Transcription Corrector

Transcription Corrector

首次使用流程见 references/first_use.md。工作流中的判断准则见 references/correction_patterns.md。

概述

把 raw 转录稿里"听得对但写不对"的同音/形近/拼写错误按用户词典统一改对，并按需做轻度润色。不做：改写、总结、删减、改事实、生成课程章节。

与下游处理工作的边界：

• 本 skill 不输出课程大纲、不重组章节、不改写为书面课程；只做"读起来对、不再丢脸"这一步。
• 用户词典 YAML 格式（version + terms 列表）已成为本 skill 公开的接口约定；其他下游处理工作可以按需读取同一份词典文件。

工作流程

工作流按 5 个 Phase 组织，每个 Phase 含 1-3 个 Step。默认开启 Phase 1-3，Phase 4 默认关闭（需要用户明确开启）。

Phase 1 准备
  Step 1.1  读取配置（词典）
  Step 1.2  TXT → MD 转换（如需要）

Phase 2 识别
  Step 2.1  识别文件结构
  Step 2.2  通读识别高置信误转写

Phase 3 修正（默认开启）
  Step 3.1  词典统一替换（改字）
  Step 3.2  基础空白清理（改空白）
  Step 3.3  口语词精简（删字）

Phase 4 润色（默认关闭）
  Step 4.1  发言人合并
  Step 4.2  标点规范
  Step 4.3  段落切分

Phase 5 输出
  Step 5.1  主归档（必出）
  Step 5.2  源文件目录镜像（必出）

为什么这样分组：

• Phase 1 准备 vs Phase 2 识别 vs Phase 3 修正：准备不接触文本内容；识别是"看"；修正是"改"。三者性质分明
• Phase 3 内部三个 Step 改的是三类不同对象：3.1 改字（语义）、3.2 改空白（格式）、3.3 删字（语言字符）。三类操作各自独立，可单独审计
• Phase 3 vs Phase 4：Phase 3 是"读起来对"（无损 / 轻损），默认开启；Phase 4 是"看起来专业"（结构调整），默认关闭。两者泾渭分明
• Phase 5 输出 与前 4 个 Phase 解耦：无论前 4 步做了什么，输出阶段都按相同策略双写

工作机制

转录稿修正的本质是"对每一处误转写做出独立判断"。这个判断的输入是上下文，输出是一处 Edit，三者必须由同一个 agent 在同一个上下文里完成。

为什么按"每处 Edit"展开

• 每处误转写是否成立，取决于它在上下文中的指向。例如"style"可能是 skill 名，也可能是真正的"风格"——批量替换不能区分。
• ASR 错误无穷无尽（大小写漂移、空格漂移、断词重连、音节吞并、形近字……），任何静态规则都会漏。
• 词典是"目标值参考表"，不是"错误词 → 正确词"的映射。terms: ["WorkBuddy"] 告诉 agent "正确的写法是 WorkBuddy"，但不告诉 agent "这处原文是否需要改"。

由此推出自然的执行流：

1. agent 用 Read 把源文件读进上下文（必须通读全文）
2. 对每一处候选误转写，agent 在上下文中独立判断"换 / 不换"
3. 用 Edit 把每一处的决策落盘
4. 用 Write 写出 correction_log.md / meta.json / 源目录镜像

为什么这个流是自洽的

• 上下文只在 Read 之后才完整；判断必须在 Read 之后进行
• Edit 是"局部变更"工具，自然对应"每处决策"
• Write 写整文件，对应日志/元数据这种"一次性产出"
• 这三步组成了最小可执行闭环。任何其他方式（脚本批量、sub-agent 转交、regex 列表）都至少缺失其中一步的语义保证

Phase 1：准备

Step 1.0：加载 skill 配置（开关默认值）

skill 各项润色开关由 config/config.env 控制。加载顺序：

1. 命令行/调用参数传入的 key=value 覆盖
2. config/config.env（本 skill 自带）
3. config/config.env.example（默认值的"母本"，缺失 step 2 时用）
4. 若 step 2 和 step 3 都不存在，Phase 4 所有 Step 全部关闭，仅 Phase 1-3 跑

配置示例（config/config.env.example）：

# Phase 4 润色开关（默认全开，按需关闭）
POLISH_MERGE_SPEAKERS=true     # Step 4.1
POLISH_PUNCTUATION=true        # Step 4.2
POLISH_PARAGRAPH_SPLIT=true    # Step 4.3
POLISH_TOPIC_SECTION=true      # Step 4.4
POLISH_SUMMARY=true            # Step 4.5

