Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -1,10 +1,10 @@
-# ─── Post-Processing Engine v5 ─────────────────────────────────────────────────
+# ─── Post-Processing Engine v6 ─────────────────────────────────────────────────
 
-MIN_DISPLAY    = 2.5   # حداقل زمان نمایش هر subtitle (ثانیه)
-MAX_DISPLAY    = 7.0   # حداکثر زمان نمایش
-MERGE_MAX_CHARS = 72   # حداکثر کاراکتر برای merge (با فاصله)
-SPLIT_MAX_CHARS = 60   # حداکثر کاراکتر قبل از split (با فاصله)
-MAX_GAP        = 1.5   # حداکثر فاصله بین دو segment برای merge
+MIN_DISPLAY     = 2.5
+MAX_DISPLAY     = 7.0
+MERGE_MAX_CHARS = 72
+SPLIT_MAX_CHARS = 60
+MAX_GAP         = 1.5
 
 
 def format_timestamp(seconds: float) -> str:
@@ -16,7 +16,6 @@ def format_timestamp(seconds: float) -> str:
 
 
 def merge_segments(segments: list) -> list:
-    """ادغام segment‌های کوتاه به جملات کامل"""
     if not segments:
         return []
 
@@ -38,7 +37,7 @@ def merge_segments(segments: list) -> list:
         combined_duration = seg["end"] - current["start"]
         ends_sentence     = current["text"].rstrip().endswith((".", "!", "?"))
 
-    # segment کوتاه — همیشه merge کن
+        # segment کوتاه (کمتر از ۳ کلمه یا کمتر از ۰.۸ ثانیه) → همیشه merge کن
         current_words = current.get("words", [])
         is_short = len(current_words) <= 2 or (current["end"] - current["start"]) < 0.8
 
@@ -46,10 +45,10 @@ def merge_segments(segments: list) -> list:
             not ends_sentence
             and combined_duration <= MAX_DISPLAY
             and (
-                is_short  # segment کوتاه رو همیشه merge کن
+                is_short
                 or (len(combined_text) <= MERGE_MAX_CHARS and gap <= MAX_GAP)
             )
-        )    
+        )
 
         if should_merge:
             current["text"]   = combined_text
@@ -71,7 +70,6 @@ def merge_segments(segments: list) -> list:
 
 
 def remove_duplicates(segments: list) -> list:
-    """حذف subtitle‌های تکراری متوالی"""
     if not segments:
         return []
     result = [segments[0]]
@@ -82,7 +80,6 @@ def remove_duplicates(segments: list) -> list:
 
 
 def fix_overlaps(segments: list) -> list:
-    """رفع timestamp‌های overlapping"""
     fixed = []
     for seg in segments:
         seg = dict(seg)
@@ -95,35 +92,29 @@ def fix_overlaps(segments: list) -> list:
 
 
 def apply_min_display(segments: list) -> list:
-    """اعمال حداقل زمان نمایش"""
     result = []
     for i, seg in enumerate(segments):
         seg = dict(seg)
         duration = seg["end"] - seg["start"]
-
         if duration < MIN_DISPLAY:
             if i + 1 < len(segments):
                 next_start = segments[i + 1]["start"]
                 max_end    = next_start - 0.080
             else:
                 max_end = seg["end"] + MAX_DISPLAY
-
             new_end    = seg["start"] + MIN_DISPLAY
             seg["end"] = min(new_end, max(max_end, seg["end"]))
-
         result.append(seg)
     return result
 
 
 def split_long_segment(seg: dict) -> list:
-    """شکستن segment‌های خیلی طولانی"""
     words = seg.get("words", [])
     text  = seg["text"].strip()
 
     if len(text) <= SPLIT_MAX_CHARS or len(words) < 3:
         return [seg]
 
-    # پیدا کردن بهترین نقطه split (بزرگ‌ترین gap)
     best_idx = len(words) // 2
     best_gap = -1
     for i in range(1, len(words)):
@@ -175,24 +166,15 @@ def process(segments: list) -> str:
     if not segments:
         return ""
 
-    # ۱ — ادغام segment‌های کوتاه
     merged = merge_segments(segments)
-
-    # ۲ — حذف duplicate
     merged = remove_duplicates(merged)
+    fixed  = fix_overlaps(merged)
 
-    # ۳ — رفع overlap
-    fixed = fix_overlaps(merged)
-
-    # ۴ — شکستن segment‌های خیلی طولانی
     split = []
     for seg in fixed:
         split.extend(split_long_segment(seg))
 
-    # ۵ — رفع overlap بعد از split
     split = fix_overlaps(split)
-
-    # ۶ — اعمال حداقل زمان نمایش
     final = apply_min_display(split)
 
     return build_srt(final)