Implement Seriatim transcript parsing
This commit is contained in:
@@ -2,7 +2,12 @@ package seriatim
|
|||||||
|
|
||||||
import (
|
import (
|
||||||
"context"
|
"context"
|
||||||
|
"crypto/sha256"
|
||||||
|
"encoding/hex"
|
||||||
"fmt"
|
"fmt"
|
||||||
|
"math"
|
||||||
|
"strconv"
|
||||||
|
"strings"
|
||||||
|
|
||||||
"gitea.maximumdirect.net/eric/notarius/internal/core/source"
|
"gitea.maximumdirect.net/eric/notarius/internal/core/source"
|
||||||
"gitea.maximumdirect.net/eric/notarius/internal/framework/contracts"
|
"gitea.maximumdirect.net/eric/notarius/internal/framework/contracts"
|
||||||
@@ -36,7 +41,46 @@ func (a *Adapter) Key() string {
|
|||||||
}
|
}
|
||||||
|
|
||||||
func (a *Adapter) Parse(ctx context.Context, req contracts.ParseRequest) (*source.SourceDocument, error) {
|
func (a *Adapter) Parse(ctx context.Context, req contracts.ParseRequest) (*source.SourceDocument, error) {
|
||||||
return nil, fmt.Errorf("seriatim input: source document parsing is not implemented")
|
if ctx == nil {
|
||||||
|
return nil, inputErrorf("context must not be nil")
|
||||||
|
}
|
||||||
|
if err := ctx.Err(); err != nil {
|
||||||
|
return nil, inputErrorf("context error before parsing: %w", err)
|
||||||
|
}
|
||||||
|
if len(req.Raw) == 0 {
|
||||||
|
return nil, inputErrorf("raw input must not be empty")
|
||||||
|
}
|
||||||
|
|
||||||
|
parsed, err := decodeTranscript(req.Raw)
|
||||||
|
if err != nil {
|
||||||
|
return nil, inputErrorf("parse JSON: %w", err)
|
||||||
|
}
|
||||||
|
if len(parsed.Segments) == 0 {
|
||||||
|
return nil, inputErrorf("segments must not be empty")
|
||||||
|
}
|
||||||
|
|
||||||
|
rawDigest := digest(req.Raw)
|
||||||
|
doc := &source.SourceDocument{
|
||||||
|
ID: documentID(req.SourceID, parsed.Metadata, rawDigest),
|
||||||
|
Kind: DocumentKind,
|
||||||
|
Format: Format,
|
||||||
|
Digest: rawDigest,
|
||||||
|
Metadata: copyMetadata(parsed.Metadata),
|
||||||
|
}
|
||||||
|
|
||||||
|
seenSegmentIDs := make(map[string]struct{}, len(parsed.Segments))
|
||||||
|
for i, segment := range parsed.Segments {
|
||||||
|
unit, err := sourceUnit(segment, i, seenSegmentIDs)
|
||||||
|
if err != nil {
|
||||||
|
return nil, err
|
||||||
|
}
|
||||||
|
doc.Units = append(doc.Units, unit)
|
||||||
|
}
|
||||||
|
|
||||||
|
if err := source.ValidateDocument(doc); err != nil {
|
||||||
|
return nil, inputErrorf("validate source document: %w", err)
|
||||||
|
}
|
||||||
|
return doc, nil
|
||||||
}
|
}
|
||||||
|
|
||||||
func ModuleSpec() pipeline.ModuleSpec {
|
func ModuleSpec() pipeline.ModuleSpec {
|
||||||
@@ -52,3 +96,109 @@ func Register(registry *pipeline.InputAdapterRegistry) error {
|
|||||||
return New(), nil
|
return New(), nil
|
||||||
})
|
})
|
||||||
}
|
}
|
||||||
|
|
||||||
|
func sourceUnit(segment segment, index int, seen map[string]struct{}) (source.SourceUnit, error) {
|
||||||
|
segmentLabel := fmt.Sprintf("segment[%d]", index)
|
||||||
|
segmentID := strings.TrimSpace(segment.ID)
|
||||||
|
if segmentID == "" {
|
||||||
|
return source.SourceUnit{}, inputErrorf("%s id must not be empty", segmentLabel)
|
||||||
|
}
|
||||||
|
if segmentID != segment.ID {
|
||||||
|
return source.SourceUnit{}, inputErrorf("%s id %q must not contain leading or trailing whitespace", segmentLabel, segment.ID)
|
||||||
|
}
|
||||||
|
if _, ok := seen[segment.ID]; ok {
|
||||||
|
return source.SourceUnit{}, inputErrorf("segment id %q is duplicated", segment.ID)
