Сегментатор: -1 только для кодек-строк с типом или студией

Пустая кодек-строка («Аудио 1: AC3, 6 ch, 384 kbps - Русский») снова
негатив: с -1 модель разучилась её отбрасывать и на nnm подменяла ею
строку «Перевод: …».

Пробное обучение (2 эпохи, ~34 мин на 27.9k страниц) e2e по 400 тестовых
страниц, P/R пар (тип, студия), текущие веса -> новые: nnm 0.872/0.879 ->
0.836/0.860, rutracker 0.891/0.917 -> 0.883/0.910, kinozal 0.720/0.844 ->
0.724/0.845. Новые веса не лучше текущих, models/segmenter не заменён.

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

src/segmenter.py

@@ -115,9 +115,33 @@ RE_AUDIO_TRACK = re.compile(
     r".*(?:русск|russian|\brus\b|украин|ukrain|\bukr\b))")
 
 
+RE_TYPE_WORD = re.compile(
+    r"(?i)\b(?:MVO|DVO|AVO|DUB|VO)\b|дубл|многоголос|двухголос|одноголос|закадр|авторск")
+# технические слова кодек-строки: всё, что после их удаления осталось, — имя студии/автора
+RE_TECH_WORD = re.compile(
+    r"(?i)^(?:аудио\w*|audio|e?-?ac-?3|eac3|ac|dts|hd|ma|mpeg|mp3|aac|lc|opus|flac|pcm|lpcm|truehd"
+    r"|atmos|joc|dolby|digital|surround|stereo|mono|cbr|vbr|avg|constant|core|bit|ch|сh|channels?"
+    r"|каналов|канала|kbps|kb|кбит|бит|сек|khz|кгц|hz|lfe|dn|db|rus|ukr|eng|russian|русск\w*"
+    r"|украин\w*|english|англ\w*|l|c|r|sl|sr|ls|rs|lr|cbr|a)$")
+
+
+def _informative(line: str) -> bool:
+    """Кодек-строка называет тип озвучки или студию/автора, а не только параметры.
+
+    «Аудио 1: AC3, 6 ch, 384 kbps - Русский» — нет; «… | LostFilm»,
+    «… - Русский, Юрий Живов», «… (MVO)» — да.
+    """
+    if RE_TYPE_WORD.search(line):
+        return True
+    body = re.sub(r"(?i)^\s*(?:Аудио\w*|Audio)\s*(?:№|#)?\s*(?:\d+|rus|ukr)?\s*[:.]", "", line)
+    words = [w for w in re.findall(r"[^\W\d_]+", body) if not RE_TECH_WORD.match(w)]
+    return any(len(w) >= 3 for w in words)
+
+
 def label_page(lines: list[str], raws: list[str]) -> list[int]:
     """1 — строка содержит raw (или raw содержит строку ≥ 15 символов);
-    -1 — неразмеченная кодек-строка русской дорожки: в обучение не идёт.
+    -1 — неразмеченная кодек-строка русской дорожки с типом или студией: в
+    обучение не идёт; пустая кодек-строка («AC3, 6 ch, 384 kbps - Русский») — 0.
 
     Кодек-строка «Аудио N: … (MVO, LostFilm)» — дорожка, но у rutracker
     `raw` — строка «Перевод N:», а кодек-строка в разметку не попадает. Как
@@ -127,7 +151,8 @@ def label_page(lines: list[str], raws: list[str]) -> list[int]:
     out = []
     for line in lines:
         hit = any(r and (r in line or (len(line) >= 15 and line in r)) for r in raws)
-        out.append(1 if hit else (-1 if RE_AUDIO_TRACK.match(line) else 0))
+        skip = RE_AUDIO_TRACK.match(line) and _informative(line)
+        out.append(1 if hit else (-1 if skip else 0))
     return out