deploy standalone ASR pipeline on tools-pve
This commit is contained in:
Codex
@@ -0,0 +1,171 @@
|
||||
#!/usr/bin/env python3
|
||||
"""Prompt templates for the staged pipeline.
|
||||
|
||||
Kept in one module so wording changes are reviewable in isolation — prompt text is
|
||||
the most-edited and least-typechecked part of the system.
|
||||
"""
|
||||
|
||||
CLEAN_SYS = (
|
||||
"你只做会议转写的去口语化和断句，不做事实判断、术语纠错或总结。"
|
||||
)
|
||||
|
||||
CLEAN_RULES = """任务：对给定片段做「去口语化」。
|
||||
|
||||
只做三件事：
|
||||
1. 删除无意义语气词、结巴和紧邻的机械重复。
|
||||
2. 补标点，把明显破碎的口语整理成可读句子。
|
||||
3. 保留原有说话人分段。
|
||||
|
||||
不要总结，不要纠正人名、术语或数字，不要增加解释。听不懂的词原样保留。
|
||||
数字、英文、项目代号、【说话人】和 `[…重复噪声已折叠：…]` 必须保留。
|
||||
只输出清洗后的正文。"""
|
||||
|
||||
NORMALIZE_SYS = (
|
||||
"你是会议转写的实体、术语和数字规范化裁决器。只处理给出的候选，不做去口语化或总结。"
|
||||
)
|
||||
|
||||
NORMALIZE_RULES = """任务：在清洗文本中裁决候选词并作最小修改。
|
||||
|
||||
- A 组映射已经由程序执行，不要撤销。
|
||||
- B 组只有在整句语义、人物/公司/项目关系和近期语境共同支持时才替换。
|
||||
- 多个候选无法区分时保留原词，紧跟 `[?候选A/候选B]`。
|
||||
- 中文数字仅在类型和单位明确时转成阿拉伯数字；项目编号逐字转换，如“四幺八二”→“4182”。
|
||||
- 数值、单位或身份不确定时保留原文并加 `[?…]`，不得猜测。
|
||||
- 不增加候选清单和背景资料中没有的事实。
|
||||
|
||||
只输出规范化后的正文，保留全部【说话人】标签。"""
|
||||
|
||||
EVIDENCE_SYS = "你从一段会议转写中提取可追溯的事实卡片，不撰写纪要。"
|
||||
|
||||
EVIDENCE_PROMPT = """从下面片段提取值得进入会议草稿的关键信息。
|
||||
|
||||
保留：结论、决定、行动项、负责人、关键数字、争议、未决问题、重要关系和判断依据。
|
||||
省略：寒暄、重复表态、无意义细节。
|
||||
不得补充背景事实，不确定的主体或数字必须标“待确认”。
|
||||
每条都带片段编号 `{chunk_id}`，格式：
|
||||
- [片段 {chunk_id}] 类型｜主体｜事实或线索｜置信度:明确/较可信/待确认
|
||||
|
||||
片段：
|
||||
{body}"""
|
||||
|
||||
JUDGE_RULES = """附加任务：术语/人名校正裁决。
|
||||
|
||||
下面给出脚本按「发音相近 + 本场语境」自动圈出的**候选**（只是嫌疑，未必对）。
|
||||
每个候选都带来源说明，括号里的含义：
|
||||
- `已确认别名`：Kai 已经确认过的固定叫法或已知误识别映射。**证据最强**，若句子读得通就应当替换。
|
||||
- `机构简称`／`去姓称名`／`称谓`：口语里的简称形式（如「迈威」指迈威生物、「光辉」指李光辉、
|
||||
「老万」「万总」指姓万的人）。**这类是正常口语，不是错字**——判定为同一实体后直接用全名。
|
||||
- `一字之差`／`同篇另一写法`：同一实体在本篇中的其他写法，通常是转写漂移，应统一。
|
||||
- `X(本次在谈)`：该候选所属公司正是本次录音讨论的对象，是**强支持证据**。
|
||||
- `X(近期相关)`：该公司近期与本人有往来，是弱支持证据。
|
||||
|
||||
候选分两组：
