Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -1,4 +1,4 @@
-# ─── Post-Processing Engine v8 ─────────────────────────────────────────────────
+# ─── Post-Processing Engine v9 ─────────────────────────────────────────────────
 
 MIN_DISPLAY     = 1.5
 MAX_DISPLAY     = 7.0
@@ -6,6 +6,7 @@ MERGE_MAX_CHARS = 72
 MAX_GAP         = 1.5
 MAX_LINE_CHARS  = 60    # threshold برای split به دو subtitle جداگانه
 WRAP_CHARS      = 42    # استاندارد Netflix برای wrap به دو خط
+CPS_LIMIT       = 17    # حداکثر کاراکتر قابل‌خواندن در ثانیه - برای تشخیص جمله‌ی «به‌سرعت رد شده»
 
 
 def format_timestamp(seconds: float) -> str:
@@ -30,6 +31,7 @@ def merge_segments(segments: list) -> list:
                 "start": seg["start"],
                 "end":   seg["end"],
                 "words": list(seg.get("words", [])),
+                "speaker": seg.get("speaker"),
             }
             continue
 
@@ -40,23 +42,37 @@ def merge_segments(segments: list) -> list:
         current_duration  = current["end"] - current["start"]
         is_short          = current_duration < 1.5
         same_speaker      = current.get("speaker") is None or current.get("speaker") == seg.get("speaker")
+        too_fast          = (len(current["text"]) / current_duration) > CPS_LIMIT if current_duration > 0 else True
+        fits_dialogue     = len(current["text"]) <= WRAP_CHARS and len(seg["text"].strip()) <= WRAP_CHARS
+        already_dialogue  = current.get("is_dialogue_block", False)
 
         should_merge = (
             not ends_sentence
             and combined_duration <= MAX_DISPLAY
+            and same_speaker
             and (
-                same_speaker
-                and (
-                    is_short
-                    or (len(combined_text) <= MERGE_MAX_CHARS and gap <= MAX_GAP)
-                )
+                is_short
+                or (len(combined_text) <= MERGE_MAX_CHARS and gap <= MAX_GAP)
             )
         )
 
+        should_pair_as_dialogue = (
+            not already_dialogue
+            and not same_speaker
+            and too_fast
+            and gap <= MAX_GAP
+            and fits_dialogue
+        )
+
         if should_merge:
             current["text"]   = combined_text
             current["end"]    = seg["end"]
             current["words"] += list(seg.get("words", []))
+        elif should_pair_as_dialogue:
+            current["text"]   = f"- {current['text']}\n- {seg['text'].strip()}"
+            current["end"]    = seg["end"]
+            current["words"] += list(seg.get("words", []))
+            current["is_dialogue_block"] = True
         else:
             merged.append(current)
             current = {
@@ -64,6 +80,7 @@ def merge_segments(segments: list) -> list:
                 "start": seg["start"],
                 "end":   seg["end"],
                 "words": list(seg.get("words", [])),
+                "speaker": seg.get("speaker"),
             }
 
     if current:
@@ -115,7 +132,11 @@ def split_long_segment(seg: dict) -> list:
     """
     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.
+    بلوک‌های دیالوگِ دو-گوینده‌ای (is_dialogue_block) هیچ‌وقت شکسته نمی‌شن.
     """
+    if seg.get("is_dialogue_block"):
+        return [seg]
+
     words = seg.get("words", [])
     text  = seg["text"].strip()
 
@@ -170,7 +191,11 @@ def split_long_segment(seg: dict) -> list:
 
 
 def wrap_text(text: str) -> str:
-    """اگه متن بیشتر از WRAP_CHARS بود، به دو خط تقسیم کن"""
+    """اگه متن بیشتر از WRAP_CHARS بود، به دو خط تقسیم کن.
+    اگه متن از قبل یه بلوک دیالوگِ دو-گوینده‌ای (با - و خط جدید) بود، دست‌نخورده برگردون."""
+    if text.startswith("- ") and "\n" in text:
+        return text
+
     if len(text) <= WRAP_CHARS:
         return text