Как пропустить NOTE-блоки при проверке AI-субтитров WebVTT

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

WEBVTT, затем NOTE проверить имя, затем реплика 00:00:01.000 --> 00:00:02.000 / Здравствуйте. Печатает spoken cues: 1; NOTE проверить имя и NOTE конец не считаются словами видео. 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. Подготовьте две фикстуры: короткую реплику и комментарий перед ней. Запустите пример, проверьте, что в счётчике остаётся ровно одна реплика. Затем добавьте NOTE после последней реплики и проверьте неизменность результата. При реальной интеграции разделяйте блоки согласно спецификации, а не переносите split по двум LF на CRLF, пустые строки с пробелами или стили. В отчёте указывайте число пропущенных NOTE и число обработанных cues отдельно.
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
sample='WEBVTT\n\nNOTE проверить имя\n\n00:00:01.000 --> 00:00:02.000\nЗдравствуйте\n'
def cues(text):
    blocks=text.strip().split('\n\n')
    assert blocks.pop(0)=='WEBVTT'
    found=[]
    for block in blocks:
        lines=block.splitlines()
        if lines[0]=='NOTE' or lines[0].startswith('NOTE '): continue
        if '-->' not in lines[0]: raise ValueError('unexpected block')
        found.append((lines[0],lines[1:]))
    return found
assert cues(sample)==[('00:00:01.000 --> 00:00:02.000',['Здравствуйте'])]
assert len(cues(sample+'\nNOTE конец\n'))==1
print('spoken cues:',len(cues(sample)))

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

Алгоритм специально обслуживает контролируемый LF-профиль, не является полноценным WebVTT-парсером. Сложные стили и регионы требуют другого разбора. 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 включить редакторские комментарии NOTE в расшифровку и не подсчитать их как речь. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: WEBVTT, затем NOTE проверить имя, затем реплика 00:00:01.000 --> 00:00:02.000 / Здравствуйте. При успешном тесте ожидается: Печатает spoken cues: 1; NOTE проверить имя и NOTE конец не считаются словами видео. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Алгоритм специально обслуживает контролируемый LF-профиль, не является полноценным WebVTT-парсером. Сложные стили и регионы требуют другого разбора. 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.