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/src/ai_proofreader.py

@@ -7,11 +7,13 @@ AI 校对器 — ASR 稿与 A 稿比对 + 上下文纠错
 - 军事术语规范化（"f15j"→"F-15J"）
 - 的/地/得纠错
 - 去除口语填充词（"嗯""那个""就是说"）
+- 专家采访段落强化去口头语
 
 策略:
 - 将 ASR 全文 + A 稿全文一起发给 DeepSeek
 - AI 结合节目主题和上下文做纠错
 - 返回修正后的句子列表 + 修改说明
+- 专家采访段落用增强版 Prompt，更严格地删除口头语
 """
 
 import json
@@ -37,21 +39,68 @@ PROOFREAD_SYSTEM_PROMPT = """你是电视军事节目《军事科技》的字幕
 
 **铁律（违反任何一条都算失败）：**
 - ASR稿是已经录好的音频的转写，内容不能改——**绝不润色语句、绝不调整语序、绝不增删实词**
-- 只修三类问题：① 错别字/同音字 ② 术语格式 ③ 口语填充词
-- 除这三类外的一切文字，原封不动照抄，一个字都不能动
-- A稿只用来判断"这个词在本期节目的语境下应该是哪个字"，不能把ASR稿往A稿的措辞上靠
+- 只修下列允许的几类问题，除此之外一个字都不能动
+- **A稿与ASR内容冲突时ASR优先**（配音员可能改过措辞），但专有名词的正确写法/格式按A稿
+- **数字表达照抄ASR原文**：不要参考A稿调整数字的位置、格式或表述方式。ASR说"马赫数0.9"就保持"马赫数0.9"，不要改成A稿的"0.9马赫"
 
-**允许修的三类：**
-1. **同音字/错别字**（ASR听错的字）：如"建制"→"舰只"、"舰手"→"舰艏"、"继承"→"击沉"、"空花弹"→"滑翔弹"
-2. **术语格式**：英文型号大小写+连字符（"f15j"→"F-15J"、"v22"→"V-22"、"rq四"→"RQ-4"）
-3. **口语填充词删除**：只删"嗯""呃""唉""啊""呢""那个""就是说""这个"这类纯填充词。如果"这个"后面紧跟名词作指示代词（"这个导弹"），保留不删
+**允许修的类别：**
+1. **同音字/错别字**（ASR听错的字）：如"建制"→"舰只"、"舰手"→"舰艏"、"继承"→"击沉"、"空花弹"→"滑翔弹"、"沉默"→"沉没"（指船只）
+2. **代词纠错**：武器装备/导弹/飞机/舰艇等的代词应为"它"而非"他"。注意：指代国家时不改（国家口语中用"他"是可接受的）。只纠正明确指代物件（武器、军舰、飞机、导弹）的情况
+3. **的/地/得纠错**（重要！ASR无法区分三个"de"，你必须逐句检查并修正）：
+   - **"的"用在名词前**（形容词/名词 + 的 + 名词）：强大的性能、日本的军备、重要的舰只
+   - **"地"用在动词前**（副词 + 地 + 动词）：不断地进行、持续地推动、快速地发展、正式地把、大规模地改装、积极地推进、不断地扩大、明确地表示
+   - **"得"用在补语前**（动词 + 得 + 补语）：发展得很快、做得很好、打得很准
+   - 判断方法：看"de"后面跟的是名词还是动词——跟动词就用"地"，跟名词就用"的"，是评价/程度补语就用"得"
+   - 常见错误模式："不断的进行"→"不断地进行"、"持续的推动"→"持续地推动"、"正式的把"→"正式地把"、"大力的发展"→"大力地发展"
+4. **术语格式**：英文型号大小写+连字符（"f15j"→"F-15J"、"v22"→"V-22"、"rq四"→"RQ-4"）
+5. **中文数字保留**：ASR可能把"数十"转成"数10"、"几百"转成"几100"——必须改回中文写法
+6. **武器昵称引号**：如A稿中武器有引号昵称（"鱼鹰""战斧""全球鹰"），ASR中同一武器无引号时补上中文双引号
+7. **口语填充词删除**：只删"嗯""呃""唉""那个""就是说"这类纯填充词。"这个"后面紧跟名词作指示代词（"这个导弹"）时保留
 
