Jeffery (jiantw83)andClaude Sonnet 5.5
9cf8196a3e
fetch_wiki.py 用 tea 讀取 wiki；extract_dialogues.py 抽出「」對白與前後文， 並用規則判定明確的說話者。原文與輸出放在 repo 之外。 Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com>
49 lines
1.9 KiB
Markdown
49 lines
1.9 KiB
Markdown
# 文本建置：wiki → 對白
|
||
|
||
建置流水線的第一段。這些腳本不屬於插件執行期；原文與輸出放在 repo 之外，不入版本控制。
|
||
|
||
## 1. 讀取 wiki
|
||
|
||
用 tea 的驗證讀取 Gitea wiki 全部頁面，存成 markdown：
|
||
|
||
```bash
|
||
python3 -I tools/corpus/fetch_wiki.py jiantw83/sao ~/anime-companion-data/sao/wiki
|
||
```
|
||
|
||
## 2. 抽出對白
|
||
|
||
抽出所有「」對白與前後文，並用規則判定明確的說話者：
|
||
|
||
```bash
|
||
python3 -I tools/corpus/extract_dialogues.py ~/anime-companion-data/sao/wiki ~/anime-companion-data/sao/dialogues.jsonl
|
||
```
|
||
|
||
輸出每個對白一行 JSON：
|
||
|
||
| 欄位 | 說明 |
|
||
| --- | --- |
|
||
| `id` | `v{冊}c{章}-{章內序號}` |
|
||
| `volume`、`chapter`、`page`、`para` | 位置；`page` 是分頁，`para` 是章內段落序號 |
|
||
| `text` | 對白內容（不含「」） |
|
||
| `before`、`after` | 同段落中對白前後的敘述 |
|
||
| `prev_par`、`next_par` | 前後段落 |
|
||
| `speaker` | 規則判定的角色代號，無法判定為 `null` |
|
||
| `alias` | 判定依據的名字（例如「莉法」或「直葉」） |
|
||
| `mode` | 由別名推得的模式：`ingame`、`real`、`leafa` |
|
||
| `confidence` | `high`：句中只有一個候選且有說話動詞；`medium`：多個候選取句首第一個，需 W4 覆核 |
|
||
| `rule` | `lead_in`（同段落「…說：」）、`lead_in_prev`（前一段以「：」結尾）、`trail`（對白後接「某某說」） |
|
||
| `candidates` | 句中出現的所有候選名字 |
|
||
| `suspect_duplicate` | 同一章 6 段內出現相同的長對白，疑為 wiki 頁面銜接的重複 |
|
||
|
||
## 規則的邊界
|
||
|
||
這個譯本很少直接寫「某某說」，多數對白靠上下文（「他這麼說」「她點了點頭」）或輪流發言判斷，所以規則只涵蓋約一成的對白。其餘由 W4 的 sub-agent 標註。
|
||
|
||
別名表在 `characters.json`，新增角色或別名時改它。
|
||
|
||
## 測試
|
||
|
||
```bash
|
||
cd tools/corpus && python3 -m unittest -q test_extract_dialogues
|
||
```
|