Датасет

Откуда берётся

data/labels.csv — снимок датасета, собранного пайплайном deepseek-harness/default-workspace/dataset.py: системный Chrome по CDP обходит релизы трекеров, из страницы извлекается вкладка описания (kinozal), пост (rutracker, nnm), регулярки разбирают строки дорожек, а имена авторов канонизируются словарём алиасов. Метки автоматически сгенерированы регулярками — модель учится воспроизводить эту разметку и обобщать её на новые формулировки.

Снимок: 3286 строк, 3 источника — rutracker 1660, nnm 1549, kinozal 77. После подготовки: 3284 строки + 458 аугментированных морфологических вариантов («многоголосое», «дублированное» и т.п.), всего 3742 обучающих примера. Файлы *_entries.csv / *_releases.csv — те же данные в нарезке по источникам и по релизам; модель используется только labels.csv.

Колонки labels.csv

Колонка	Смысл	Использование моделью
`source`, `release_id`	трекер и id релиза	группировка сплитов
`raw`	строка дорожки целиком (с префиксом «Перевод:»/«Аудио N:»)	вход (после снятия префикса)
`translation_type`	тип озвучки	метка 1
`studio`	автор («(не указана)» если нет)	метка 2 (спан в тексте)
`age_18`, `note`	флаг/пометка 18+	метка 3
`role_raw`	скобочная часть / конкретный тип из перечисления	вход для nnm tech-строк
остальные (`ru_title`, `codec`, …)	контекст релиза	не используются

Форматы входа по источникам

rutracker: raw = тело после «Перевод N:» («Профессиональный (двухголосый закадровый) tycoon»); несколько дорожек уже разнесены по строкам.
kinozal: raw = строка целиком с префиксом («Перевод: Дублированный | HDRezka Studio»); префикс снимается при подготовке.
nnm: два вида строк — «Аудио N: Opus, 6 ch, 221 Kbps | Русский AVO (Дмитрий Пучков)» (автор в скобках) и «Перевод: Одноголосый, многоголосый закадровый» (одна строка на несколько дорожек; при подготовке вместо общей raw берётся role_raw конкретной дорожки, чтобы одинаковый текст не получал разные метки).

Семантика translation_type (14 классов)

Составные метки «кто делал × сколько голосов»:

префикс: проф. (профессиональная), люб. (любительская), авт. (авторская), без префикса — в тексте не указано;
вид: дубляж/дублированный, многоголосый, двухголосый, одноголосый (обычно закадровые), неизвестно.

Все «*неизвестно»-варианты объединены в неизвестно; типы «оригинал» и «субтитры» (1–2 строки-проскока генератора) удалены.

Аудит (reports/data_audit.md) и что с находками сделано

Находка	Обработка
Из 3286 строк уникальных текстов ~2000, 377+ строк повторяются в разных релизах	Сплиты группируются не только по релизу, но и по тексту — одинаковые строки не попадают одновременно в train и test
26 «мусорных» studio («лицензия R5», «+ вставки», «x4», суффиксы «ненормативная лексика»)	Считаются «автора нет»; суффиксы дополнительно чистятся в словаре алиасов
Слитые дорожки (одна строка = несколько типов)	nnm решается через `role_raw`; оставшихся противоречий — 0
Спан автора не найден в тексте	11 строк: автор в метке есть, но в тексте написан иначе; BIO-разметка для них пустая
18+	156 строк (в 1 строке флаг есть только в note, в тексте не виден — недообучаемая)

Словарь алиасов (src/studio_norm.py)

Порт STUDIO_ALIASES генератора датасета: «hdrezka studio»→HDrezka, «read head sound»→Red Head Sound, «гаврилов»→Андрей Гаврилов, инициалы «ю. сербин»→Юрий Сербин и т.д. Поиск спана автора в тексте пробует по порядку: точное вхождение → алиасы → фамилия/инициалы → гибкий шаблон «слова через произвольные кавычки/разделители» (ловит «Студия «Кравец», LostFilm» и «SDI Media | TV 1000»).

5.9 KiB Raw Blame History