 **绝对不许做的（哪怕你觉得改了更好也不许）：**
 - 不许调整语序（"它在性质上就是"不许改成"它本质上就是"）
 - 不许替换实词（"不是那么特别的顺利"不许改成"不太顺利"）
+- 不许参考A稿的数字表达方式来改ASR的数字写法
 - 不许增删标点来改变句子结构
 - 不许把口语化表达改成书面语
-- 不许根据A稿的措辞替换ASR中意思相同但用词不同的表达
+- 不许根据A稿的措辞替换ASR中意思相同但用词不同的表达（如A稿"陆续订购"，ASR说"先后采购"→保持"先后采购"）
+
+**输出格式：**
+JSON数组，每个元素：{"id": 编号, "original": "原文", "corrected": "修正后", "changes": "修改说明（无修改写空字符串）"}
+只输出JSON，不要其他内容。"""
+
+
+PROOFREAD_EXPERT_SYSTEM_PROMPT = """你是电视军事节目《军事科技》的字幕校对专家。你将收到两份材料：
+1. **ASR稿**：语音识别的转写结果，带有时间编号，是字幕的基础。**本批全部来自专家采访段落**
+2. **A稿**：编导写的节目文稿（仅包含解说词，不包含专家采访内容——专家说的话A稿里没有）
+
+你的任务是校对 ASR 稿中的**语音识别错误**，同时**严格清除专家的口头语**。
+
+**铁律（违反任何一条都算失败）：**
+- ASR稿是已经录好的音频的转写，内容不能改——**绝不润色语句、绝不调整语序、绝不增删实词**
+- 只修下列允许的几类问题，除此之外一个字都不能动
+- 由于是专家采访，A稿中没有对应内容，所以**不要用A稿措辞替换专家的话**，A稿只用于确认专有名词写法
+
+**允许修的类别：**
+1. **同音字/错别字**（ASR听错的字）：如"建制"→"舰只"、"舰手"→"舰艏"、"继承"→"击沉"、"沉默"→"沉没"（指船只）
+2. **代词纠错**：武器装备/导弹/飞机/舰艇等的代词应为"它"而非"他"。指代国家时不改
+3. **的/地/得纠错**（重要！ASR无法区分三个"de"，你必须逐句检查并修正）：
+   - **"的"用在名词前**（形容词/名词 + 的 + 名词）
+   - **"地"用在动词前**（副词 + 地 + 动词）：不断地进行、持续地推动、正式地把、大规模地改装
+   - **"得"用在补语前**（动词 + 得 + 补语）：发展得很快
+   - 常见错误："不断的进行"→"不断地进行"、"持续的推动"→"持续地推动"
+4. **术语格式**：英文型号大小写+连字符
+5. **口语填充词删除（专家采访重点！必须严格执行）**：
+   - **必删**：嗯、呃、唉、啊（句首或句中作语气词时）、那个、这个（非指示代词时）、那么（非表示程度时）、就是说、应该说、可以说、怎么说呢、相对来讲、相对来说
+   - **判断"这个/那个"**：紧跟具体名词="指示代词"保留（"这个导弹"）；单独出现或后面是虚词/停顿=口头语删除（"这个呢它是"→删"这个"、"发展这个日向级"→删"这个"）
+   - **判断"啊"**：句首"啊射程""啊这个"=口头语删除；"啊"在感叹句末尾=保留（极少出现在专家采访中）
+   - **判断"那么"**："那么大""那么快"=程度副词保留；"那么它就是"=口头语删除
+6. **数字表达照抄ASR原文**，不参考A稿
+
+**绝对不许做的：**
+- 不许调整语序、替换实词、把口语化改书面语
+- 不许用A稿的措辞替换专家的话（专家说的内容A稿没有，不存在"参考"关系）
+- 不许删除有意义的词（只删纯口头语填充词）
 
 **输出格式：**
 JSON数组，每个元素：{"id": 编号, "original": "原文", "corrected": "修正后", "changes": "修改说明（无修改写空字符串）"}
@@ -76,6 +125,62 @@ def _create_client():
     )
 
