File size: 9,445 Bytes
ea1dd9a 258a360 ea1dd9a | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 | """Step 4 - the voice-over, held to length. Cell [14].
Ported from `case_study_pipeline.ipynb`. The notebook was one namespace, so
each module re-imports the ones before it; every prompt and every standard is
the notebook's text, compared character by character by the fidelity test.
"""
from __future__ import annotations
import asyncio # noqa: F401
import datetime # noqa: F401
import html # noqa: F401
import json # noqa: F401
import pathlib # noqa: F401
import re # noqa: F401
from typing import Any, Callable, Literal, Optional # noqa: F401
from pydantic import ( # noqa: F401
BaseModel,
ConfigDict,
Field,
ValidationError,
model_validator,
)
from app.agents.case_study.helpers import * # noqa: F403
from app.agents.case_study.lint import * # noqa: F403
from app.agents.case_study.profiles import * # noqa: F403
from app.agents.case_study.runner import * # noqa: F403
from app.agents.case_study.schemas import * # noqa: F403
from app.agents.case_study.standards import * # noqa: F403
# The notebook was one namespace; these are read below and were
# not carried over by the split into modules.
from app.agents.case_study.agents import writer_agent
from app.agents.case_study.analysis import build_prompt
SCRIPTS_SKELETON = """{
"scenes": [
{"scene_number": 1, "kind": "situation", "lines": [
{"role": "narration", "text": "سطر مسموع واحد = فكرة/لقطة واحدة.", "speaker": "الراوي"},
{"role": "dialogue", "text": "\\"جملة الحوار\\"", "speaker": "اسم الشخصية"}
]},
{"scene_number": 4, "kind": "reflection", "lines": [
{"role": "character_action", "text": "وهذا بالضبط ما فعله ...، إذ ...", "speaker": "الراوي"},
{"role": "link", "text": "فـ... يلتزم دائمًا بـ... التالية:", "speaker": "الراوي"},
{"role": "bullet", "text": "نقطة إرشادية موجزة.", "speaker": "الراوي"}
]},
{"scene_number": 9, "kind": "closing", "lines": [
{"role": "closing_scene", "text": "وهكذا، ...", "speaker": "الراوي"},
{"role": "closing_sentence", "text": "جملة ختامية واحدة ذات أثر مرتبطة بالموضوع.", "speaker": "الراوي"},
{"role": "teaser", "text": "وفي الدرس القادم، سنتعرف معًا على ...", "speaker": "الراوي"}
]}
]
}"""
def _roles_text(inp: CaseInput) -> str:
rows = []
for k, r in KIND_ROLES.items():
req = set(r["required"])
if k == "closing" and PROFILES[inp.product_type]["closing_requires_scene"]:
req.add("closing_scene")
if k == "closing" and inp.next_context:
req.add("teaser")
rows.append(f"- {k}: المسموح {sorted(r['allowed'])} | الإلزامي {sorted(req)}")
return "الأدوار (role) لكل نوع مشهد:\n" + "\n".join(rows) + \
"\n- thanks تُضاف آليًا من الإعدادات (لا تكتبها). لا teaser إن لم يوجد تسلسل."
def _inter_summary(inters: dict[int, Interaction]) -> list[dict]:
return [{"scene_number": k, "type": v.type_ar, "question": f"{v.situation_sentence} {v.question}",
"correct_answer": v.correct_answer_text, "after_action": v.after_action} for k, v in sorted(inters.items())]
def _writer_task(inp: CaseInput, bp: Blueprint) -> str:
targets = ", ".join(f"م{s.scene_number}({s.kind})≈{s.target_words}" for s in bp.scenes if s.kind != "interaction")
return f"""\
- اكتب أسطر النص المسموع (VO) لكل المشاهد **غير التفاعلية** فقط: {[s.scene_number for s in bp.scenes if s.kind != 'interaction']} (مشاهد التفاعل تُبنى آليًا من interactions).
- كل سطر = فكرة/لقطة واحدة قصيرة (سيُبنى لكل سطر beat بصري). الأطوال المستهدفة بالكلمات: {targets}؛ الإجمالي مع التفاعلات ≈ {inp.size.resolved_target_words} كلمة.
- ترابط سردي واحد من أول مشهد لآخره؛ المشهد السابق لكل تفاعل ينتهي **عند لحظة القرار نفسها** التي يطرحها سؤال التفاعل تمامًا (لا قبلها ولا بعدها).
- كتابة درامية احترافية: تفاصيل حسّية ملموسة (مكان، زمن، صوت، حركة) تُدخل المتدرب في الموقف، وتوتر يتصاعد نحو القرار؛ لا جُمل تقريرية جافة ولا حشو ولا تكرار لفكرة سبق ذكرها.
