Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -144,55 +144,53 @@ def split_long_segment(seg: dict) -> list:
     if len(text) <= MAX_LINE_CHARS or len(words) < 4:
         return [seg]
 
-    mid         = len(words) // 2
-    punct_chars = {'.', ',', '!', '?', ';', ':'}
+    punct_chars = {'.', '!', '?', ',', ';', ':'}
+    sentence_enders = {'.', '!', '?'}
     # کلمه‌های کوچیک و به‌هم‌چسبیده‌ای که نباید تنها و جدا از کلمه‌ی بعدشون ته یه زیرنویس بمونن
     weak_endings = {
         'in', 'my', 'your', 'his', 'her', 'our', 'their', 'its', 'the', 'a', 'an',
         'of', 'to', 'at', 'on', 'by', 'for', 'with', 'is', 'are', 'was', 'were',
-        'and', 'or', 'but', 'so', 'if', 'that', 'this', 'i', 'we', 'you', 'he', 'she', 'it', 'they',
+        'and', 'or', 'but', 'so', 'if', 'that', 'this', 'we', 'you', 'he', 'she', 'they',
     }
+    min_part_chars = 15
 
-    def is_weak_split(idx):
-        """آیا کلمه‌ی درست قبل از این نقطه‌ی شکستن، یه کلمه‌ی کوچیک و ناتموم‌کننده‌ست؟"""
-        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 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(1, len(words) - 1):
-        word = words[i]["word"].strip()
-        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:
-        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 and not is_weak_split(i):
-                dist = abs(i - mid)
-                if dist < best_dist:
-                    best_dist  = dist
-                    best_punct = i + 1
-
-        # اگه punctuation نزدیک وسط هم نبود → نشکن، wrap_text کافیه
-        if best_punct == -1 or best_dist > len(words) // 3:
-            return [seg]
-
-    words1 = words[:best_punct]
-    words2 = words[best_punct:]
-
-    if len(words1) < 3 or len(words2) < 3:
+    full_text = text
+    mid_char = len(full_text) / 2
+
+    best_idx = -1
+    best_score = float('-inf')
+    char_pos = 0
+
+    for i, w in enumerate(words):
+        word_stripped = w["word"].strip()
+        this_word_end_char = char_pos + len(word_stripped)
+
+        if word_stripped and word_stripped[-1] in punct_chars and 0 < i < len(words) - 1:
+            # چک درست: خودِ کلمه‌ای که این علامت نگارشی روشه، نباید یه کلمه‌ی ضعیف باشه
+            bare_word = word_stripped.strip(".,!?;:").lower()
+            part1_chars = this_word_end_char
+            part2_chars = len(full_text) - this_word_end_char
+
+            if bare_word not in weak_endings and part1_chars >= min_part_chars and part2_chars >= min_part_chars:
+                dist_from_mid = abs(this_word_end_char - mid_char)
+                proximity_score = 1.0 - (dist_from_mid / len(full_text))
+                sentence_end_bonus = 0.5 if word_stripped[-1] in sentence_enders else 0.0
+                score = proximity_score + sentence_end_bonus
+
+                if score > best_score:
+                    best_score = score
+                    best_idx = i + 1
+
+        char_pos = this_word_end_char + 1
+
+    # هیچ نقطه‌ی شکستن مناسبی پیدا نشد → نشکن، wrap_text کافیه
+    if best_idx == -1:
+        return [seg]
+
+    words1 = words[:best_idx]
+    words2 = words[best_idx:]
+
+    if len(words1) < 2 or len(words2) < 2:
         return [seg]
 
     start2 = words2[0]["start"]