 / 行宽）-> 输出与校验

以上为处理顺序；各步详细判据见对应章节。

长视频分块

分块是全流程通用机制（术语扫描/合并/翻译/去翻译腔都用），已不属于断句规范——工具、参数与结转规则见 redstone-conventions#长视频分块。

英文预整理（游离单词归位）

ASR 按 cue 切分常把句子的首尾单词甩到行外（如 ...a design. My 的 My 属下一句、...wrong. In 的 In 属下一句）。分组前先把这类游离单词归位到所属句子，整理出干净的英文句子流；归位只在既有 cue 内重分布文本，不改动时间码。

合并判据：语义完整性（不以标点为准）

ASR 可能完全无标点，合并的唯一判据是语义完整性——一个完整的思想/句子：

1. 按内容判断句子是否说完（主谓宾完整、语义闭合）
2. 辅助信号（非硬性）：
   • 相邻 cue 时间间隙偏大（≈0.5s 以上）
   • 内容转折/承接词（so / but / and then / because 常开启新句或承接）
   • cue 末尾明显未完（连词、介词收尾）
   • 原字幕若有标点：有则参考、不作依据
3. 边界只允许取整条 cue：合并后的段时间码 = 首 cue start → 末 cue end，必须 ⊆ 原字幕边界集合（项目硬规则）
4. 相邻段时间不得重叠（项目硬规则）：段 i 的 end ≤ 段 i+1 的 start（允许相接、不允许交叉）——句子边界落在 cue 中间（共享 cue）时见 共享 cue 与整条归属
5. 空 cue（[Music]/[Laughter] 等无文本）不单独产出：时间并入相邻段；校验若报"未覆盖 cue"即这些空 cue，组装脚本自动并入前一段即可

语义锚点

英文行始终锚定原 ASR 的语义边界（标点仅最弱参考、不作依据），中文段与英文句一一配对——保证合并/定段后英文句与中文段一一对应。

共享 cue 与整条归属（时间不重叠）

• 硬规则：相邻段时间不得重叠——段 i 的 end ≤ 段 i+1 的 start（允许相接，不允许交叉）。与「⊆ 原边界集」并用，杜绝"两段覆盖同一段时间"的坏结果
• 句子边界常落在 cue 中间（一个 cue 含两句首尾，即共享 cue）。此时整条 cue 归属一侧，边界回到 cue 边界：
  • 归属判据：语义占多数的句子，或先开始的句子优先（其 start 已固定，只需定 end）——整条 cue 归它：前段 end = 该 cue 的 end，后段 start = 下一 cue 的 start
  • 结果：文本仍按语义归位（各句文字完整），但共享 cue 内对方句子头尾几个词的时间会偏移一个小 cue 时长（ASR cue 通常 2–4s，可接受）——文本完整、时间近似、不重叠
• 禁止两段共用同一 cue 却不标注估算（=时间重叠，检测脚本报错）；共享 cue 文本仍按归属句写入，不重复、不遗漏
• 若整条归属会造成明显错位（如同一 cue 内两人问答）、必须从中间断开且无时间戳参考 → 中间断句与估算时间

对白拆分（多说话人）

• 说话人切换 → 拆成独立段，不标注说话人
• 识别切换主要靠语义：问答句式、话题转换、句首呼名（如 "ragou, ..."）、语气词变化
• 时间戳仅作辅助信号（间隙大 → 疑似切换），不作为分割依据——ASR 不一定在说话人切换时记录 cue
• 同一 cue 内两人对白（无时间戳参考）：默认整条 cue 归属一侧；必须中间断开时 → 中间断句与估算时间
• 单人讲解中的"自问自答"不拆，保持一段

