Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -1,9 +1,10 @@
-# ─── Post-Processing Engine v4 ─────────────────────────────────────────────────
+# ─── Post-Processing Engine v5 ─────────────────────────────────────────────────
 
-MIN_DISPLAY = 2.5   # حداقل زمان نمایش هر subtitle (ثانیه)
-MAX_DISPLAY = 7.0   # حداکثر زمان نمایش
-MAX_CHARS   = 42    # حداکثر کاراکتر برای merge
-MAX_GAP     = 1.5   # حداکثر فاصله بین دو segment برای merge
+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
 
 
 def format_timestamp(seconds: float) -> str:
@@ -32,21 +33,21 @@ def merge_segments(segments: list) -> list:
             }
             continue
 
-        gap              = seg["start"] - current["end"]
-        combined_text    = current["text"] + " " + seg["text"].strip()
+        gap               = seg["start"] - current["end"]
+        combined_text     = current["text"] + " " + seg["text"].strip()
         combined_duration = seg["end"] - current["start"]
-        ends_sentence    = current["text"].rstrip().endswith((".", "!", "?"))
+        ends_sentence     = current["text"].rstrip().endswith((".", "!", "?"))
 
         should_merge = (
-            len(combined_text.replace(" ", "")) <= MAX_CHARS
+            len(combined_text) <= MERGE_MAX_CHARS
             and combined_duration <= MAX_DISPLAY
             and gap <= MAX_GAP
             and not ends_sentence
         )
 
         if should_merge:
-            current["text"]  = combined_text
-            current["end"]   = seg["end"]
+            current["text"]   = combined_text
+            current["end"]    = seg["end"]
             current["words"] += list(seg.get("words", []))
         else:
             merged.append(current)
@@ -88,25 +89,20 @@ def fix_overlaps(segments: list) -> list:
 
 
 def apply_min_display(segments: list) -> list:
-    """
-    اعمال حداقل زمان نمایش.
-    اگه فاصله تا subtitle بعدی کافی باشه، end رو افزایش میدیم.
-    اگه subtitle بعدی نزدیکه، حداکثر تا ۸۰ms قبلش امتداد میدیم.
-    """
+    """اعمال حداقل زمان نمایش"""
     result = []
     for i, seg in enumerate(segments):
         seg = dict(seg)
         duration = seg["end"] - seg["start"]
 
         if duration < MIN_DISPLAY:
-            # حداکثر تا کجا میتونیم end رو ببریم؟
             if i + 1 < len(segments):
-                next_start  = segments[i + 1]["start"]
-                max_end     = next_start - 0.080   # ۸۰ms قبل از subtitle بعدی
+                next_start = segments[i + 1]["start"]
+                max_end    = next_start - 0.080
             else:
-                max_end     = seg["end"] + MAX_DISPLAY
+                max_end = seg["end"] + MAX_DISPLAY
 
-            new_end = seg["start"] + MIN_DISPLAY
+            new_end    = seg["start"] + MIN_DISPLAY
             seg["end"] = min(new_end, max(max_end, seg["end"]))
 
         result.append(seg)
@@ -118,7 +114,7 @@ def split_long_segment(seg: dict) -> list:
     words = seg.get("words", [])
     text  = seg["text"].strip()
 
-    if len(text.replace(" ", "")) <= MAX_CHARS or len(words) < 3:
+    if len(text) <= SPLIT_MAX_CHARS or len(words) < 3:
         return [seg]
 
     # پیدا کردن بهترین نقطه split (بزرگ‌ترین gap)