# 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 52 658 строк (69 511 размеченных строк из 30 451 релиза
`data/raw` + морфологическая аугментация; у строки может быть несколько авторов —
«Многоголосый (HDRezka Studio, LostFilm)» даёт обоих). Как страницы превращаются в строки и
что было исправлено в сборщике — [docs/dataset-coverage.md](docs/dataset-coverage.md).
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/dataset-coverage.md](docs/dataset-coverage.md) — покрытие всех страниц
  `data/raw`, найденные дыры сборщика и что исправлено
* [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 (4 984 строки, группировка по релизам и текстам; метки пересобраны
парсерами `PARSE_VERSION` 9, строки со списком студий склеены в одну с несколькими
авторами). Все модели оценены на **одном и том же** тесте:

| модель | type acc | type macro-F1 | span exact | 18+ acc | lang acc | joint exact [95 %] | строки с 2+ авторами (438), span |
|---|---|---|---|---|---|---|---|
| прежняя `models/best` (09.11, один автор на строку) | 0.981 | 0.909 | 0.813 | 1.000 | 0.998 | 0.800 [0.788–0.810] | 0.011 |
| rubert-tiny2, несколько авторов | 0.978 | 0.904 | 0.869 | 0.999 | 0.999 | 0.854 [0.843–0.863] | 0.637 |
| **ruBert-base, несколько авторов (`models/best`)** | **0.979** | **0.976** | **0.919** | **1.000** | **0.999** | **0.903** [0.895–0.911] | **0.815** |

* joint exact — строка распознана полностью (тип + все авторы + 18+); span exact
  сравнивает набор авторов строки целиком.
* Новая `models/best` против прежней на тех же строках: исправлено 647, сломано 131
  (знаковый критерий p ≈ 1e-83). Прежняя модель часть тестовых строк видела при
  обучении, так что сравнение в её пользу.
* Противоречивых строк (один текст — разные метки) в датасете 1.2 % вместо 20 %:
  исправлены парсеры студий (пол голоса, техпараметры, «т/к», «N-й канал»), а
  списки студий размечаются целиком. Оставшиеся расхождения между релизами
  разбираются вручную: `tools/collect.py` → «Разбор противоречий»
  (`data/text_fixes.csv`).
* E2E по релизам (замер для модели от 09.11 с одним автором на строку) (`tests/e2e_segmenter.py`, по 400 тестовых страниц на трекер, пары
  тип + студия, precision / recall) — новая модель на тех же страницах:
  kinozal 0.805 / 0.867, rutracker 0.771 / 0.740, nnm 0.752 / 0.693; прежняя
  модель там же: 0.752 / 0.830, 0.729 / 0.700, 0.669 / 0.604. Справочно, правила:
  0.792 / 0.859, 0.697 / 0.721, 0.670 / 0.646.
* Сегментатор (`models/segmenter`) переобучен на расширенном наборе страниц
  (`models/segmenter_v2`, line precision 0.933 / recall 0.977), но e2e новых весов
  хуже по nnm (0.610 / 0.560) — в `models/segmenter` оставлены прежние веса.
* `models/best-onnx` пересобран под новую модель: паритет с PyTorch 100 % по типу,
  авторам и 18+ — [reports/onnx_parity.md](reports/onnx_parity.md).

## Ограничения

* Метки датасета сгенерированы регулярками (пайплайн deepseek-harness) — метрики
  измеряют согласование с этой разметкой; ценность модели — обобщение на новые
  формулировки без сопровождения регулярок.
* Датасет: 69 511 строк из 30 451 релиза (kinozal 23 749 / nnm 26 478 /
  rutracker 19 284); после подготовки 52 658 строк (3 529 — с несколькими авторами). Покрытие страниц `data/raw`
  — 85.5 % (30 260 из 35 385); оставшиеся — почти все без озвучки (русский
  оригинал, «не требуется», музыка/сканы), см. [docs/dataset-coverage.md](docs/dataset-coverage.md).
* 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.