proofread-speech：语音转文字稿校对
> 触发条件：用户提供语音转文字稿要求校对、纠错、整理；用户说"校对演讲稿""纠正文字稿""语音转写纠错""整理文字稿"等。
> 定位：纯校对 skill。只纠错，不改写。保留演讲者口语节奏，只修正语音识别导致的错误。
>
> 与 parse-speech 的关系：proofread-speech 负责"把错误文字变正确文字"；parse-speech 负责"从正确文字中提取案例素材"。两者可串联使用（先校对再提取），也可独立使用。校对规则（专有名词对照表、常见陷阱）在两个 skill 之间保持一致。
一、定位与边界
做什么
| 校对项 | 说明 |
|---|---|
| 专有名词纠正 | 产品名、公司名、人名、行业缩写，全篇搜索所有变体 |
| 同音/近音字纠正 | 根据上下文判断正确用字 |
| 断句修正 | 语音识别在错误位置断开的句子重新连接 |
| 标点补充 | 根据语气停顿补充逗号、句号、问号、引号 |
| PPT 交叉验证 | 术语对齐 PPT 标准写法，数据与 PPT 比对 |
不做什么
| 不做 | 原因 |
|---|---|
| 改写句式 | 破坏演讲者原话风格 |
| 删除口语填充词（嗯啊那个对吧） | 用户选择"忠实口语"模式，保留所有口语特征 |
| 书面化润色 | 这是 parse-speech 的事 |
| 提取案例素材 | 这是 parse-speech 的事 |
| 编造不确定的内容 | 存疑就进存疑清单，不做猜测性修正 |
| 删除时间戳 | 原文含"说话人 1 00:00"等时间标记，必须完整保留 |
关键判断边界
公司名称：遇到不确定的公司名，优先通过天眼查/企查查等工具在线核实，而非仅凭 PPT 比对或猜测。PPT 中的公司名可能存在简写（如省略"有限""股份"等后缀），以工商注册全称为准。
PPT 与演讲稿措辞差异：演讲者可能即兴发挥、换词表达，不等于语音识别错误。只有当差异是"明显的同音错别字"时才修改（如"三勤"→"三擎"）。措辞不同但语义通顺的（如"沉淀" vs PPT 的"深耕"），保留演讲者原话，不视为错误。
存疑清单格式要求：对于需要回听判断的存疑项，必须附带前后句上下文（至少 30 字），而非只给一个词。确保用户脱离原文也能判断。
二、输入材料
必须提供
- 原始语音转文字稿：未经任何预处理的原始输出
强烈建议提供（直接影响校对质量）
- 演讲 PPT：术语和数据的权威参照系，校对命中率提升 50%+
- 演讲基本信息：演讲主题、场景（会议/论坛/内部分享）、演讲者姓名/公司/职位
有则更好
- 关键专有名词表：提前列出容易出错的专有名词
- 原始音频文件路径：遇到存疑时标注时间位置供回听确认
- 同主题往期演讲稿：帮助建立演讲者用语习惯
三、校对流程（四步法）
输入材料 → [Step1 建立语境] → [Step2 逐段校对] → [Step3 PPT交叉验证] → [Step4 生成输出]
Step 0：元数据提取（优先执行）
从语音转写稿中提取关键元数据，写入校对稿头部：
- 演讲日期：通常以 YYYY-MM-DD 格式出现
- 演讲时长：如"XX 分钟 XX 秒"
- 关键词：语音识别系统自动提取的关键词列表（如有），可作为主题验证参考
- 多说话人标记：如"说话人 1 / 说话人 2"，标注每个说话人的部分
> 关键词是机器生成的，仅供参考，不能替代人工理解。
Step 1：建立语境
目标：先理解再校对，不是盲目改字。
- 通读全文，理解演讲主题、场景、演讲者身份
- 如果提供了 PPT，先快速过一遍 PPT，建立术语参照系和数据锚点
- 如果提供了专有名词表，载入为优先匹配规则
- 识别演讲者身份类型：
