feat: CCA v6 腾讯云部署 + 审稿台（含查找替换）

- deploy/cca_route.py: Flask 蓝图（6个API端点），WAV自动转MP3
- deploy/cca.html: 4步单页流程（上传→处理→审稿→下载），查找替换(Ctrl+H)
- src/term_normalizer.py: 新增正则层（同音字/引号/书名号/小数点/波浪号）
- src/ai_proofreader.py: speaker角色识别+专家段增强Prompt+的地得加强
- src/ai_line_breaker.py: 引号不跨屏+极短行合并+短句合并间隔放宽
- cca_pipeline.py: Step 2.5 校对后二次正则兜底
- 已部署至 http://101.42.29.217/cca.html

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

cca/CLAUDE.md

@@ -4,9 +4,9 @@
 
 ## 🔖 状态栏 (STATUS — 每次结束 session 前必须更新这三行)
 
-- **最后更新**：Claude Code（动手开发）｜ 2026-07-04
-- **当前状态一句话**：脚本版流水线 v3 完成（绝对时间戳+严格校对不润色），等制片人周一大洋系统验证 SRT 导入效果。
-- **下一个动手的人从这里开始**：读完本文件，运行 `python cca_pipeline.py --help` 了解用法。凭证需填入 `cca/.env`（XFYUN + DEEPSEEK）。可选下一步：用 `--audio` 跑真实 ASR（带热词注入）看是否比缓存版效果更好。
+- **最后更新**：Claude Code（动手开发）｜ 2026-07-05
+- **当前状态一句话**：CCA 唱词助手已部署至腾讯云（http://101.42.29.217/cca.html）。完整流程可用：上传音频+A稿 → ASR+AI校对 → 审稿台（含查找替换）→ 生成SRT下载。WAV自动转MP3。进入内测阶段。
+- **下一个动手的人从这里开始**：读完本文件。线上地址 http://101.42.29.217/cca.html（从配音首页"唱词助手"按钮进入）。服务器凭证见 `/workspace/military_tech_voice/backend/.env`。本地调试：`python -X utf8 cca_pipeline.py --asr-cache output/asr_raw.json --script "data/重走战争老路的日本军备（A稿）.docx" --output-dir output_v6`。
 
 ---
 
@@ -51,7 +51,7 @@
 ## 2. 技术栈与运行方式
 
 - **语言**：Python（与主项目 backend 对齐）
-- **前端**：Web 界面（编导审稿台需要双屏对比 UI），技术选型待定（可复用主项目 React 或轻量方案）
+- **前端**：纯 HTML/CSS/JS 单页（cca.html），暗色主题匹配 lanhao 配音系统，无框架依赖
 - **ASR**：讯飞开放平台 录音文件转写标准版（已有 API Key，与 doco 共用同一套讯飞凭证）
 - **AI**：LLM 用于两处——① 从 A 稿提取专有名词词典；② ASR 稿校对（的地得、引号、错别字）
 - **输出格式**：SRT（大洋系统兼容格式，有样本参照）
@@ -62,14 +62,17 @@
 
 ## 3. 当前进度
 
-- **已完成至**：脚本版流水线 v3 跑通——绝对时间戳 + 严格校对（只改错别字/术语/填充词，不润色不调序）+ AI折行 + 5段SRT。
-- **正在做**：无，等制片人周一在大洋系统验证 SRT 导入效果。
-- **卡点/待解**：无硬卡点。可选优化：用 `--audio` 跑真实 ASR（热词注入生效）看是否在转写层就避免"建制→舰只"类错误。
+- **已完成至**：腾讯云部署完成 + 审稿台（含查找替换）上线。流水线 v6 + Web 审稿台 + WAV 自动转码。进入内测。
+- **正在做**：无（等待内测反馈）。
+- **卡点/待解**：无硬卡点。已知残留：ASR 切句边界跨越固定搭配（如"第二次/世界大战"）暂无法修复——需要跨句拆词检测（可做但需更大短语词典）。
 