 
+def identify_speakers(
+    sentences: List[Tuple[int, int, str, int]],
+) -> Dict[int, str]:
+    """
+    识别每个 speaker_id 的角色。
+
+    规则（基于《军事科技》节目结构）：
+    - 找到说"各位观众你们好"或"欢迎收看军事科技"的 speaker → 主持人（也是解说配音员）
+    - 导视段（最早出现的）speaker 如果和主持人不同 → 也是解说（录音环境不同导致分裂）
+    - 剩余的 speaker → 专家/其他（统一按"专家采访"对待，加强去口头语）
+
+    返回: {speaker_id: "narration"|"host"|"expert"}
+    """
+    if not sentences:
+        return {}
+
+    speaker_texts: Dict[int, str] = {}
+    speaker_first_appear: Dict[int, int] = {}
+    for i, (bg, ed, text, spk) in enumerate(sentences):
+        if spk not in speaker_texts:
+            speaker_texts[spk] = ""
+            speaker_first_appear[spk] = i
+        speaker_texts[spk] += text
+
+    roles: Dict[int, str] = {}
+
+    # 找主持人：说过"各位观众你们好"或"欢迎收看军事科技"
+    host_spk = None
+    for spk, text in speaker_texts.items():
+        if "各位观众" in text or "欢迎收看" in text or "主持人" in text:
+            host_spk = spk
+            roles[spk] = "host"
+            break
+
+    # 最早出现的 speaker 是解说（导视段配音员）
+    earliest_spk = min(speaker_first_appear, key=speaker_first_appear.get)
+    if earliest_spk not in roles:
+        roles[earliest_spk] = "narration"
+
+    # 如果主持人和解说是不同 speaker，两个都标记
+    # 如果相同，那就是同一个人（标为 narration 即可）
+    if host_spk is not None and host_spk == earliest_spk:
+        roles[host_spk] = "narration"
+
+    # 剩余的全部标为专家/其他
+    for spk in speaker_texts:
+        if spk not in roles:
+            roles[spk] = "expert"
+
+    role_summary = {spk: f"{role}({len([s for s in sentences if s[3]==spk])}句)"
+                    for spk, role in roles.items()}
+    print(f"[校对] Speaker 角色识别: {role_summary}")
+
+    return roles
+
+
 def proofread_batch(
     asr_sentences: List[Tuple[int, int, str, int]],
     script_text: str,
@@ -83,81 +188,87 @@ def proofread_batch(
 ) -> List[Tuple[int, int, str, int]]:
     """
     对 ASR 句子列表做 AI 校对。
-
-    输入:
-        asr_sentences: [(start_ms, end_ms, text, speaker_id), ...]
-        script_text: A稿全文
-        batch_size: 每批处理的句子数
-
-    返回:
-        校对后的句子列表，格式同输入
+    专家采访段落使用增强版 Prompt（更严格的口头语清除）。
     """
     if not asr_sentences:
         return []
 
     client = _create_client()
-
-    # A稿截取（太长的话截前8000字，够提供上下文了）
     script_truncated = script_text[:8000] if len(script_text) > 8000 else script_text
 
-    corrected_sentences = list(asr_sentences)  # 浅拷贝
+    # 识别说话人角色
+    speaker_roles = identify_speakers(asr_sentences)
+
+    corrected_sentences = list(asr_sentences)
     total_changes = 0
 
-    for batch_start in range(0, len(asr_sentences), batch_size):
-        batch = asr_sentences[batch_start:batch_start + batch_size]
-        batch_end = batch_start + len(batch)
+    # 按角色分组处理：专家用增强 Prompt，其余用标准 Prompt
+    expert_indices = []
+    normal_indices = []
+    for i, (bg, ed, text, spk) in enumerate(asr_sentences):
+        if speaker_roles.get(spk) == "expert":
+            expert_indices.append(i)
+        else:
+            normal_indices.append(i)
 
-        # 构建 ASR 文本（带编号）
-        asr_lines = []
-        for i, (bg, ed, text, spk) in enumerate(batch):
-            asr_lines.append(f"[{i+1}] {text}")
-        asr_text = "\n".join(asr_lines)
+    print(f"[校对] 解说/主持 {len(normal_indices)} 句, 专家采访 {len(expert_indices)} 句")
 