- A：产品方讲客户案例（如金蝶讲招商局）—— 区分产品方公司和客户公司
- B：客户/合作伙伴自己讲自己 —— 演讲者即案例主体，需进一步区分：- B1 自建自用型：自己用葡萄城产品构建自己的商业产品
- B2 合作伙伴交付型：用活字格为最终客户构建交付系统，演讲者是合作伙伴
- C：产品功能介绍为主 —— 客户数据比重低
Step 2：逐段校对
按以下优先级处理，每一处修改都要记录：
优先级 1：专有名词纠正（最高优先级）
核心规则：同一个产品名/公司名/行业缩写可能在文中以多种错误形式出现。必须全篇搜索，不是只改一处。
参照 references/term_mapping.md 中的对照表。注意以下高频错误：
- Wyn：最容易出错，同一篇中可能出现"万报表""one报表""外报表""Web报表"等 4+ 种变体
- 活字格：常见变体"活字阁""活资格""活子格"
- SpreadJS：常见变体"Superglass""spidergs""spiderJS"
- GcExcel：常见变体"GC Excel""GC、Excel"
- 英文缩写：HIS→黑丝/黑丝系统，RFID→IFR/I发的/AI发，MES→MESS/mess，MRB→MRD
处理策略：
1. 先搜索全文中所有可能的变体，统一修正
2. PPT 中有明确写法的 → 以 PPT 为准
3. 无法确定的 → 标注 [待确认：推测XXX]
优先级 2：同音/近音字纠正
根据上下文判断正确用字：
- 孙文不只强调 → 所以不只强调
- 重金 → 重心（环形锻件测试件类型）
- 成立所 → 承力索（高铁接触网零件）
- 信箱电机 → 湘潭电机（湘电集团）
处理策略：
- 结合 PPT 和行业背景判断
- 无法确定 → 进存疑清单
优先级 3：断句修正
语音识别经常在错误位置断开句子。根据逻辑关系和口语节奏重新连接。
优先级 4：标点补充
语音转写通常缺少标点或标点位置错误。根据语气停顿补充：
- 句号：完整的语义结束
- 逗号：句中自然停顿
- 问号：明显疑问语气
- 引号：直接引语或特殊称谓
- 冒号：引出解释或列举
注意：不要过度加标点。口语中有些长句本身就是一口气说完的，加太多逗号反而破坏节奏。
Step 3：PPT 交叉验证
当提供了 PPT 时执行这一步：
3.1 术语对齐
- 演讲稿中的模糊表述对齐到 PPT 中的标准术语
- 例：
这个系统→苍穹平台，表格能力→类 Excel 计算表达能力
3.2 数据对比
校对稿数据 = PPT 数据 → 直接使用（高可信度），标注来源为 PPT
校对稿数据 ≈ PPT 数据（如"4个多小时"≈4.5h）→ 以 PPT 精确数据为准
PPT 有数据但校对稿没有 → 不补充（这不是信息提取，是校对）
校对稿有数据但 PPT 没有文本（纯图片页）→ 保留，标注 [演讲提及，PPT图片页]
校对稿有数据但 PPT 有文本却没有 → 保留，标注 [演讲提及，PPT未确认]
两者冲突 → 以 PPT 为准，标注冲突
3.3 纯图片 PPT 页面的处理
- 标注哪些 PPT 页面文字提取为空
- 校对稿中对应段落的数据保留，但标注来源为"演讲提及（PPT 对应页为图片，无法交叉验证）"
3.4 "一带而过"的处理
演讲者常说"因为时间关系我就不讲了""这地方我就一带而过了"。这些被跳过的内容通常存在于 PPT 中，是演讲者认证过的重点：
- 演讲中每出现一次"一带而过/时间关系"标记，到对应 PPT 页面提取完整内容
- 提取的内容用于交叉验证该段落涉及的术语和数据
- 在存疑清单中标注"演讲跳过，PPT 补全后交叉验证"（来自 parse-speech 陷阱 9）
Step 4：生成输出
在工作目录下输出 三份文件：
