feat(proofread): 在字幕校对台支持角色命名、纠错与批量管理

[buxuku]

背景

#352 提出了“区分说话者”的需求，PR #414 已完成说话者分离的基础能力：每条字幕可以携带 speakerIds，角色信息能够在字幕合并、时间调整和重新对齐后保留，并可选择将 [Speaker N] 写入字幕文本。

下一步需要把底层识别结果变成普通用户能理解、能纠错、能持续复用的校对体验。自动说话者分离在串音、短句、噪声和音色相近时难免出错，产品不能把 Speaker 1/2 当作确定身份展示，也不能要求用户直接编辑技术标签。

用户问题

• 新手看到 Speaker 1 不知道它能否改名，也不知道改名会影响哪些字幕。
• 自动分离错误时，目前缺少低成本的单句纠正和批量归并能力。
• 同一角色被拆成多个编号时，逐句修正成本高。
• 未识别和多人重叠的字幕缺少明确、可检查的状态。
• 角色名如果直接写入字幕文本，容易污染后续翻译、配音和导出内容。

产品目标

1. 用户进入校对台后无需配置，即可看懂“谁在说这句”。
2. 单句纠错在一次点击入口内完成；同类错误可以批量处理。
3. 角色名称、颜色和字幕归属作为结构化元数据保存，不依赖字幕正文。
4. 角色调整沿用现有校对台的撤销/重做、保存和未保存提醒。
5. 为“按角色分配配音音色”提供稳定、向后兼容的数据基础。

目标用户与核心故事

• 作为第一次使用角色分离的用户，我希望系统自动显示“角色 1、角色 2”，无需先理解说话者 ID。
• 作为字幕校对者，我希望点击某句的角色标签即可纠正归属，并立即看到结果。
• 作为长视频编辑者，我希望把误拆的两个角色合并，或把某角色的多句字幕批量移动到另一个角色。
• 作为内容创作者，我希望把“角色 1”改成“主持人”，且所有关联字幕和后续配音同步使用新名称。
• 作为审校者，我希望只查看某个角色、未分配或多人重叠的字幕，快速完成检查。

交互方案

1. 默认展示：无需设置即可开始校对

• 有角色信息的字幕行，在正文附近展示紧凑的颜色标记和角色名，例如 ● 角色 1；不直接向用户展示裸数字 ID 或 [Speaker N]。
• 没有可靠归属的字幕显示 未分配，使用中性色并进入可筛选状态。
• 多人重叠字幕同时展示多个角色标签；第一个角色标记为主要角色，但不得丢弃其他角色信息。
• 没有说话者元数据的普通字幕保持当前界面和流程，不增加额外操作负担。

2. 单句纠正：点击角色标签即可分配

• 点击字幕行的角色标签，打开轻量选择菜单：现有角色、未分配、新建角色。
• 选中后立即更新该句；角色操作进入现有撤销/重做栈。
• 多人重叠字幕可增加或移除角色，并明确哪个是主要角色。
• 新建角色默认按顺序命名为 角色 N，用户可稍后改名，不在当前动作中强制填写表单。

3. 角色管理：集中处理命名和批量错误

在校对台现有工具区提供“角色”入口，打开侧栏或弹层，按角色列出：颜色、名称、字幕句数。

支持：

• 重命名：修改后所有关联字幕即时同步。
• 修改颜色：从有限、可区分且兼顾深浅主题的色板选择；颜色仅作为辅助信息，名称始终可见。
• 定位/筛选：只看当前角色的字幕。
• 移动全部字幕：把该角色的所有字幕归到另一个角色。
• 合并角色：选择目标角色，确认影响的字幕数量后合并；字幕正文和时间轴不变。
• 删除空角色：仅允许删除没有关联字幕的角色；有字幕时引导先移动或合并。

批量操作必须展示影响范围，并支持撤销；避免把“合并角色”和“合并字幕段”混为一谈。

4. 快速检查与导出

• 在现有字幕筛选能力上增加：全部、具体角色、未分配、多人重叠。
• 保存时将角色名/颜色/归属写入 sidecar 元数据，默认不修改字幕正文。
• 导出字幕时提供明确选项：不写入角色名（默认）、在字幕中写入角色名。后者使用用户可见名称，不再以技术性的 [Speaker N] 作为唯一表达。
• 翻译、AI 优化和 TTS 处理正文时不得把角色标签当作需处理/朗读的内容。

数据与兼容性建议

在现有 speakerIds 上增加独立的角色名册，保持“不可变 ID”和“可编辑名称”分离：

interface SpeakerInfo {
  id: number;
  displayName: string; // 默认“角色 1”
  color?: string;      // 稳定的语义色标识
}

interface ProofreadDataFileV2 {
  version: 2;
  meta: ProofreadDataMeta;
  speakers: SpeakerInfo[];
  cues: ProofreadDataCue[]; // 继续使用 speakerIds
}

• 读取 v1 sidecar 时，根据全部 cue 的 speakerIds 自动生成名册，不要求用户手工迁移。
• 保存后可升级为 v2；角色重命名不得改写 cue 的稳定 ID。
• 未分配 是产品状态，不应伪造为一个真实说话者 ID。
• 多角色 cue 保留完整 speakerIds；主要角色用于列表主展示及后续默认配音。
• 角色数据需要在拆分、合并、删除、时间调整、重新对齐、保存和恢复后保持一致。

验收标准

• 当校对数据包含 speakerIds 时，系统应在对应字幕行显示稳定颜色和用户可读角色名。
• 当用户首次打开只有数字 ID 的旧数据时，系统应自动生成 角色 N 名称且不要求额外设置。
• 当用户从字幕行修改角色时，系统应立即更新该句，并允许通过撤销/重做恢复。
• 当用户重命名角色时，系统应更新所有关联行的展示和持久化名册，不修改字幕正文。
• 当用户合并角色或移动全部字幕时，系统应先显示目标角色及影响句数，确认后保留原字幕文本和时间。
• 当 cue 包含多个 speakerIds 时，系统应展示全部角色并允许修改主要角色，不静默丢失重叠信息。
• 当字幕没有角色归属时，系统应显示并可筛选 未分配，且用户可从该状态直接完成分配。
• 当输入没有 sidecar 或任何说话者信息时，校对台应保持现有单角色体验。
• 当保存并重新打开项目时，角色名称、颜色、字幕归属和多人重叠信息应完整恢复。
• 当导出选择“不写入角色名”时，字幕正文不得出现角色前缀；选择写入时应使用当前显示名称。
• 所有新增操作均应支持键盘焦点、可读标签和深浅主题，不得只依赖颜色传达角色。

实施拆分

• 定义 SpeakerInfo 和 sidecar v2，并实现 v1 兼容读取/迁移测试。
• 在校对字幕行增加角色标签、未分配和多人重叠状态。
• 实现单句角色选择、新建角色及主要角色调整，并接入撤销/重做。
• 实现角色管理入口：重命名、颜色、筛选、移动全部、合并和删除空角色。
• 完善保存/恢复、字幕导出和下游正文清洗逻辑。
• 补充组件交互、数据迁移、批量操作和端到端回归测试。

非目标

• 不做声纹注册、真实人物身份识别或自动猜测人物姓名。
• 不做人脸识别或通过画面绑定角色。
• 不在本阶段重做完整多轨时间线或增加角色统计仪表盘。
• 不要求用户预先填写准确说话者数量；识别结果始终允许纠正。

依赖与关联

• 原始需求：功能建議：區分說話者 #352
• 基础实现：feat(diarization): 支持字幕说话者区分 #414
• 下游能力：feat(dubbing): 按角色批量分配音色并支持单句覆盖 #421

同类产品实践参考

• ElevenLabs Transcript Editor：角色颜色、单段重新分配、批量 Move Segments To、角色增删和撤销。
• AssemblyAI Speaker Diarization：短句、串音、噪声和相似音色会影响准确率；不确定时应提供低成本纠错，而非把自动标签包装成确定身份。

[buxuku]

@nightt5879