Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -1,10 +1,11 @@
-# ─── Post-Processing Engine v7 ─────────────────────────────────────────────────
+# ─── Post-Processing Engine v8 ─────────────────────────────────────────────────
 
-MIN_DISPLAY     = 1.5   # حداقل زمان نمایش (ثانیه)
-MAX_DISPLAY     = 7.0   # حداکثر زمان نمایش
-MERGE_MAX_CHARS = 72    # حداکثر کاراکتر برای merge
-MAX_GAP         = 1.5   # حداکثر فاصله بین دو segment برای merge
-MAX_LINE_CHARS  = 70    # threshold برای split کردن به دو subtitle جداگانه
+MIN_DISPLAY     = 1.5
+MAX_DISPLAY     = 7.0
+MERGE_MAX_CHARS = 72
+MAX_GAP         = 1.5
+MAX_LINE_CHARS  = 70    # threshold برای split به دو subtitle جداگانه
+WRAP_CHARS      = 42    # استاندارد Netflix برای wrap به دو خط
 
 
 def format_timestamp(seconds: float) -> str:
@@ -16,7 +17,6 @@ def format_timestamp(seconds: float) -> str:
 
 
 def merge_segments(segments: list) -> list:
-    """ادغام segment‌های کوتاه به جملات کامل"""
     if not segments:
         return []
 
@@ -106,44 +106,44 @@ def apply_min_display(segments: list) -> list:
         result.append(seg)
     return result
 
+
 def split_long_segment(seg: dict) -> list:
     """
-    اگه segment بیشتر از MAX_LINE_CHARS کاراکتر داشت،
-    تبدیل میشه به دو subtitle جداگانه با timestamp مجزا.
+    فقط اگه punctuation نزدیک وسط جمله بود، به دو subtitle جداگانه بشکن.
+    اگه نقطه مناسبی نبود، نشکن — wrap_text در build_srt دو خطش می‌کنه.
     """
     words = seg.get("words", [])
     text  = seg["text"].strip()
 
-    # اگه کوتاهه یا کلمه کافی نداره، نشکن
     if len(text) <= MAX_LINE_CHARS or len(words) < 4:
         return [seg]
 
-    # پیدا کردن بهترین نقطه split
-    mid      = len(words) // 2
-    best_idx = mid
-    best_gap = -1
-
-    # اول دنبال بزرگ‌ترین gap بگرد
-    for i in range(1, len(words)):
-        gap = words[i]["start"] - words[i - 1]["end"]
-        if gap > best_gap:
-            best_gap = gap
-            best_idx = i
-
-    # اگه gap خیلی کوچیکه (زیر ۵۰ms)، از وسط بشکن
-    if best_gap < 0.050:
-        best_idx = mid
+    mid         = len(words) // 2
+    punct_chars = {'.', ',', '!', '?', ';', ':'}
+    best_punct  = -1
+    best_dist   = float('inf')
+
+    for i in range(1, len(words) - 1):
+        word = words[i]["word"].strip()
+        if word and word[-1] in punct_chars:
+            dist = abs(i - mid)
+            if dist < best_dist:
+                best_dist  = dist
+                best_punct = i + 1
+
+    # اگه punctuation نزدیک وسط نبود → نشکن، wrap_text کافیه
+    if best_punct == -1 or best_dist > len(words) // 3:
+        return [seg]
 
-    words1 = words[:best_idx]
-    words2 = words[best_idx:]
+    words1 = words[:best_punct]
+    words2 = words[best_punct:]
 
-    if not words1 or not words2:
+    if len(words1) < 3 or len(words2) < 3:
         return [seg]
 
     start2 = words2[0]["start"]
     end1   = max(start2 - 0.080, words1[-1]["end"])
 
-    # safety: حداقل MIN_DISPLAY برای هر بخش
     if end1 - words1[0]["start"] < MIN_DISPLAY:
         end1 = words1[0]["start"] + MIN_DISPLAY
         if end1 >= start2:
@@ -162,20 +162,19 @@ def split_long_segment(seg: dict) -> list:
         "words": words2,
     }
 
-    # recursive — اگه هنوز طولانیه، دوباره بشکن
     return split_long_segment(seg1) + split_long_segment(seg2)
 
 
-def wrap_text(text: str, max_chars: int = 42) -> str:
-    """اگه متن بیشتر از max_chars بود، به دو خط تقسیم کن"""
-    if len(text) <= max_chars:
+def wrap_text(text: str) -> str:
+    """اگه متن بیشتر از WRAP_CHARS بود، به دو خط تقسیم کن"""
+    if len(text) <= WRAP_CHARS:
         return text
 
-    words = text.split()
+    words      = text.split()
     best_break = -1
     best_diff  = float('inf')
-
     current_len = 0
+
     for i, word in enumerate(words):
         current_len += len(word) + (1 if i > 0 else 0)
         diff = abs(current_len - len(text) / 2)
@@ -221,5 +220,4 @@ def process(segments: list) -> str:
     split = fix_overlaps(split)
     final = apply_min_display(split)
 
-    return build_srt(final)
-    
+    return build_srt(final)