- reflection: (1) character_action يعكس after_action للتفاعل السابق ويذكر اسم الشخصية («وهذا بالضبط ما فعله ...»)، (2) link تمهيدية تنتهي بـ«:»، (3) من 3 إلى 6 bullet مستخلصة من المحتوى.
- guidance: link تنتهي بـ«:» ثم bullet (من 3 إلى 6) مرتبطة بالموقف السابق.
- الحوار: role=dialogue وspeaker باسم الشخصية، والنص بين علامتي تنصيص.
- closing: {'closing_scene يُغلق الموقف ويوضح كيف آلت الأمور، ثم ' if PROFILES[inp.product_type]['closing_requires_scene'] else ''}closing_sentence واحدة ذات أثر مرتبطة بالموضوع تحديدًا (لا قوالب){'، ثم teaser مشوّق عن: ' + inp.next_context if inp.next_context else ''}.
- {'جملة ربط (role=link) بعد المقدمة تعلن المحاور — إلزامية.' if bp.intro_link_required else 'جملة الربط بعد المقدمة اختيارية.'}
- التزم بكل معلومة وردت في المحتوى وبالمصطلحات الدقيقة؛ فصحى سليمة؛ بلا حروف لاتينية في النص المسموع.
{_roles_text(inp)}"""
async def _write_all(inp, analysis, bp, inters, extra: str = "", current: Optional[Scripts] = None, marker_task="script") -> Scripts:
scenes_meta = ",".join(f"{s.scene_number}:{s.kind}" for s in bp.scenes if s.kind != "interaction")
prev = {"تحليل المحتوى": analysis,
"المخطط (المحاور والشخصيات والمشاهد)": {"title": bp.title, "axes": [a.model_dump() for a in bp.axes],
"intro_type": bp.intro_type, "intro_idea": bp.intro_idea,
"characters": [c.model_dump() for c in bp.characters],
"scenes": [s.model_dump() for s in bp.scenes],
"closing_idea": bp.closing_idea, "next_teaser_idea": bp.next_teaser_idea},
"التفاعلات (ما يسأل عنه كل تفاعل وما فعلته الشخصية)": _inter_summary(inters)}
if current is not None:
prev["النص الحالي"] = current
prompt = build_prompt(f"#TASK={marker_task} #SCENE=0 #SCENES={scenes_meta}", inp, prev,
std_block(inp) + "\n\n" + STYLE_EXAMPLE, _writer_task(inp, bp) + extra, SCRIPTS_SKELETON)
sc = await run_json_task(writer_agent, prompt, Scripts, marker_task, lambda o: v_scripts(o, bp, inp))
plans = {s.scene_number: s for s in bp.scenes}
for s in sc.scenes:
normalize_scene_script(s, plans[s.scene_number], inp)
sc.scenes.sort(key=lambda s: s.scene_number)
return sc
async def step_write(inp: CaseInput, analysis: Analysis, bp: Blueprint, inters: dict[int, Interaction]) -> Scripts:
scripts = await _write_all(inp, analysis, bp, inters)
target, tol = inp.size.resolved_target_words, inp.size.tolerance
for loop in range(RUN_CONFIG["length_loops"] + 1):
total = total_vo_words(all_scene_lines(bp, scripts, inters))
dev = (total - target) / target
log(f" الطول: {total} كلمة (المستهدف {target}، الانحراف {dev:+.0%})")
if abs(dev) <= tol:
break
if loop == RUN_CONFIG["length_loops"]:
qa("script", "length", [f"الطول النهائي {total} كلمة مقابل {target} (خارج ±{int(tol * 100)}%) — قُبل بعد {loop} دورات ضبط."])
break
per = {s.scene_number: sum(word_count(l.text) for l in s.lines) for s in scripts.scenes}
direction = "اختصر" if dev > 0 else "وسّع"
extra = (f"\n### ضبط الطول (دورة {loop + 1}): الإجمالي الحالي {total} كلمة والمستهدف {target} (±{int(tol * 100)}%). "
f"{direction} النص بنحو {abs(total - target)} كلمة دون إسقاط أي معلومة أو مكوّن إلزامي. "
f"أطوال المشاهد الحالية: {per}. أعد كل المشاهد كاملة.")
scripts = await _write_all(inp, analysis, bp, inters, extra, current=scripts, marker_task="script_length")
save_json("scripts.json", {"scenes": [{"scene_number": n, "kind": next(s.kind for s in bp.scenes if s.scene_number == n),
"lines": [l.model_dump() for l in lines]}
for n, lines in sorted(all_scene_lines(bp, scripts, inters).items())]})
log(f"✓ النص: {len(scripts.scenes)} مشاهد سردية")
return scripts
# scripts = await step_write(INPUT, analysis, blueprint, interactions)
|