Датасет и обучение: класс «люб. дубляж», раскладка многотиповых строк, язык из «Аудио», строки из «Аудио», потолок повторов, веса классов

- harvest_core: дубляж — тип, а не часть имени студии; split_multi_rows; audio_only_rows; kinozal сопоставляет все аудиодорожки
- prepare_data: --max-dup, отсев остатков многотиповых строк
- train: веса классов (корень из обратной частоты, потолок 4), --no-class-weights
- исправлены регулярки с \b, записанные как символ BS (predict.py, audio18.py)
- PARSE_VERSION 3: кэш разбора сбрасывается
- docs/dataset.md, docs/api-reference.md обновлены

Co-Authored-By: Claude Sonnet 5.5 <[email protected]>

docs/api-reference.md

@@ -86,7 +86,12 @@
 
 Поле `lang` описывает только язык дорожки; `role` и `lang` не зависят от `translation_type`.
 
-### translation_type: 14 классов
+### translation_type: 14 классов (15 после переобучения на пересобранных данных)
+
+> После пересборки датасета (см. [dataset.md](dataset.md)) добавляется класс `люб. дубляж` — любительский
+> дубляж; модели, обученные раньше, его не возвращают и по-прежнему отдают 14 классов из списка ниже.
+> Источник истины для конкретной модели — `GET /health` → `classes`; клиенту безопасно сопоставлять по подстроке
+> (`дубляж` → дубляж), как описано ниже: `люб. дубляж` её содержит.
 
 Точные строки (регистр, пробелы и точки после префикса — как есть; сортировка — по алфавиту, так их
 возвращает `GET /health` → `classes`):
@@ -109,6 +114,7 @@
 | Значение | Кто озвучивал | Вид |
 |---|---|---|
 | `проф. дубляж` | профессиональная студия | дубляж (речь актёров заменяет оригинал; в страницах «Дублированный») |
+| `люб. дубляж` | любительская озвучка | дубляж/псевдодубляж; только в моделях, обученных после пересборки датасета |
 | `проф. многоголосый` | профессиональная студия | закадровый, три и более голоса |
 | `проф. двухголосый` | профессиональная студия | закадровый, два голоса |
 | `проф. одноголосый` | профессиональная студия | закадровый, один голос |