112 lines
7.0 KiB
Markdown
112 lines
7.0 KiB
Markdown
# DUB-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`, 14 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/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 (645 строк, группировка по релизам и текстам; полная таблица и
|
|
графики — [reports/summary.md](reports/summary.md)):
|
|
|
|
| модель | type acc | type macro-F1 | span exact | 18+ acc | joint exact |
|
|
|---|---|---|---|---|---|
|
|
| rubert-tiny2 | 0.991 | 0.970 | 0.918 | 1.000 | 0.915 |
|
|
| **ruBert-base (models/best)** | **0.994** | 0.966 | **0.950** | **1.000** | **0.946** |
|
|
|
|
* joint exact — строка распознана полностью (тип + автор + 18+).
|
|
* E2E на сохранённых страницах релизов: rutracker — precision 0.83 / recall 0.98
|
|
по парам (тип, автор); kinozal-текстовые дампы содержат только тех-вкладку
|
|
без авторов (автор подгружался на сайте через JS), поэтому там автор
|
|
недоступен в принципе.
|
|
* 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.
|
|
* Источники несбалансированы (rutracker 1658 / nnm 1549 / kinozal 77 строк).
|
|
* 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 подгружаются на сайте JavaScript-ом; в
|
|
статическом HTML и текстовых дампах их нет — модель их не увидит (это
|
|
ограничение данных, не модели).
|
|
* 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.
|