|
||||||
|
}
|
||||||
|
seen[segment.ID] = struct{}{}
|
||||||
|
|
||||||
|
speaker := strings.TrimSpace(segment.Speaker)
|
||||||
|
if speaker == "" {
|
||||||
|
return source.SourceUnit{}, inputErrorf("segment %q speaker must not be empty", segment.ID)
|
||||||
|
}
|
||||||
|
|
||||||
|
start, err := validTimestamp(segment.Start, fmt.Sprintf("segment %q start", segment.ID))
|
||||||
|
if err != nil {
|
||||||
|
return source.SourceUnit{}, err
|
||||||
|
}
|
||||||
|
end, err := validTimestamp(segment.End, fmt.Sprintf("segment %q end", segment.ID))
|
||||||
|
if err != nil {
|
||||||
|
return source.SourceUnit{}, err
|
||||||
|
}
|
||||||
|
if end < start {
|
||||||
|
return source.SourceUnit{}, inputErrorf("segment %q end must be greater than or equal to start", segment.ID)
|
||||||
|
}
|
||||||
|
|
||||||
|
if strings.TrimSpace(segment.Text) == "" {
|
||||||
|
return source.SourceUnit{}, inputErrorf("segment %q text must not be empty", segment.ID)
|
||||||
|
}
|
||||||
|
|
||||||
|
return source.SourceUnit{
|
||||||
|
ID: segment.ID,
|
||||||
|
Kind: UnitKind,
|
||||||
|
Text: segment.Text,
|
||||||
|
Metadata: map[string]any{
|
||||||
|
MetadataSpeaker: segment.Speaker,
|
||||||
|
MetadataStart: segment.Start,
|
||||||
|
MetadataEnd: segment.End,
|
||||||
|
},
|
||||||
|
}, nil
|
||||||
|
}
|
||||||
|
|
||||||
|
func validTimestamp(value fmt.Stringer, label string) (float64, error) {
|
||||||
|
raw := strings.TrimSpace(value.String())
|
||||||
|
if raw == "" {
|
||||||
|
return 0, inputErrorf("%s must not be empty", label)
|
||||||
|
}
|
||||||
|
parsed, err := strconv.ParseFloat(raw, 64)
|
||||||
|
if err != nil {
|
||||||
|
return 0, inputErrorf("%s must be a valid number: %w", label, err)
|
||||||
|
}
|
||||||
|
if math.IsInf(parsed, 0) || math.IsNaN(parsed) {
|
||||||
|
return 0, inputErrorf("%s must be finite", label)
|
||||||
|
}
|
||||||
|
if parsed < 0 {
|
||||||
|
return 0, inputErrorf("%s must not be negative", label)
|
||||||
|
}
|
||||||
|
return parsed, nil
|
||||||
|
}
|
||||||
|
|
||||||
|
func documentID(requestedID string, metadata map[string]any, rawDigest string) string {
|
||||||
|
if id := strings.TrimSpace(requestedID); id != "" {
|
||||||
|
return id
|
||||||
|
}
|
||||||
|
if id := stringMetadata(metadata, "id"); id != "" {
|
||||||
|
return id
|
||||||
|
}
|
||||||
|
if id := stringMetadata(metadata, "source_id"); id != "" {
|
||||||
|
return id
|
||||||
|
}
|
||||||
|
return "seriatim:" + strings.TrimPrefix(rawDigest, "sha256:")[:16]
|
||||||
|
}
|
||||||
|
|
||||||
|
func stringMetadata(metadata map[string]any, key string) string {
|
||||||
|
value, ok := metadata[key].(string)
|
||||||
|
if !ok {
|
||||||
|
return ""
|
||||||
|
}
|
||||||
|
return strings.TrimSpace(value)
|
||||||
|
}
|
||||||
|
|
||||||
|
func copyMetadata(metadata map[string]any) map[string]any {
|
||||||
|
if len(metadata) == 0 {
|
||||||
|
return nil
|
||||||
|
}
|
||||||
|
copied := make(map[string]any, len(metadata))
|
||||||
|
for key, value := range metadata {
|
||||||
|
copied[key] = value
|
||||||
|
}
|
||||||
|
return copied
|
||||||
|
}
|
||||||
|
|
||||||
|
func digest(raw []byte) string {
|
||||||
|
sum := sha256.Sum256(raw)
|
||||||
|
return "sha256:" + hex.EncodeToString(sum[:])
|
||||||
|
}
|
||||||
|
|
||||||
|
func inputErrorf(format string, args ...any) error {
|
||||||
|
return fmt.Errorf("seriatim input: "+format, args...)