分割超长句

• 中文行超宽（>26 视觉宽度，硬限制）的整句 → 分割为几段独立字幕，每段独立序号与时间码（>22 软告警）
• 分割点优先在语义相对完整处，不硬切残句
• 分割后各段时间码取原段内连续 cue 的 start/end，仍 ⊆ 原边界集
• 分割点落在 cue 中间且无时间戳参考 → 优先整条 cue 归属；必须精确切分时 → 中间断句与估算时间

中间断句与估算时间（受控例外）

• 默认：优先整条 cue 归属（见 共享 cue 与整条归属），不新造时间点
• 何时需要估算：对白切换 / 超长句行宽切分，切分点必须落在 cue 中间，且无时间戳参考；整条归属会造成明显错位
• 估算切分点（对「⊆ 原边界集」的唯一受控例外，只此一种新造时间点）：
  1. 公式：split = start_c + (end_c − start_c) × w1/(w1+w2)（w = 该侧在 cue 内的文本视觉宽度/字符数）
  2. 严格落在父 cue 的 [start_c, end_c] 内
  3. 四舍五入到 100ms
  4. 单调且不重叠：前段 end ≤ split ≤ 后段 start（相邻段同用该估算点时取等号 = 相接）
  5. 必须标注：03_segments.md 的 cue 范围加 ~（如 39|c112-c114~|），检测脚本跳过其「⊆ 原边界集」检查、但仍强制不重叠；成稿 SRT 用 --allow-estimated 复核
• 估算点是例外不是常态：能用整条 cue 归属解决的不要估算

行宽规则

中文行按视觉宽度判断——CJK=1、拉丁≈0.5/字符、数字≈0.5/字符（半角标准，2026-08-11 由拉丁≈1.52/数字≈12 修正：虚高会把带英文行推成长句）；目标 15-22、软告警 >22、硬限制 >26（必切）；禁止用 Python len() 判断（会虚高拉丁行）。15-22 是上限方向的目标，不是下限——不因行过短而强行合并。行宽是「分割超长句」的触发判据（>26），也是第 2 遍定段的目标。

阅读时长（5 字/秒）

行宽管"一行放多少字"（视觉），阅读时长管"这条字幕够不够读完"（时间）：

• 中文按 5 字/秒估算阅读时长：字数 ÷ 5 ≈ 所需秒数——对照对应英文 cue 的显示时长（或切分后各单元时长），读不完（中文所需 > 显示时长）的单元：优先在语义完整处切短；切不动 → 交回填阅读插值兜底
• 阅读插值（回填侧）：倒装语序 / 中英时长差异大时不能仅匹配英文 cue——按 5 字/秒在整句区间内按阅读时长比例重分配，切分点就近吸附真实 cue 边界（无则 100ms 预测点）；触发 = 长句碎片（<1s）或显著失配（< 阅读所需×0.7 且失配 ≥300ms）
• 单条字幕时长通常 ≥1s：同一整句拆出的 <1s 单元 =「长句碎片」（语义自足独立短句除外）——分句/切分时应避免制造 <1s 单元；碎片由校验回报、Agent 裁决合并或调整切分点

输出与校验

• 断句定稿写入 s03_plan.md（格式见 translate-redstone#阶段二正式翻译 · 产物契约）
• 每次合并/分割后立即校验（必须通过才能进入下一步）：
  1. 时间不重叠 + 边界归属 + 段序：python scripts/srt_check_segments.py <03_segments.md 或 draft.srt> --orig <01_subtitle_asr_fixed.srt>（检查相邻段 end_i ≤ start_{i+1} 不重叠、时间边界 ⊆ 原边界集、不逆序、cue 覆盖完整；默认只给问题数，--expand 看每条明细）
  2. 中文行宽：python scripts/srt_check_width.py <draft.srt> --order en-zh
• 成稿（04_translation_draft.srt）用 srt_check_segments.py 复核一次；含标注 ~ 的估算切分点时加 --allow-estimated（新造时间点降为告警）
• 一次性辅助脚本随视频放 _work/<视频>/，用后即弃；可复用的检测脚本在 scripts/