# 输出策略
SOURCE_MIRROR=true             # 源文件目录镜像
SOURCE_MIRROR_CONFLICT=timestamp  # 冲突加时间戳

# 日志详细度
LOG_VERBOSITY=verbose          # verbose | compact

缺失的键统一按本节表格的"默认值"列取值（不在文件中硬编码，每个 Step 自己的 § 段注明默认值）。

Step 1.1：读取词典

1. 词典文件查找顺序（找到第一个存在的即用）：

   • 命令行/调用参数传入的 dictionary 路径
   • config/user_dictionary.yaml（本 skill 自带）
   • 若都不存在，提示用户复制 config/user_dictionary.example.yaml 为 config/user_dictionary.yaml

2. 词典 YAML 格式：

version: 1
terms:
  - "WorkBuddy"
  - "Claude Code"
  - "Codex"

3. 词典的角色：目标值 + 置信度权重，不是触发器
   • 词典项是"正确写法"——告诉 AI 目标值是什么
   • 词典项不直接触发替换：AI 仍然必须先做上下文判断（这个词在当前上下文里是否指向词典项所代表的对象）
   • 词典项提高候选替换的胜出权重：当 AI 在多个候选写法中二选一时，词典登记的写法优先级更高
   • 也就是说：词典让"workbody / work body / Workbuddy"在竞争中更倾向被改写为"WorkBuddy"，但前提仍然是上下文明显指向 WorkBuddy 这个产品；脱离上下文的同形词不会被词典"硬拉"过去
   • 不要把词典当作"错误词 → 正确词"映射表来使用
   • 不要为了使用词典而强行替换普通词
   • 模糊或低置信场景一律保持原文

Step 1.2：TXT → Markdown 转换（如需要）

当输入是 .txt 文件时，先做格式转换再进入 Phase 2。

触发条件：输入文件扩展名是 .txt。

转换规则（保守——只做格式包装，不改内容）：

1. 发言人 + 时间戳行（如 发言人 1 00:33:09）：
   • 识别正则：^(发言人|说话人|Speaker|S)\s*[\d一二三四五六七八九十]+[\.、]?\s*(\d{1,2}:\d{2}(?::\d{2})?)$
   • 转成 Markdown 加粗行：**发言人 1 00:33:09**
2. 段落间空行：连续的非空行视为同一段（保留原始换行），段落之间补一个空行
3. 不删除任何文字：空行、空白、ASCII 装饰线（---、===）等全部保留
4. 不识别 H3 / H4 标题层级：只到 H2 层级——H2 标题在 Phase 4 Step 4.4 中按"主题分章"原则插入；不主动把某段升级为 ###/####
5. 不识别列表：不把 - xxx 改成 markdown 列表——保持原样

输出：

• 中间产物：{原文件 basename}_converted.md，保留在 archive 子目录
• 后续 Step 2.1~5.2 在 converted 副本上进行
• 原始 .txt 文件保持不动

示例：

输入（raw.txt）：

发言人 1  00:33:09
我先说一下比较好的部分，就是整个最终的报告篇幅是比较充分的。
然后大家在一开始不知道怎么样一个报告是比较完善的，也知道怎么样去借鉴他山之石。
从这个阿尔法 gpt里面的这报告相当于蒸馏他的一个一个想法啊。
这个这个在前期一开始搭基建的时候确实是很有必要的一个措施。

发言人 1  00:33:57
呃然后。我注意到咱们在最终生成法律服务意见书的时候...

输出（raw_converted.md）：

**发言人 1  00:33:09**
我先说一下比较好的部分，就是整个最终的报告篇幅是比较充分的。
然后大家在一开始不知道怎么样一个报告是比较完善的，也知道怎么样去借鉴他山之石。
从这个阿尔法 gpt里面的这报告相当于蒸馏他的一个一个想法啊。
这个这个在前期一开始搭基建的时候确实是很有必要的一个措施。

