Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -158,16 +158,21 @@ def split_long_segment(seg: dict) -> list:
         prev_word = words[idx - 1]["word"].strip().strip(".,!?;:").lower() if idx > 0 else ""
         return prev_word in weak_endings
 
-    # اولویت اول: یه علامت نگارشی توی قسمت پایانی جمله (بعد از ۷۰٪ طول) پیدا کن -
-    # یه پایان طبیعیِ دیرتر، بهتر از شکستن مجبوری وسط یه عبارته
-    late_threshold = len(words) * 0.7
+    # اولویت اول: یه علامت نگارشی توی یه محدوده‌ی مشخص از انتهای جمله (۷۰٪ تا ۹۰٪ طول) پیدا کن -
+    # یه پایان طبیعیِ دیرتر، بهتر از شکستن مجبوری وسط یه عبارته - ولی نه اونقدر دیر که
+    # تیکه‌ی دوم خیلی کوچیک بشه و اصلاً نشکنه
+    late_start = len(words) * 0.7
+    late_end   = len(words) * 0.9
     best_punct = -1
+    best_late_dist = float('inf')
 
-    for i in range(len(words) - 2, 0, -1):  # از آخر به اول، اولین مورد مناسب رو نگه می‌داریم
+    for i in range(1, len(words) - 1):
         word = words[i]["word"].strip()
-        if word and word[-1] in punct_chars and i >= late_threshold and not is_weak_split(i):
-            best_punct = i + 1
-            break
+        if word and word[-1] in punct_chars and late_start <= i <= late_end and not is_weak_split(i):
+            dist = abs(i - late_start)  # نزدیک‌ترین به شروع این محدوده (۷۰٪) رو ترجیح بده
+            if dist < best_late_dist:
+                best_late_dist = dist
+                best_punct = i + 1
 
     # اگه علامت پایانی مناسبی نبود، برگرد به روش قبلی: نزدیک‌ترین علامت به وسط جمله
     if best_punct == -1: