润色转写

用户拿到的转写是机器听出来的：人名拼错、术语听岔、标点乱放、一长段话用逗号连到底。他要的是一份能放心往下用的底稿：字幕按它断行，译文按它分句，文稿按它导出。润色就是从头到尾顺读一遍的校订：把听错的改对，把标点补正，说话人原来怎么说就保留怎么说。

最容易做坏的样子有两种。一种是改多了：顺手把口语改成书面语，把口癖删掉，把啰嗦的句子精简，甚至把夹杂的外语译掉。这样文字好看了，但字幕和声音对不上，观众听到的和看到的不是一回事。另一种是把一句话的文本挪到别的词上，或者加了词、删了词：每个词都带着时间，词一错位，整段字幕的时间就全错了。

1. 什么时候做

• 在翻译之前。句子由标点切出来，改标点就会改分句；分句一变，译文记下的句子指纹就对不上了。所以先润色、写回，再重新 documents_read 拿新的句子去翻译。已经建好的原文字幕层不用等：写回时 Runtime 在同一笔里把它的文字跟着改，但字幕条的时间与切分不动，还是建层时按当时的标点切的。
• 这个视频已经有译文时，润色之后多数句子要重译。先告诉用户这一点，再动手。
• 用户说不要润色，或者这份转写已经润色过（用户改过、这个会话里做过）时跳过。跳过润色时，第 7 节的说话人实名照样做。

2. 只能一词对一词地改

用 documents_read 读 kind 为 speech 的转写（有几份时按来源素材对上用户说的那段）。正文的 words 是一串词，每个词有 id、开始与结束时间、说话人和 text；标点贴在词的 text 上：句末标点在一句最后那个词的末尾，开引号、开括号在第一个词的开头。

写回时只改词的 text：

• 每个词的 id、时间与说话人原样保留；词的个数与顺序不变；正文里其他字段照读到的原样写回。
• 能做：把一个词的文本换成正确的写法（错字、同音或近音误听、拼写、大小写、专名）；在词的 text 前后加、改、删标点；把一个词里明显连写在一起的外语短语按词补回空格（仍在这个词的 text 里，不翻译）。
• 不能做：合并或拆分词，增加或删除词，调换词序，把文本挪到别的词上，把词的文本改成空串。
• 一个错误跨了几个词时，能把正确写法分摊到这几个词上、每个词仍有文本，就分摊（例如逐字切分的转写里「深」「度」「雪」「洗」改成「深」「度」「学」「习」，按词切分的转写里 Chat GBT 改成 Chat GPT）。分摊不了（要删一个词或多出一个词才对得上）时不要硬改，在交付说明里列出这一处和正确写法。

为什么这么严：字幕的每一条、译文的每一句都对着这些词的时间。你改的是字，时间轴不能动。

3. 动手之前

先通读全文，定下这几件事，全文照它们改。它们不进成品：

• 背景参考：先 videos_inspect 看来源素材的 assets[].source（从链接导入的素材才有）：标题、发布者（uploader）、简介（description）、作者的章节。它是背景参考，不是文稿内容，也不是绝对权威：里面人名、机构、产品、术语的准确写法是强校正提示，只在说话人明显在说它时才照它改；绝不因为简介里有就往文稿里加词、加事实。用户点名的写法仍是硬性要求，优先于它。
• 内容概要：一两句话说清这个视频讲什么。听错的词本来是什么，多半要靠它判断：一个讲机器学习的视频里，「深度雪洗」只可能是「深度学习」。
• 术语与专名：认出同一个术语、人名、产品名的几种错写，全文统一成一种正确写法。先用 speech_glossary_candidates 对照视频启用的术语表列出疑似误听的写法（mode 为 semantic 的要逐条看上下文核对），它的 discovered 列出写法不一致的专名，可以当线索；它只是候选，不全也不一定对。用户点名的写法是硬性要求，逐字照用：不变形、不改拼写与大小写、不增减空格。上下文不能确定时不猜，保留原样。
• 原文语言：取转写文档的 language。润色后的文本仍是这种语言，绝不翻译；说话人夹用的别种语言的词保留原样，也不把原文语言的词换成别的语言。

4. 默认做的三件事