Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -1,10 +1,10 @@
-# ─── Post-Processing Engine v6 ─────────────────────────────────────────────────
+# ─── Post-Processing Engine v7 ─────────────────────────────────────────────────
 
-MIN_DISPLAY     = 2.5
-MAX_DISPLAY     = 7.0
-MERGE_MAX_CHARS = 72
-SPLIT_MAX_CHARS = 100
-MAX_GAP         = 1.5
+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  = 42    # استاندارد Netflix — حداکثر کاراکتر در هر خط
 
 
 def format_timestamp(seconds: float) -> str:
@@ -16,6 +16,7 @@ def format_timestamp(seconds: float) -> str:
 
 
 def merge_segments(segments: list) -> list:
+    """ادغام segment‌های کوتاه به جملات کامل"""
     if not segments:
         return []
 
@@ -36,9 +37,8 @@ def merge_segments(segments: list) -> list:
         combined_text     = current["text"] + " " + seg["text"].strip()
         combined_duration = seg["end"] - current["start"]
         ends_sentence     = current["text"].rstrip().endswith((".", "!", "?"))
-
-        current_duration = current["end"] - current["start"]
-        is_short = current_duration < 1.5
+        current_duration  = current["end"] - current["start"]
+        is_short          = current_duration < 1.5
 
         should_merge = (
             not ends_sentence
@@ -107,22 +107,34 @@ def apply_min_display(segments: list) -> list:
     return result
 
 
-def split_long_segment(seg: dict, depth: int = 0) -> list:
+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.
+    """
     words = seg.get("words", [])
     text  = seg["text"].strip()
 
-    # حداکثر ۲ بار split — جلوگیری از تک کلمه شدن
-    if depth >= 1 or len(text) <= SPLIT_MAX_CHARS or len(words) < 8:
+    # اگه کوتاهه یا کلمه کافی نداره، نشکن
+    if len(text) <= MAX_LINE_CHARS or len(words) < 4:
         return [seg]
 
-    best_idx = len(words) // 2
+    # 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
+
     words1 = words[:best_idx]
     words2 = words[best_idx:]
 
@@ -132,6 +144,12 @@ def split_long_segment(seg: dict, depth: int = 0) -> list:
     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:
+            end1 = start2 - 0.040
+
     seg1 = {
         "text":  " ".join(w["word"].strip() for w in words1),
         "start": words1[0]["start"],
@@ -145,7 +163,8 @@ def split_long_segment(seg: dict, depth: int = 0) -> list:
         "words": words2,
     }
 
-    return split_long_segment(seg1, depth + 1) + split_long_segment(seg2, depth + 1)
+    # recursive — اگه هنوز طولانیه، دوباره بشکن
+    return split_long_segment(seg1) + split_long_segment(seg2)
 
 
 def build_srt(segments: list) -> str: