Как лучше организовать разбивку по таймкодам текста из 30000 слов?
По вводным: цель: делать таймкоды по субтитрам 30000 слов
По вводным: есть вот такой вот промпт:
"""
По вводным: на основании транскрибации в формате SRT выполни следующее:
По вводным: 1. Раздели весь текст на 7–8 основных логических тем (только ключевые моменты, без мелких деталей).
По вводным: 2. Для каждой темы укажи время начала из субтитров.
По вводным: 3. Сформируй список таймкодов в формате:
По вводным: 0:15 — Оптимизация базы данных
1:05 — Масштабирование
2:42 — Итоги встречи
Требования:
По вводным: - Используй только текст и таймкоды из транскрипции.
Сейчас ситуация такая: - Не добавляй вымышленные темы и не придумывай время.
По вводным: - Объединяй близкие по смыслу части, выбирай только ключевые переходы тем.
По вводным: - Время начала видео — первый субтитр, конец — время последнего.
Сейчас ситуация такая: - Никакие таймкоды не выходят за предел последнего субтитра.
По вводным: - Если выходит длиннее — сокращай формулировки или объединяй схожие темы.
По вводным: - Названия тем должны быть сжатыми, но отражать суть.
По вводным: - Строго соблюдай формат:
00:00:00 Вступление
Сейчас ситуация такая: 00:10:25 Проблемы с производительностью
По вводным: 00:21:10 Оптимизация базы данных
По вводным: 00:42:00 Принятое решение
01:02:40 Итоги совещания
"""
Нужно понять: вроде бы все хорошо идет на час-полтора-два, но на 4-х часах субтитров (те самые 30к слов), модель считывает обрабатывает только 2-3 часа в лучшем случае, при чем никаких ошибок не выдает, просто делает вид что видео закончилось. Тут проблема с длинной контекста или в чем может быть еще проблема?
Сейчас ситуация такая: пытался бить на чанки - не дало результата, из-за того, что каждый чанк без контекста понятия не имеет об общей картине и смысле текста, поэтому формулировки максимально туманные. Даже пытался организовать систему при которой уже обработанные чанки давали пересказ текста, который уже обработали, но погоды особо не сыграло.
Опишите проблему, и специалист поможет с настройкой, исправлением ошибки или доработкой сайта. Подберём понятный план работ без лишней переписки.
Пока нет других ответов. Будьте первым, кто поможет автору.
Ответить на вопрос
Для текста на 30000 слов по SRT проблема обычно не в промпте, а в размере контекста и точности привязки к времени. Если отправлять всё целиком в модель, она начинает обобщать, терять середину и выдумывать таймкоды. Надёжнее делать двухэтапную обработку: сначала разбить субтитры на куски, затем собрать темы из промежуточных результатов.
Схема:
Промпт для первого прохода:
Ты получаешь фрагмент SRT. Найди 2-4 смысловых темы. Для каждой темы верни: - время начала строго из SRT; - короткий заголовок до 7 слов; - 1 предложение, почему тема начинается здесь. Не придумывай время, используй только имеющиеся таймкоды.
Промпт для второго прохода:
Ниже список локальных тем по всем фрагментам. Собери 7-8 главных таймкодов. Если темы похожи, объединяй их. Время бери от первой локальной темы группы. Формат: 0:15 — Название темы.
Если нужна высокая точность, не просите модель “посчитать” время. Время должно приходить из парсера SRT. Модель выбирает смысловой блок, а код подставляет start time первого блока этого участка.
Итог: делите SRT на чанки, извлекайте локальные темы, затем агрегируйте. Так таймкоды будут стабильнее, а модель не будет терять части текста из-за длинного контекста.