 ---
 
 ## 4. 已完成（只追加，最新在上）
 
+- [2026-07-05] **腾讯云部署 + 审稿台上线**：① deploy/cca_route.py（Flask 蓝图，6 个 API 端点：upload/status/review/save/generate/download）；② deploy/cca.html（4 步单页流程：上传→处理→审稿→下载，暗色主题匹配配音系统）；③ 审稿台功能：左栏 ASR 原文 vs 右栏 AI 校对稿对比、逐句编辑确认、仅看修改过滤、全部确认、**查找替换**（Ctrl+H，支持逐个/全部替换+高亮定位）；④ WAV 大文件自动 ffmpeg 转 MP3（解决讯飞上传超时）；⑤ 服务器架构：Nginx→静态 HTML + Flask:5000，CCA 源码在 `/workspace/military_tech_voice/backend/cca_src/`，蓝图注册在 `app/routes/cca.py`。首页已加"唱词助手"入口按钮。
+- [2026-07-05] **脚本版流水线 v6（14项审片修复+专家段识别）**：① term_normalizer 新增：波浪号→"到"、顿号→空格、小数点保留（0.9马赫）、同音字映射表（建制→舰只/沉默→沉没/继承→击沉）、引号上下文感知（日向号加引号但日向级不加）、书名号补全（《军事科技》）；② ai_proofreader 新增：speaker 角色自动识别（解说/主持/专家）、专家采访增强 Prompt（严格删除嗯/呃/啊/这个/那么/就是说等口头语）、的地得规则大幅加强（+大量示例）、数字照抄 ASR 规则；③ ai_line_breaker 新增：引号不跨屏后处理（≤6字引号内容不拆两行）、极短行合并（≤3字+时长<1秒→并入相邻行）、极短句合并间隔放宽（≤4字句间隔阈值1200ms）；④ line_breaker 修改：clean_punctuation 保留小数点、顿号→空格；⑤ pipeline 新增 Step 2.5 校对后二次正则修复（兜住 AI 校对引入的新问题）。
+- [2026-07-04] **脚本版流水线 v5（四层纠错体系+折行优化）**：基于制片人逐帧审片反馈，解决 10+ 问题。新增四层纠错：① term_normalizer.py 正则层（型号短横线 F-15J/武器昵称引号"鱼鹰"/中文数字修复，零token）；② 校对 Prompt 升级（+代词他→它、+的地得纠错、+A稿权重规则）；③ 折行 Prompt 升级（+禁忌字规则"的了着过"不开头、+主谓宾拆分规则、+不可拆词示例）；④ 折行后处理三层（超长切分→禁忌字修复→拆词检测 _fix_split_words）。新增短句合并预处理（解决专家气口碎片句问题）。
 - [2026-07-04] **脚本版流水线 v3（绝对时间戳+严格校对）**：① 恢复绝对时间戳（方便在大洋时间线对位）；② 重写校对 Prompt——铁律：只改错别字/同音字、术语格式、口语填充词，绝不润色/调序/替换实词；③ 校对效果：60 处修正（vs v2 的 100 处，去掉了过度修改）。输出目录 `output_v3/`。
 - [2026-07-04] **脚本版流水线 v2 真实测试通过**：① 热词提取（规则+AI，127个术语）→ ② 讯飞ASR（94秒完成25MB音频，357句）→ ③ AI校对（DeepSeek，修正同音字/术语格式/口语填充，"建制"→"舰只"等）→ ④ AI折行（语义断句，98%行≤14字）→ ⑤ 5段SRT输出（段内相对时间戳，从00:00:00开始）。新增：hotword_extractor.py（热词提取）、ai_proofreader.py（AI校对）、ai_line_breaker.py（AI折行）。
 - [2026-07-04] 脚本版流水线骨架完成：① asr_client.py（讯飞ASR适配，从doco复用）；② line_breaker.py（折行引擎，≤14字/语义断句/空白行检测）；③ srt_writer.py（大洋格式SRT输出）；④ segment_splitter.py（节目结构切分：导视/正片×3/预告）；⑤ cca_pipeline.py（主入口串联全流程）。本地测试全部通过。
@@ -80,12 +83,15 @@
 ## 5. 待办（按优先级）
 
