Как проверить заголовок WebVTT после AI-расшифровки видео

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Байты WEBVTT, пустая строка, первая временная метка; вариант с заголовком SRT отклоняется. В фикстуре правильный WEBVTT проходит; неправильный формат и испорченные байты отклоняются. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Сохраните результат AI как bytes, чтобы ошибка декодирования не исчезла на предыдущем этапе. Запустите пример и два негативных случая: SRT-подобное начало и невалидный UTF-8. Если ваш экспортёр добавляет допустимые по спецификации элементы заголовка, адаптируйте локальный тест и добавьте фикстуры. После проверки заголовка отдельно протестируйте времена и текстовые cue; зелёный заголовок сам по себе не делает файл корректным.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
def check(raw):
    text=raw.decode('utf-8',errors='strict')
    lines=text.splitlines()
    if len(lines)<3 or lines[0]!='WEBVTT' or lines[1]!='':
        raise ValueError('expected local WebVTT header and blank line')
    return text
ok=b'WEBVTT\n\n00:00:01.000 --> 00:00:02.000\nHello\n'
assert check(ok).startswith('WEBVTT\n\n')
for bad in [b'1\n00:00:01,000 --> 00:00:02,000',b'WEBVTT\n\n\xff']:
    try: check(bad)
    except (UnicodeDecodeError,ValueError): pass
    else: raise AssertionError('invalid input accepted')
print('header and UTF-8 checked')

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Тест намеренно проверяет лишь поддерживаемое приложением подмножество WebVTT, не всю грамматику W3C. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Не загружать сломанный файл субтитров после автоматической генерации транскрипта. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Байты WEBVTT, пустая строка, первая временная метка; вариант с заголовком SRT отклоняется. При успешном тесте ожидается: В фикстуре правильный WEBVTT проходит; неправильный формат и испорченные байты отклоняются. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Тест намеренно проверяет лишь поддерживаемое приложением подмножество WebVTT, не всю грамматику W3C. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.