润色转写

用户拿到的转写是机器听出来的：人名拼错、术语听岔、标点乱放、一长段话用逗号连到底。他要的是一份能放心往下用的底稿：字幕按它断行，译文按它分句，文稿按它导出。润色就是从头到尾顺读一遍的校订：把听错的改对，把标点补正，说话人原来怎么说就保留怎么说。

最容易做坏的样子有两种。一种是改多了：顺手把口语改成书面语，把口癖删掉，把啰嗦的句子精简，甚至把夹杂的外语译掉。这样文字好看了，但字幕和声音对不上，观众听到的和看到的不是一回事。另一种是把一句话的文本挪到别的词上，或者加了词、删了词：每个词都带着时间，词一错位，整段字幕的时间就全错了。

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。跳过润色时，第 7 节的说话人实名照样做。

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。

为什么这么严：字幕的每一条、译文的每一句都对着这些词的时间。你改的是字，时间轴不能动。

3. 动手之前

先通读全文，定下这几件事，全文照它们改。它们不进成品：

• 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。听错的词本来是什么，多半要靠它判断：一个讲机器学习的视频里，「深度雪洗」只可能是「深度学习」。
• 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：人说话常在句子中间喘气，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。

对比一下分句（只是示意）：

不好：我们当时试了三种方案，第一种是直接上大模型，成本太高，第二种是蒸馏，效果掉得厉害，最后用的是第三种，就是混合的，

好：我们当时试了三种方案。第一种是直接上大模型，成本太高。第二种是蒸馏，效果掉得厉害。最后用的是第三种，就是混合的。

词一个没动，只改了标点；但前一种会被切成一条塞不下的字幕，后一种每句都能单独成条、单独翻译。

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。

用户要求做这几件里的某一件时，先说清它会怎样影响字幕和译文，再做能做的那部分。

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。名字会出现在每一条字幕和每个导出的文件里，所以这一步只认证据，不猜。

• 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. 要避免的

• 不要把口语改成书面语，不要删口癖、不要精简，不要翻译夹杂的外语。
• 不要合并、拆分、增删、调序任何词，不要把文本挪到别的词上。
• 不要因为简介里有某个名字或说法就往文稿里加。
• 不要在悬着的连词、介词后面断句，也不要让一长段话靠逗号连到底。
• 不要猜说话人的名字；不要给名字加头衔、括号。
• 不要用旧正文覆盖用户刚改过的版本。

9. 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。

10. 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。
• 写回后重新读过，translationBasis 切出的句子长短合适。
• 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。