**发言人 1  00:33:57**
呃然后。我注意到咱们在最终生成法律服务意见书的时候...

不识别的格式（保持原文）：

• 没有时间戳的"发言人 1："→ 保留为正文
• "Speaker A:" → 保留为正文
• 纯文本无发言人标记 → 整段视为正文

Phase 2：识别

Step 2.1：识别文件结构

通读 raw 稿，识别组织方式：

• 按发言人 + 时间戳分块（如 **发言人 1 00:33:09**）— 多数 ASR 输出
• 自由段落（无显式分块）
• 混合（标题 + 段落 + 引用）

识别目的：决定 Phase 4 润色时是否合并同发言人连续发言。不要改写分块结构，保留原貌。

Step 2.2：通读识别高置信误转写

必须完整通读全文，以 Agent 视角扫描。不列静态错误表——ASR 错误无穷无尽（大小写漂移、空格、漏词、错位、同音字、形近字、断词重连、音节吞并…），任何预设列表都会漏判。

核心原则：

仅在上下文明确指向某个词典术语时，才将近似误转写替换为该术语。 模糊或低置信场景保持原文，不做猜测式替换。

启动扫描的高频易错类别（不是错误表，是判断启动点）：

1. 人名：律师、当事人、证人姓名是否首次出现 + 后续引用是否一致
2. 英文产品/工具/平台名：是否在工具使用、命令行、平台介绍等场景
3. 机构/活动/品牌名：律协、青训营、训练营、赛题
4. 法律术语同音/形近：代理 vs 带理、抵押 vs 抵压、知情 vs 至清
5. 数字/单位/时间戳：1/7、0/6、中英文逗号混用；保守原则

形式漂移识别（参考但不穷举）：

• 大小写漂移（WorkBuddy vs workbuddy vs WORKBUDDY）
• 空格漂移（work body / Work Buddy）
• 连字符（Claude-code / Claude-Code）
• 拆分被识别为中文（"克劳德 code"）
• 漏字残字（"body" 残留在"让，如果 body帮我们"）
• 同音/形近字（"张律师 / 张老师 / 章律师" 类推）
• 断词重连（"然后让" 被拆成"让，如果"）

禁止：

• 只用 grep/正则匹配清单（必然漏）—— 详见 §"工作机制"为什么按每处判断展开
• 把"我"改成"我们"等无明确对照的"风格化"改写
• 替换词典外的术语
• 强行补全"看上去缺字"的句子——除非能确定是组合错误

Phase 3：修正（默认开启）

Phase 3 三个 Step 改的是三类不同对象——Step 3.1 改字（语义）、Step 3.2 改空白（格式）、Step 3.3 删字（语言字符）。三类操作各自独立、可单独审计、单独计日志。

Step 3.1：词典统一替换

对 Step 2.2 识别出的高置信误转写：

1. 三重确认：
   • 词典里有对应目标值
   • 上下文明确指向该目标值所代表的对象
   • 形式漂移证据成立（大小写/空格/连字符/漏字/同音/形近/断词）
2. 三重任一不满足 → 不替换，保持原文
3. 替换完成后在 correction_log.md 记录：{原文} → {改后}，并标注行号和上下文片段
4. 绝不修改原始文件，所有输出写到 archive/ 下的新文件

Step 3.2：基础空白清理（默认开启，无损）

为什么独立于 Phase 4 润色：基础空白清理是"格式标准化"，不改变原文语义、不删减任何信息；与 Phase 4 发言人合并 / 标点规范 / 段落切分那种"风格调整"性质不同，所以默认开启（用户不需要为此做开关决策）。

清理动作清单（仅做以下五类，不做任何超出此范围的事）：

标点周围空白规则：

• 中文标点 ，。、；：？！""''「」（） 前后不留空格（若出现则删除）
• 英文标点 , . ; : ? ! " ' ( ) 后空一格（中文段落中保留）
• 半角空格夹在中文之间 → 删除

安全执行（避免越段吞并）：本步的"中文标点前后多余空格"清理有一个结构性陷阱——speaker 块的边界（**说话人 N HH:MM:SS** + 内容 + 空行 + 下一块标题）依赖"内容末标点 → 换行 → 空行"这一序列。如果清理正则用 \s+ 把标点之后的换行+空行也吃成单个空格，会跨块吞并，speaker 标题、H2 标题、speaker 块都会被合并成单行。执行时按行处理、禁止跨行匹配 \s+，仅做"行内"动作（行尾空格、同句内的 X， Y → X，Y）。如必须做跨段清理，先单独诊断再决定。

严格不做（避免越界）：

• 不删除任何文字、标点、字母、数字
• 不改变段落结构（不合并段落、不切分段落——这是 Phase 4 范畴）
• 不修改数字、时间戳、金额、日期
• 不改发言人分块标记（如 **发言人 1 00:33:09**）
• 不重排、重组、归纳