|
||||
- **A 组「已确认映射」**：Kai 已人工核对的固定对应。只要句中该词确实指人/机构，**必须替换**，
|
||||
不要保留原写法、不要加「疑似」、不要标 `[?…]`。这类是 ASR 的固定误识别或口语简称，
|
||||
不是需要你判断的疑点。
|
||||
- **B 组「待判断候选」**：只是嫌疑，按下面规则裁决。
|
||||
|
||||
逐条按**它所在的整句**判断：
|
||||
- 如果原词在句中读得通（是常用词、副词、动宾结构），**保留原词**，不要改。
|
||||
- 候选带「已确认别名」或带「(本次在谈)」支持、且句中指的确实是人/机构时，**应当替换为全名**，
|
||||
不要因为"转写没明说"而回避——简称就是口语常态。
|
||||
- 同一候选有多个可能人物时（例如「徐总」可能是三个人），**不要硬选**：保留原词并标注
|
||||
`[?候选A/候选B]`，把判断留给后续环节。
|
||||
- 其余拿不准的：保留原词，并在该词后紧跟标注 `[?候选词]`（例如 `元烨[?原液]`）。
|
||||
- 标注了「此词本身是常用词」的，默认保留原词，除非句子完全读不通。
|
||||
|
||||
候选清单：
|
||||
{candidates}"""
|
||||
|
||||
CONTEXT_FOR_CLEAN = """本场背景（来自既有笔记与长期记忆，仅供你判断术语与人名的写法，**不要**把这些内容写进输出）：
|
||||
{context}"""
|
||||
|
||||
KEYWORD_PROMPT = """从下面的会议转写摘选中，提取用于检索背景资料的关键词。
|
||||
只要专有名词：人名、公司名、项目/产品代号、机构、专业术语。
|
||||
转写有识别错误，可以给出你认为正确的写法。
|
||||
输出一行，用空格分隔，最多 25 个词，不要任何其他内容。
|
||||
|
||||
转写摘选：
|
||||
{sample}"""
|
||||
|
||||
# The provenance rule below exists because of a measured failure: with background
|
||||
# context injected, drafts asserted context-derived facts as transcript facts
|
||||
# (「谭凯（白帆生物总经理）」、「此项目负责人为 [[冯昆仑]]（背景确认）」) even when the
|
||||
# recording never said them. The facts were often correct, but a meeting note that
|
||||
# cannot distinguish "said on the call" from "known from notes" is unsafe to finalize.
|
||||
DRAFT_PROMPT = """你是会议录音整理助手，正在根据**带来源编号的事实卡片**产出「粗整理草稿」。
|
||||
|
||||
严格遵循：
|
||||
1. 只产出粗整理草稿，**不是**正式纪要。
|
||||
2. 清楚区分三类信息：明确事实 / 讨论中的想法 / 推测·高不确定。
|
||||
3. **出处标注（重要）**：本草稿的每一条断言都必须能追溯到来源。
|
||||
- 来自本次转写的内容：正常写。
|
||||
- 来自下方「本场背景」而转写中**没有**说到的内容（例如某人的职务、公司归属、
|
||||
项目历史）：必须加后缀 `〔背景〕`，并且**不得**写成「明确事实」。
|
||||
- 你自己的推断：加后缀 `〔推断〕` 或写「疑似」。
|
||||
- 绝不把背景知识或推断伪装成转写内容。转写里没说的职务、公司名、金额、日期，
|
||||
一律不能不加标注地断言。
|
||||
4. 用 [[双链]] 标注有把握的人物/公司/项目；不确定的用纯文本 + 「疑似」。
|
||||
5. 转写中形如 `词[?候选]` 的标注表示清洗阶段无法确定的词，请结合全文语境判断，
|
||||
并在「待确认」中列出。
|
||||
6. 形如 `[…重复噪声已折叠：…]` 的标记表示该处录音是长段非语音噪声（保持音/静默），
|
||||
不要当成内容；如影响理解可在「待确认」提一句。
|
||||
