polish-transcript

# 润色转写 转写是后面一切的底稿：句子怎么切、译文怎么对、字幕怎么断，都从它来。润色是从头到尾顺读一遍的校订，不是改写：修识别错误、补正标点，说话人原来怎么说就保留怎么说。 ## 1. 什么时候做 - **在翻译与建字幕层之前**。句子由标点切出来，改标点就会改分句；分句一变，译文记下的句子指纹就对不上了。所以先润色、写回，再重新 documents_read 拿新的句子去翻译。 - 这个视频已经有译文时，润色之后多数句子要重译。先告诉用户这一点，再动手。 - 用户说不要润色，或者这份转写已经润色过（用户改过、这个会话里做过）时跳过。 ## 2. 只能一词对一词地改 用 documents_read 读 kind 为 speech 的转写（有几份时按来源素材对上用户说的那段）。正文的 words 是一串词，每个词有 id、开始与结束时间、说话人和 text；标点贴在词的 text 上：句末标点在一句最后那个词的末尾，开引号、开括号在第一个词的开头。 写回时只改词的 text： - 每个词的 id、时间与说话人原样保留；词的个数与顺序不变；正文里其他字段照读到的原样写回。 - **能做**：把一个词的文本换成正确的写法（错字、同音或近音误听、拼写、大小写、专名）；在词的 text 前后加、改、删标点；把一个词里明显连写在一起的外语短语按词补回空格（仍在这个词的 text 里，不翻译）。 - **不能做**：合并或拆分词，增加或删除词，调换词序，把文本挪到别的词上，把词的文本改成空串。 - 一个错误跨了几个词时，能把正确写法分摊到这几个词上、每个词仍有文本，就分摊（例如逐字切分的转写里「深」「度」「雪」「洗」改成「深」「度」「学」「习」，按词切分的转写里 `Chat` `GBT` 改成 `Chat` `GPT`）。分摊不了（要删一个词或多出一个词才对得上）时不要硬改，在交付说明里列出这一处和正确写法。 ## 3. 先通读，定下底本 动笔前通读全文，定下这几件事，全文照它们改： - **背景参考**：先 videos_inspect 看来源素材的 `assets[].source`（从链接导入的素材才有）：标题、发布者（`uploader`）、简介（`description`）、作者的章节。它是背景参考，不是文稿内容，也不是绝对权威：里面人名、机构、产品、术语的准确写法是强校正提示，只在说话人明显在说它时才照它改；绝不因为简介里有就往文稿里加词、加事实。用户点名的写法仍是硬性要求，优先于它。 - **内容概要**：一两句话说清这个视频讲什么，用来判断听错的词本来是什么。 - **术语与专名**：认出同一个术语、人名、产品名的几种错写，全文统一成一种正确写法。用户点名的写法是硬性要求，逐字照用：不变形、不改拼写与大小写、不增减空格。上下文不能确定时不猜，保留原样。 - **原文语言**：取转写文档的 language。润色后的文本仍是这种语言，绝不翻译；说话人夹用的别种语言的词保留原样，也不把原文语言的词换成别的语言。 ## 4. 默认做的三件事 1. **错字与误听**：明显的识别错误、拼写、同音或近音误听、错分的词界。要有上下文的证据才改；口语里不通顺、不规范的说法本身不是识别错误，代词、时态和口语语法照原样留着。 2. **术语与专名**：按第 3 节统一。 3. **标点与分句**：按意思补正标点，每说完一个完整的意思，就用这种文字自己的句末标点收住。 - 不在悬着的连词、介词或没说完的引导语后面断句（例如 `because.`、`of.`、`当。`、`和。`）：把它接到后面的分句上，意思说完再断。 - 停顿只是参考：停顿常在句子中间，按意思断句，不因为停顿就断。 - 一长段话不要一直用逗号连下去：没有句末标点的长段会被硬切成很长的句子，字幕和译文都会难读。 - 不留冲突的相邻标点（例如 `。，`、`，。`、`,,`、`.,`），只保留一个表达边界的。 - 标点与空格按这种文字自己的习惯：中文、日文用全角标点，字与字之间不加空格；拉丁、西里尔等字母文字用半角标点，标点贴着前一个词；其他文字按它通行的书写规范，拿不准时沿用转写里已有的标点风格，不套用别种文字的标点。 ## 5. 默认不做的事 - **改语法**（主谓一致、冠词、时态等）：用户要求时才做，只修明确的错误，不改意思和语气；需要增删词才能改通的不改，列在交付说明里。 - **删口癖、精简啰嗦**：要删词，转写里做不到。用户想让视频里没有口癖、长停顿，那是剪辑：按剪口播（`talking-head-cut`）的做法，或用 edits_apply 的 proposeCuts 提出剪辑，剪时间线，不改转写。 - 改写、总结、调序、补充内容、翻译：都不做。 ## 6. 写回 - 在读到的正文上代入改好的 text，用 documents_put 写回同一份转写（document 给它的 documentId，kind 不变），一次写完整份。 - 版本冲突说明用户刚改过：重新读，在新的正文上重做，不要用旧正文覆盖用户的修改。 - 写好后再 documents_read 一次，看 translationBasis 里切出的句子：没有整段连成一句，也没有在半句话处断开；不对就再改标点。 ## 7. 说话人实名 转写区分了说话人时，正文的 `speakers[]` 给每位说话人一个 id 和 name。自动区分只给占位名，润色写回之后，最后一件事是给占位名的说话人换上真名。 - **占位名**：转写流程自动起的「说话人 n」及它在别的界面语言里的对应（`Speaker 1`、`Sprecher 1`、`Parlante 1` 这类「说话人 + 编号」）、识别服务给的编号标签（`SPEAKER_00`、`S1`、`spk-1`），以及名字为空或等于 id 的（大小写不论）。别的名字都是用户或别人起的，不动。 - **什么时候做**：说话人多于一位、还有占位名时必做；只有一位说话人、或已经没有占位名时跳过。第 1 节说的跳过润色时，这一步照样做：它只改名字，不碰正文。证据能认出来时，不要带着占位名交付多人的视频。 - **证据从哪来**：文稿开头约 400 词；每位说话人第一次开口前约 60 词、开口后约 120 词；来源素材的标题、发布者与简介（第 3 节）；画面帧上的姓名条或字幕：先用这个任务里已经取过的帧；元数据点出了参与者、文稿里却对不上声音时，用 videos_frames 取开头一两分钟和每位说话人首次开口处的几帧看姓名条。姓名条要明确标着这一位在说话，画面上随便出现的名字不算。 - **什么算证据**：自我介绍（「我是……」「my name is …」）；对方引介（「今天请到了……」「welcome, …」）；被点名之后紧接着这一位的回应；签名式的收尾；来源元数据唯一地指明了其中一位。元数据里列出几位嘉宾，但分不出哪个声音是谁时，还要文稿里的证据。参与者名单、发言顺序、说话人编号、话题本身都不算证据；反过来，标题或简介点出了参与者时更要做这一步：逐位找证据，把名字对到声音上。 - **名字怎么写**：写材料里实际用的形式，通常是全名，没有全名时用出现的那种（比如只有名）；保留原来的文字与拼写，不翻译、不音译；不加头衔、敬称、机构、括号、引号或说明；不超过 40 个字符。材料里没有名字、但明确说了角色（某个节目的主持人、采访者、旁白）时，可以用简短的角色标签；不能只凭对话的样子编一个角色。 - **不猜**：拿不准就保留占位名。猜错比留着更糟：错名会出现在每一条字幕和每个导出的文件里。 - **一人几个 id**：自动区分可能把同一个人拆成几个 id。每个 id 各有证据时给它们同一个名字；不合并 id。 - **写回**：用 documents_put 写回同一份转写，只改 `speakers[].name`，words 与其他字段照读到的原样；几位一次写完。版本冲突时照第 6 节重新读。 ## 8. 交付 - 说明：改了多少处；统一了哪些术语与专名；补了哪些分句。 - 列出因为只能一词对一词而没改成的地方（原文、应该是什么）和拿不准没改的地方。 - 说话人：给谁实名了、凭的什么证据（一句话）；哪些没有证据、仍是占位名。 - 接下来要翻译时，用这次写回之后的转写重新 documents_read。 ## 9. 自查 - 词的个数、id、时间与说话人和读到的一致，没有空文本的词。 - 没有翻译、改写、调序或删掉内容；默认没有改语法、没有删口癖。 - 术语和专名全文一致，用户点名的写法逐字出现。 - 每句以句末标点收住，没有悬空的断句，没有冲突的相邻标点；标点与空格合这种文字的习惯。 - 多位说话人时没有能认出却还留着的占位名；每个写上的名字都有证据，没有头衔与括号；用户起的名字没被改。