-        print(f"[校对] 处理第 {batch_start+1}-{batch_end} 句...")
+    def _process_batch(indices, system_prompt, label):
+        nonlocal total_changes
+        for batch_start in range(0, len(indices), batch_size):
+            batch_idx = indices[batch_start:batch_start + batch_size]
 
-        try:
-            resp = client.chat.completions.create(
-                model=os.environ.get("DEEPSEEK_MODEL", "deepseek-chat"),
-                messages=[
-                    {"role": "system", "content": PROOFREAD_SYSTEM_PROMPT},
-                    {"role": "user", "content": PROOFREAD_USER_TEMPLATE.format(
-                        script_text=script_truncated,
-                        asr_text=asr_text,
-                    )},
-                ],
-                temperature=0.1,
-                max_tokens=4000,
-            )
+            asr_lines = []
+            for seq, idx in enumerate(batch_idx):
+                asr_lines.append(f"[{seq+1}] {asr_sentences[idx][2]}")
+            asr_text = "\n".join(asr_lines)
 
-            result_text = resp.choices[0].message.content.strip()
+            print(f"[校对-{label}] 处理第 {batch_start+1}-{batch_start+len(batch_idx)} 句...")
 
-            # 尝试解析 JSON
-            # 去掉可能的 markdown 代码块标记
-            if result_text.startswith("```"):
-                result_text = result_text.split("\n", 1)[1]
-                if result_text.endswith("```"):
-                    result_text = result_text[:-3]
-                result_text = result_text.strip()
+            try:
+                resp = client.chat.completions.create(
+                    model=os.environ.get("DEEPSEEK_MODEL", "deepseek-chat"),
+                    messages=[
+                        {"role": "system", "content": system_prompt},
+                        {"role": "user", "content": PROOFREAD_USER_TEMPLATE.format(
+                            script_text=script_truncated,
+                            asr_text=asr_text,
+                        )},
+                    ],
+                    temperature=0.1,
+                    max_tokens=4000,
+                )
 
-            corrections = json.loads(result_text)
+                result_text = resp.choices[0].message.content.strip()
+                if result_text.startswith("```"):
+                    result_text = result_text.split("\n", 1)[1]
+                    if result_text.endswith("```"):
+                        result_text = result_text[:-3]
+                    result_text = result_text.strip()
 
-            # 应用修正
-            for item in corrections:
-                idx = item.get("id", 0) - 1  # 编号从1开始
-                corrected = item.get("corrected", "")
-                changes = item.get("changes", "")
+                corrections = json.loads(result_text)
 
-                if 0 <= idx < len(batch) and corrected and changes:
-                    original_idx = batch_start + idx
-                    bg, ed, _, spk = corrected_sentences[original_idx]
-                    corrected_sentences[original_idx] = (bg, ed, corrected, spk)
-                    total_changes += 1
-                    print(f"  修正: '{item.get('original','')}' → '{corrected}' ({changes})")
+                for item in corrections:
+                    seq = item.get("id", 0) - 1
+                    corrected = item.get("corrected", "")
+                    changes = item.get("changes", "")
 
-        except json.JSONDecodeError as e:
-            print(f"[校对] JSON解析失败，跳过本批: {e}", file=sys.stderr)
-        except Exception as e:
-            print(f"[校对] 出错: {e}", file=sys.stderr)
+                    if 0 <= seq < len(batch_idx) and corrected and changes:
+                        original_idx = batch_idx[seq]
+                        bg, ed, _, spk = corrected_sentences[original_idx]
+                        corrected_sentences[original_idx] = (bg, ed, corrected, spk)
+                        total_changes += 1
+                        print(f"  修正: '{item.get('original','')}' → '{corrected}' ({changes})")
+
+            except json.JSONDecodeError as e:
+                print(f"[校对-{label}] JSON解析失败，跳过本批: {e}", file=sys.stderr)
+            except Exception as e:
+                print(f"[校对-{label}] 出错: {e}", file=sys.stderr)
+
+    if normal_indices:
+        _process_batch(normal_indices, PROOFREAD_SYSTEM_PROMPT, "解说")
+    if expert_indices:
+        _process_batch(expert_indices, PROOFREAD_EXPERT_SYSTEM_PROMPT, "专家")
 
     print(f"[校对] 完成，共修正 {total_changes} 处")
     return corrected_sentences