① 校对后终稿：[原标题]_校对稿.md
- 可直接阅读的干净文稿
- 忠实保留演讲者的口语节奏、停顿习惯、语气风格
- 所有语音识别错误已修正
- 可选的元数据头部（演讲主题、日期、时长、演讲者）
- 原文中的时间戳必须完整保留（如"说话人 1 00:00"），按原段落位置插入
② 修改对照表：[原标题]_修改对照.md
格式：
| # | 原文 | 修改后 | 修改类型 | 修改原因 | 验证来源 |
|---|------|--------|---------|---------|---------|
| 1 | Superglass | SpreadJS | 专有名词 | 产品名识别错误 | PPT Slide 3 |
| 2 | 4个多小时 | 4.5小时 | 数据修正 | 演讲人口语近似，PPT精确值 | PPT Slide 12 |
规则：
- 只记录实际修改，维持原样的不记
- 每处修改说明原因
- 有验证来源的标注来源
③ 存疑清单：[原标题]_存疑清单.md
格式：
| # | 段落位置 | 当前内容 | 疑点 | 建议 |
|---|---------|---------|------|------|
| 1 | 第3段 | "NCR管控占实施工作量接近40%" | NCR还是MRB？ | 建议回听音频确认，或核对PPT缩写 |
| 2 | 第7段 | "数据检索时间缩短到70%" | "缩短到"还是"缩短了"？歧义 | 建议回听音频或核对PPT精确数据 |
规则：
- 拿不准、依赖猜测才能改的都进这里
- 给出明确建议（回听音频 / 核对PPT / 咨询演讲者）
- 不把存疑项留在校对稿里蒙混通过
四、常见陷阱速查
同音字（高发区）
- 葡萄城 → 葡桃城 / 葡萄橙
- 活字格 → 活字阁 / 活资格 / 活子格
- 苍穹 → 苍空
英文缩写（语音识别重灾区）
| 正确 | 常见错误识别 |
|---|---|
| HIS（医院信息系统） | 黑丝 / 黑丝系统 / his（小写） |
| RFID | IFR / I发的 / AI发 / RF ID |
| MES（制造执行系统） | MESS / mess |
| MRB（物料审查委员会） | MRD |
| ERP | IRP / erp |
数字歧义
- "缩短到70%" = 减少了30%（剩70%）
- "缩短了70%" = 只剩30%（减了70%）
- 含"到"的数字表述必须在对照表中标注歧义风险
Wyn 特别提醒
这是最容易出错的名称。同一篇演讲中可能同时出现 4 种以上变体：
万报表 / one报表 / 外报表 / Web报表 / 万报表引擎 / Win / Wen
全篇搜索时每个变体都要搜一遍。
不要过度修正
- 演讲者说的"比如说""就是说""其实就是"—— 这些是口语习惯，不是错误，不改
- 演讲者重复强调的内容 —— 故意的强调，不改
- 演讲者使用的生动比喻 —— 这是演讲风格，不改
五、输出质量标准
完成校对后自检：
- [ ] 演讲元数据已提取（日期、时长、关键词、多说话人）
- [ ] 演讲者身份类型已识别（A/B1/B2/C）
- [ ] 所有已知专有名词已全篇搜索并统一（包括英文缩写）
- [ ] 同音/近音错误已根据上下文修正
- [ ] 断句和标点已处理，全文通顺可读
- [ ] PPT 提供时，术语已对齐、数据已交叉验证
- [ ] 输出了三份文件（校对稿 + 对照表 + 存疑清单）
- [ ] 对照表只记实际修改，每处有原因和来源
- [ ] 存疑清单无遗漏，每项有明确建议
- [ ] 没有编造或臆测任何内容
- [ ] 演讲者口语风格完整保留
- [ ] 原始文本中没有被删除任何内容（包括语气词、时间戳）