 - [x] ~~PRD / 业务规则确认~~ → 已在对话中完成（2026-07-04）
-- [x] ~~脚本版流水线~~ → v3 完成（绝对时间戳+严格校对），等大洋验证
-- [x] ~~AI 校对层~~ → 已实现（两层防线：热词注入+DeepSeek 严格校对）
-- [ ] **大洋系统验证**：周一导入 SRT 测试兼容性
+- [x] ~~脚本版流水线~~ → v5 完成（四层纠错+折行优化+短句合并）
+- [x] ~~AI 校对层~~ → 已实现（四层防线：热词→正则→AI校对→折行后处理）
+- [x] ~~制片人审片第一轮~~ → 10+ 问题全部解决
+- [x] ~~编导审稿台~~ → 已完成（查找替换+逐句对比+编辑确认，2026-07-05）
+- [x] ~~部署至腾讯云~~ → 已完成（http://101.42.29.217/cca.html，2026-07-05）
+- [ ] **内测反馈收集**：同事试用中，等待反馈
+- [ ] **大洋系统验证**：导入 SRT 测试兼容性
 - [ ] **热词注入真实 ASR 测试**：用 `--audio` 跑完整流水线（非缓存），验证热词在转写层的效果
-- [ ] **编导审稿台**：双屏对比 UI、差异高亮、编导确认/手改交互（第二步）
-- [ ] **部署至 lanhao 配音 2.0**：先跑起来测试
+- [ ] **首页入口按钮可能被遮挡**：index.html 已添加代码但可能需要样式调整（Ctrl+F5 刷新后可见）
 
 ---
 
@@ -118,6 +124,11 @@
 - [2026-07-04] **AI 校对严格纪律**：只允许改三类——① 错别字/同音字 ② 术语格式（F-15J）③ 口语填充词删除。绝不润色、绝不调序、绝不替换实词。ASR 是已录音频的转写，改不了内容。
 - [2026-07-04] **两层 ASR 纠错防线**：第一层=热词注入（预防，让讯飞在转写时就认对专有名词）；第二层=AI 校对（修正，用 A 稿上下文判断同音字）。两层互补。
 - [2026-07-04] **LLM 选型已定**：校对+折行+热词提取统一用 DeepSeek（deepseek-chat），性价比最优。
+- [2026-07-04] **四层纠错体系**（v5 确立）：① 热词注入（讯飞ASR层，预防中文同音字）→ ② term_normalizer 正则后处理（型号短横线/引号/中文数字，零token确定性替换）→ ③ AI 校对（DeepSeek，同音字/代词/的地得/术语/填充词）→ ④ 折行后处理（超长切分+禁忌字修复+拆词检测）。
+- [2026-07-04] **折行三条铁律**：① 词语不可拆分到两屏 ② "的了着过地得和与及或"不能作为新行第一个字 ③ 主谓宾优先折为"主语(折行)谓语+宾语"。
+- [2026-07-04] **短句合并策略**：ASR 按音频静音切句，专家气口会产生碎片短句（2-5字）。折行前先合并：≤8字+间隔<800ms→合并为一个语义单元再送AI折行。>2s静音仍插空白行。
+- [2026-07-04] **A稿与ASR权重规则**：内容冲突时ASR优先（配音员可能改过措辞），但专有名词格式/写法按A稿（如F-35A、"鱼鹰"引号）。
+- [2026-07-04] **国家代词不改**：指代国家时口语用"他"是可接受的，不纠正；只纠正指代武器/舰艇/飞机/导弹时的"他→它"。
 