|
||||||
|
}
|
||||||
|
|||||||
285
internal/modules/input/seriatim/adapter_test.go
Normal file
285
internal/modules/input/seriatim/adapter_test.go
Normal file
@@ -0,0 +1,285 @@
|
|||||||
|
package seriatim
|
||||||
|
|
||||||
|
import (
|
||||||
|
"context"
|
||||||
|
"crypto/sha256"
|
||||||
|
"encoding/hex"
|
||||||
|
"encoding/json"
|
||||||
|
"os"
|
||||||
|
"strings"
|
||||||
|
"testing"
|
||||||
|
|
||||||
|
"gitea.maximumdirect.net/eric/notarius/internal/core/source"
|
||||||
|
"gitea.maximumdirect.net/eric/notarius/internal/framework/contracts"
|
||||||
|
)
|
||||||
|
|
||||||
|
func TestParseValidMinimalTranscript(t *testing.T) {
|
||||||
|
raw := readFixture(t, "testdata/valid_minimal.json")
|
||||||
|
|
||||||
|
doc, err := New().Parse(context.Background(), contracts.ParseRequest{Raw: raw})
|
||||||
|
if err != nil {
|
||||||
|
t.Fatalf("Parse() error = %v, want nil", err)
|
||||||
|
}
|
||||||
|
|
||||||
|
if doc.ID != "session-alpha" {
|
||||||
|
t.Fatalf("doc.ID = %q, want session-alpha", doc.ID)
|
||||||
|
}
|
||||||
|
if doc.Kind != DocumentKind {
|
||||||
|
t.Fatalf("doc.Kind = %q, want %q", doc.Kind, DocumentKind)
|
||||||
|
}
|
||||||
|
if doc.Format != Format {
|
||||||
|
t.Fatalf("doc.Format = %q, want %q", doc.Format, Format)
|
||||||
|
}
|
||||||
|
if doc.Digest != testDigest(raw) {
|
||||||
|
t.Fatalf("doc.Digest = %q, want %q", doc.Digest, testDigest(raw))
|
||||||
|
}
|
||||||
|
if got := doc.Metadata["title"]; got != "Synthetic session transcript" {
|
||||||
|
t.Fatalf("doc.Metadata[title] = %#v, want Synthetic session transcript", got)
|
||||||
|
}
|
||||||
|
if len(doc.Units) != 2 {
|
||||||
|
t.Fatalf("len(doc.Units) = %d, want 2", len(doc.Units))
|
||||||
|
}
|
||||||
|
|
||||||
|
first := doc.Units[0]
|
||||||
|
if first.ID != "seg-001" {
|
||||||
|
t.Fatalf("first.ID = %q, want seg-001", first.ID)
|
||||||
|
}
|
||||||
|
if first.Kind != UnitKind {
|
||||||
|
t.Fatalf("first.Kind = %q, want %q", first.Kind, UnitKind)
|
||||||
|
}
|
||||||
|
if first.Text != "The stone door opens." {
|
||||||
|
t.Fatalf("first.Text = %q, want fixture text", first.Text)
|
||||||
|
}
|
||||||
|
if speaker, ok := Speaker(first); !ok || speaker != "Narrator" {
|
||||||
|
t.Fatalf("Speaker(first) = %q, %v; want Narrator, true", speaker, ok)
|
||||||
|
}
|
||||||
|
if start, ok := Start(first); !ok || start != json.Number("0") {
|
||||||
|
t.Fatalf("Start(first) = %q, %v; want 0, true", start, ok)
|
||||||
|
}
|
||||||
|
if end, ok := End(first); !ok || end != json.Number("4.5") {
|
||||||
|
t.Fatalf("End(first) = %q, %v; want 4.5, true", end, ok)
|
||||||
|
}
|
||||||
|
|
||||||
|
ref := source.SourceRef{
|
||||||
|
SourceID: doc.ID,
|
||||||
|
StartUnitID: doc.Units[0].ID,
|
||||||
|
EndUnitID: doc.Units[len(doc.Units)-1].ID,
|
||||||
|
}
|
||||||
|
if err := source.ValidateRef(doc, ref); err != nil {
|
||||||
|