与 Step 3.1 的关系：基础空白清理在 Step 3.1 词典替换之后执行；遇到"Work Buddy" → "WorkBuddy" 这类专有名称合并时，优先走 Step 3.1（词典替换路径），Step 3.2 仅做 Step 3.1 不覆盖的"无词典目标的纯格式"清理。

校对日志记录：所有 Step 3.2 的清理动作也写到 correction_log.md，在"基础空白清理"小节集中记录（与 Step 3.1 高置信替换区分开），便于审计。

Step 3.3：口语词精简（默认开启，AI 上下文判断）

为什么独立于 Phase 4 润色：与 Step 3.2 基础空白清理性质相同——属于"读起来对"的范畴，不改变原意（口语词不携带信息）；与 Phase 4 发言人合并 / 标点规范 / 段落切分那种"风格调整"性质不同，所以默认开启（用户不需要为此做开关决策）。

白名单（可删的纯填充词）——AI 通读时识别"作为填充词 vs 作为实义"，仅删独立出现且无语义负担的：

保留规则（不删）：

• 表态类："嗯"/"对"/"是的"/"不是"/"好的"/"是" 作肯定 / 否定 / 回应 → 保留（删了会丢失说话人态度）
• 逻辑连接："然后"作逻辑连接词（"先 A 然后 B"）→ 保留（删了破坏时序）
• 认知停顿后接完整内容："呃……这个怎么解释呢" 整段保留——"呃"虽属白名单，但"认知停顿 + 完整内容"是说话人思考过程的真实记录，整段保留比逐字删更尊重原文
• 段尾的语气停顿（"嗯"/"啊"/"呃"出现在段末）——保留（标记说话节奏收束）
• 紧邻关键名词 / 动词——保留（可能是说话人强调）
• 实义词（名词 / 动词 / 形容词 / 副词）——一律不删

段首 vs 段尾 vs 段中 决策树：

详见 references/correction_patterns.md §11 段中并列停顿 啊 的识别模式。

判断原则：

• 与 Step 3.1 一样遵循"通读全文 + 三重确认"思路
• 三重确认：① 该词在当前上下文是否属于白名单词类；② 在当前位置是否独立使用、是否承担实义；③ 删后不破坏说话人态度 / 时序 / 强调
• 任一不满足 → 不删，保留原文
• 模糊或低置信场景一律保留原文

严格不做（避免越界）：

• 不删整句、不删段落
• 不删实义词（即使重复）
• 不删关键信息（数字、人名、专有名、术语）
• 不改写为书面语、不补全、不改语气
• 不删"呃 / 啊"作认知停顿后接完整内容的版本
• 不删"段尾"的关键节奏标记（v2 激进版起，段首节奏标记默认删除）

校对日志记录：所有 Step 3.3 的精简动作写到 correction_log.md 的"口语词精简"小节，格式：

| 行号 | 原文片段 | 被删词 | 理由 |
|------|----------|--------|------|
| L207 | "呃 这个怎么说呢，我们今天来" | "呃" | 段首认知停顿，后接"怎么说呢"+完整内容，整段保留——本行不删（认知停顿后接完整内容的"呃"按 §3.3 保留规则例外）|
| L312 | "对，所以呢，我们" | "所以呢" | "所以呢" 不在白名单，保留 |
| L451 | "然后呢我们看一下" | "然后呢" | 段首过渡填充，可删 |

与 Step 3.2 的关系：Step 3.2 动空白字符，Step 3.3 动语言字符。两者都是"读起来对"操作，都默认开启，都在 correction_log.md 单独小节集中记录。

必检（防止漏跑整节）：跑完必须 grep 自检（详见 references/correction_patterns.md §12）：

• correction_log.md 必须包含 ## 口语词精简 小节
• correction_log.md 必须包含 ## 高置信替换 / ## 基础空白清理 / ## 口语词精简 / ## 未处理 四个小节
• meta.json 必含 summary / process_time / dictionary_source / polish_enabled 字段
• v1.0.2 漏跑 Step 3.3 整节无日志——本必检项是那次 bug 的复盘产物

Phase 4：润色（可选，按 config 开关决定）

Phase 4 下的所有 Step 由 config/config.env 配置文件中的开关决定是否启用。每个 Step 默认值的来源：

• 缺失 config.env：用 config.env.example 的值（即默认值）
• 缺失 config.env.example：用本节速查表的默认值