7. 末尾必须有一节 `## 待你确认`，列出需要人工复核的关键不确定点（名词、说话人归属、
|
||||
日期、金额、结构）。
|
||||
7a. 正文标题后、议题正文前必须先写 `## 通话背景（待确认）`，用 2-4 句话概括：
|
||||
通话类型、参与方、正在处理的事项、各方关系。只写本次转写能支持的内容；推断必须
|
||||
明标「疑似」。这段会先交给用户判断背景是否靠谱，以及是否值得携带正确背景重跑。
|
||||
|
||||
**结构要求（按议题归拢，不要平铺）**：
|
||||
8. 正文按**议题**分节（一、二、三…），一个议题一节。每节内部用这个顺序：
|
||||
先一句「结论/当前状态」，再列支撑事实，最后写「待办/下一步」（如果有）。
|
||||
同一议题的事实必须收在同一节，不要因为在录音里出现的先后不同就拆成多条平行 bullet。
|
||||
9. 事实合并：同一件事的多次提及、同一金额/时间的重复确认、同一人的多轮补充，
|
||||
**合并成一条**并保留关键数字与限定条件，不要逐句罗列。
|
||||
单节内的 bullet 控制在 7 条以内；超出说明该拆成子议题或该合并。
|
||||
10. 每条 bullet 只讲一件事，避免「A，同时 B，另外 C」的堆叠长句。
|
||||
|
||||
**关于人名与简称（重要）**：
|
||||
11. 转写里的简称、称谓、老X/X总/X博就是口语常态，不是缺陷。若上下文足以确定指谁
|
||||
（例如正在谈某公司、而背景里该公司只有一位对应角色的人），**直接写全名并加 [[双链]]**，
|
||||
不要写成「具体身份不确定，需人工核实」。这类过度回避会让草稿失去价值。
|
||||
12. 只有在**真的存在多个候选且无法区分**时才标「疑似」，并把候选一起列出
|
||||
（例如「徐总（疑似 [[徐劲前]] 或 [[邹洵]]）」），而不是笼统写「身份不明」。
|
||||
13. 判定简称指向谁时使用背景里的任职信息，这属于**辨识**而非越界断言，
|
||||
不需要加〔背景〕；但如果你要额外陈述这个人的职务、公司归属本身，那就要加〔背景〕。
|
||||
14. 对匿名说话人，除非事实卡片已经给出有证据的候选，否则只写“身份待确认”；
|
||||
不要从背景中枚举可能的人名让用户猜。
|
||||
|
||||
{speaker_note}
|
||||
|
||||
{context}
|
||||
|
||||
frontmatter 严格用下列字段：
|
||||
---
|
||||
date: {date}
|
||||
type: minutes
|
||||
tags: [会议纪要, 草稿, 待确认]
|
||||
source: 录音转录
|
||||
source_detail: {source_detail}
|
||||
status: 草稿待确认
|
||||
people: [有把握的人名…]
|
||||
companies: [有把握的公司…]
|
||||
transcript: {transcript}
|
||||
{extra_fm}---
|
||||
|
||||
事实卡片：
|
||||
{body}
|
||||
|
||||
只输出 markdown 草稿全文，不要任何额外说明。"""
|
||||
|
||||
SPEAKER_NOTE = {
|
||||
"qwen3cam": (
|
||||
"转写来自 Qwen3-ASR + CAM++ 分角色 + 声纹：\n"
|
||||
"- 中文真名的说话人是**声纹已确认**的，直接用，不要写「疑似」。\n"
|
||||
"- `speaker_N` 是声纹未命名的说话人，按内容/口吻推断是谁并标「疑似」。\n"
|
||||
"- 不同 speaker_N 是不同真人（CAM++ 已分），但可能过度聚类（同一人被拆成多个 N），"
|
||||
"按内容合并同一真人。\n"
|
||||
"- frontmatter 的 people 优先填**声纹命名的真人**。"),
|
||||
"vibevoice": "转写带 S# 说话人标签，仅作软提示，块间编号不保证一致。",
|
||||
"qwen3-plain": "转写**无说话人信息**，据内容推断发言归属，不要臆造 speaker 标签。",
|
||||
}
|
||||
Reference in New Issue
Block a user