 ---
 
@@ -127,13 +138,13 @@
 - **"拍词"术语解释**：折行稿（去标点、按规则断行的文稿）+ 时间戳对位 = 拍词。传统靠人工实时听拍，CCA 用 ASR 时间戳代替。
 - **与 doco 的区别**：doco 是"播出后"整理终版文稿（三方融合）；CCA 是"剪辑后、播出前"生成唱词字幕（ASR→校对→SRT）。两者共用讯飞 ASR 能力，但流程目的完全不同。
 - **数据样本**：`data/` 下有 A 稿 docx + mp3 音频 + 3 个人工拍词 SRT（对应正片三段）。
-- **代码文件**：`src/` 下是核心流水线代码（asr_client / line_breaker / ai_line_breaker / ai_proofreader / srt_writer / segment_splitter / hotword_extractor），入口 `cca_pipeline.py`。
-- **凭证**：需在 `cca/.env` 中填写 `XFYUN_APP_ID`、`XFYUN_SECRET_KEY`、`DEEPSEEK_API_KEY`。
-- **输出目录**：`output/`（ASR 缓存 + v1 输出）、`output_v2/`（相对时间戳版）、`output_v3/`（绝对时间戳+严格校对，当前最优）。
+- **代码文件**：`src/` 下是核心流水线代码（asr_client / line_breaker / ai_line_breaker / ai_proofreader / srt_writer / segment_splitter / hotword_extractor / term_normalizer），入口 `cca_pipeline.py`。`deploy/` 下是部署文件（cca_route.py Flask 蓝图 + cca.html 前端页面 + deploy_to_server.py 部署脚本）。
+- **凭证**：本地需在 `cca/.env` 中填写；服务器凭证在 `/workspace/military_tech_voice/backend/.env`（讯飞大号 + DeepSeek）。
+- **服务器架构**：腾讯云 101.42.29.217，Nginx:80 → 静态文件(/var/www/voice/) + Flask:5000 代理(/api/)。CCA 源码部署在 `/workspace/military_tech_voice/backend/cca_src/`，任务数据在 `cca_data/`。Flask 无 systemd 服务，重启方式：`fuser -k 5000/tcp && cd backend && source venv/bin/activate && nohup python3 -m app.main > /tmp/flask_cca.log 2>&1 &`。
+- **输出目录**：`output/`（ASR 缓存 + v1 输出）、`output_v2/`~`output_v6/`（各版本输出）。
 - **运行命令示例**：
-  - 从缓存跑（调试校对/折行）：`python -X utf8 cca_pipeline.py --asr-cache output/asr_raw.json --script "data/重走战争老路的日本军备（A稿）.docx" --output-dir output_v3`
-  - 完整流水线（含真实 ASR）：`python -X utf8 cca_pipeline.py --audio "data/重走战争老路的日本军备A0.mp3" --script "data/重走战争老路的日本军备（A稿）.docx" --output-dir output_v4`
-- **时间压力**：这两天要出可用版本，功能不复杂但要快。
+  - 从缓存跑（调试校对/折行）：`python -X utf8 cca_pipeline.py --asr-cache output/asr_raw.json --script "data/重走战争老路的日本军备（A稿）.docx" --output-dir output_v6`
+  - 完整流水线（含真实 ASR）：`python -X utf8 cca_pipeline.py --audio "data/重走战争老路的日本军备A0.mp3" --script "data/重走战争老路的日本军备（A稿）.docx" --output-dir output_v7`
 
 ---
 
@@ -143,5 +154,7 @@
 - [x] ~~大洋 SRT 样本文件~~ → data/ 下已有 3 个真实样本
 - [x] ~~音频格式~~ → 纯人声 MP3，无需预处理
 - [x] ~~LLM 选型~~ → DeepSeek（deepseek-chat），已验证效果好、价格低
-- [ ] 前端审稿台技术选型（第二步再定）
-- [ ] 大洋系统 SRT 导入兼容性（周一验证）
+- [x] ~~的地得纠错~~ → 已加入校对 Prompt（v5）
+- [x] ~~前端审稿台技术选型~~ → 纯 HTML/JS 单页，无框架（2026-07-05）
+- [ ] 大洋系统 SRT 导入兼容性（待验证）
+- [ ] 跨句固定搭配拆词（"第二次/世界大战"类问题，需大短语词典，优先级低）