# grabber-ai — нейро-модель «тип озвучки + автор + 18+»

По тексту дорожки озвучки (или HTML-странице релиза с трекеров rutracker /
kinozal / nnm-club) модель определяет:

* **тип озвучки** (`translation_type`, 15 классов: проф. дубляж, проф. многоголосый,
  авт. одноголосый, …) — классификация;
* **автора** (`studio`: студия или переводчик) — извлечение имени прямо из текста
  (работает и для авторов, которых не было в обучении) + нормализация по словарю
  алиасов («HDRezka Studio» → `HDrezka`, «Ю. Сербин» → «Юрий Сербин»);
* **18+** дорожка или нет — бинарная голова.

Обучено на датасете из 3286 разметанных дорожек + 458 аугментированных
морфологических вариантов (снимок `labels.csv` из deepseek-harness).
Multi-task RuBERT: сравниваются `rubert-tiny2` и `ruBert-base`,
лучшая кладётся в `models/best`.

## Квикстарт (5 минут)

```bash
# 1. окружение (Windows, Python 3.13; GPU требует колёс cu128 — см. docs/training-windows.md)
python -m venv .venv
.venv\Scripts\python -m pip install torch --index-url https://download.pytorch.org/whl/cu128
.venv\Scripts\python -m pip install -r requirements.txt

# 2. данные -> подготовка (data/labels.csv уже в репозитории)
.venv\Scripts\python -m src.prepare_data

# 3. обучение (обе модели, 5-fold CV; ~15-20 мин на RTX 5070 Ti)
.venv\Scripts\python -m src.train
#    результат: models/best, reports/summary.md, reports/*.png

# 4. инференс
.venv\Scripts\python -m src.predict --text "Перевод: Профессиональный (многоголосый закадровый) | HDRezka Studio 18+"
.venv\Scripts\python -m src.predict --html data/samples/rt-topic.html
.venv\Scripts\python -m src.predict --file data/pages/6907007.txt --out result.json
```

Python API:

```python
from src.predict import DubPredictor

model = DubPredictor()                      # models/best по умолчанию
model.predict_text("Авторский (одноголосый закадровый) - Ю. Сербин")
# {'translation_type': 'авт. одноголосый', 'studio': 'Юрий Сербин', 'is_18plus': False, ...}

model.predict_html(open("data/samples/rt-topic.html", encoding="utf-8").read())
# [ {...дорожка 1...}, {...дорожка 2...}, ... ]
```

HTTP-сервис и интеграция из Rust/TypeScript (ONNX без Python) — см.
**[docs/integration.md](docs/integration.md)**.

## Структура

```
data/            датасет (labels.csv — снимок) и HTML-дампы страниц
data/processed/  подготовленные данные (dataset.json, label_maps.json)
src/             код: подготовка, модель, обучение, инференс, сервис, ONNX-экспорт
models/          чекпоинты (best — итоговая модель)
reports/         метрики, аудит датасета, confusion matrix, ONNX-parity
tests/           юнит-тесты (tests/run_tests.py)
examples/        клиенты: rust (HTTP, ONNX), typescript (HTTP, ONNX)
docs/            документация
```

## Документация

* [docs/architecture.md](docs/architecture.md) — устройство модели и пайплайна
* [docs/dataset.md](docs/dataset.md) — схема датасета, семантика классов, аудит
* [docs/training-windows.md](docs/training-windows.md) — обучение на Windows+GPU, troubleshooting
* [docs/api-reference.md](docs/api-reference.md) — **все значения ответа сервиса (15 классов `translation_type` и др.) и принцип работы; `labels.csv` для этого открывать не нужно**
* [docs/inference.md](docs/inference.md) — CLI/API, JSON-контракт
* [docs/integration.md](docs/integration.md) — Rust/TypeScript: HTTP-сервис и ONNX

## Качество

Held-out test (4 377 строк, группировка по релизам и текстам; модель
`models/runs/20261102_190555_basecodec`, обучена 02.11.2026 на `labels.csv` со студиями из
кодек-строк; сравнение моделей — `python -m src.runs`):

| модель | type acc | type macro-F1 | span exact | 18+ acc | lang acc | joint exact |
|---|---|---|---|---|---|---|
| **ruBert-base (models/best)** | **0.978** | **0.903** | **0.922** | **1.000** | **0.997** | **0.906** |

* joint exact — строка распознана полностью (тип + автор + 18+).
* Тест-сплит пересобирается вместе с датасетом, поэтому цифры разных снимков напрямую
  не сравниваются (ранние 0.946 — на тесте из 645 строк). rubert-tiny2 на текущем
  датасете не переобучалась.
* E2E по релизам (`tests/e2e_segmenter.py`, по 400 тестовых страниц на трекер, пары
  тип + студия, precision / recall): kinozal 0.766 / 0.879, rutracker 0.877 / 0.870,
  nnm 0.838 / 0.825.
* ONNX-экспорт эквивалентен PyTorch на 100% строк test — [reports/onnx_parity.md](reports/onnx_parity.md).
* Smoke на формулировках, которых нет в датасете: тип 9/10, 18+ 10/10,
  автор 5/10 (полное извлечение автора на непривычных форматах записи —
  известное ограничение, см. ниже).

## Ограничения

* Метки датасета сгенерированы регулярками (пайплайн deepseek-harness) — метрики
  измеряют согласование с этой разметкой; ценность модели — обобщение на новые
  формулировки без сопровождения регулярок.
* Датасет: 55 324 строки из 27 900 релизов (kinozal 21 766 / nnm 18 363 / rutracker 15 195).
* Извлечение автора уверенно работает на форматах записи, представленных в
  датасете (имя после типа через разделитель, в скобках у AVO/MVO/DVO-дорожек,
  после тире); на непривычных форматах («Одноголосый закадровый (Фамилия)»)
  модель может не выделить имя — span остаётся пустым, тип при этом верный.
* kinozal-страницы: авторы озвучки лежат во вкладках, которые сайт подгружает
  JavaScript-ом. По `url` сервис скачивает их сам (`fetch_html`, `showtab`); в
  присланном `html`/`text` без этих вкладок студий может не быть.
* Классы с 1–8 примерами почти не выучиваются (видно в macro-F1 и confusion
  matrix); морфологическая аугментация (458 вариантов: «многоголосое» и т.п.)
  частично закрывает этот пробел.