Update pipeline/postprocess.py

pipeline/postprocess.py

@@ -146,20 +146,43 @@ def split_long_segment(seg: dict) -> list:
 
     mid         = len(words) // 2
     punct_chars = {'.', ',', '!', '?', ';', ':'}
-    best_punct  = -1
-    best_dist   = float('inf')
+    # 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',
+    }
+
+    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
 
-    for i in range(1, len(words) - 1):
+    # 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
+    best_punct = -1
+
+    for i in range(len(words) - 2, 0, -1):  # از آخر به اول، اولین مورد مناسب رو نگه می‌داریم
         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]
+        if word and word[-1] in punct_chars and i >= late_threshold and not is_weak_split(i):
+            best_punct = i + 1
+            break
+
+    # 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:]