t.Fatalf("ValidateRef() error = %v, want nil", err)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func TestParseRequestSourceIDOverridesMetadataIDs(t *testing.T) {
|
||||||
|
raw := readFixture(t, "testdata/valid_minimal.json")
|
||||||
|
|
||||||
|
doc, err := New().Parse(context.Background(), contracts.ParseRequest{
|
||||||
|
SourceID: " requested-source ",
|
||||||
|
Raw: raw,
|
||||||
|
})
|
||||||
|
if err != nil {
|
||||||
|
t.Fatalf("Parse() error = %v, want nil", err)
|
||||||
|
}
|
||||||
|
if doc.ID != "requested-source" {
|
||||||
|
t.Fatalf("doc.ID = %q, want requested-source", doc.ID)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func TestParseFallbackDocumentIDIsDeterministic(t *testing.T) {
|
||||||
|
raw := []byte(`{"metadata":{},"segments":[{"id":"s1","start":0,"end":1,"speaker":"Narrator","text":"Synthetic text."}]}`)
|
||||||
|
|
||||||
|
first, err := New().Parse(context.Background(), contracts.ParseRequest{Raw: raw})
|
||||||
|
if err != nil {
|
||||||
|
t.Fatalf("first Parse() error = %v, want nil", err)
|
||||||
|
}
|
||||||
|
second, err := New().Parse(context.Background(), contracts.ParseRequest{Raw: raw})
|
||||||
|
if err != nil {
|
||||||
|
t.Fatalf("second Parse() error = %v, want nil", err)
|
||||||
|
}
|
||||||
|
|
||||||
|
if first.ID != second.ID {
|
||||||
|
t.Fatalf("fallback IDs differ: %q vs %q", first.ID, second.ID)
|
||||||
|
}
|
||||||
|
if !strings.HasPrefix(first.ID, "seriatim:") {
|
||||||
|
t.Fatalf("fallback ID = %q, want seriatim prefix", first.ID)
|
||||||
|
}
|
||||||
|
if first.ID != "seriatim:"+strings.TrimPrefix(testDigest(raw), "sha256:")[:16] {
|
||||||
|
t.Fatalf("fallback ID = %q, want digest-derived ID", first.ID)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func TestParseUsesMetadataSourceIDWhenMetadataIDIsAbsent(t *testing.T) {
|
||||||
|
raw := []byte(`{"metadata":{"source_id":" source-from-metadata "},"segments":[{"id":"s1","start":0,"end":1,"speaker":"Narrator","text":"Synthetic text."}]}`)
|
||||||
|
|
||||||
|
doc, err := New().Parse(context.Background(), contracts.ParseRequest{Raw: raw})
|
||||||
|
if err != nil {
|
||||||
|
t.Fatalf("Parse() error = %v, want nil", err)
|
||||||
|
}
|
||||||
|
if doc.ID != "source-from-metadata" {
|
||||||
|
t.Fatalf("doc.ID = %q, want source-from-metadata", doc.ID)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func TestParseRejectsInvalidInput(t *testing.T) {
|
||||||
|
tests := []struct {
|
||||||
|
name string
|
||||||
|
raw []byte
|
||||||
|
wantErr []string
|
||||||
|
}{
|
||||||
|
{
|
||||||
|
name: "malformed JSON",
|
||||||
|
raw: []byte(`{"metadata":`),
|
||||||
|
wantErr: []string{"seriatim input", "parse JSON"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "trailing JSON",
|
||||||
|
raw: []byte(`{"metadata":{},"segments":[]} {}`),
|
||||||
|
wantErr: []string{"seriatim input", "trailing"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "missing metadata",
|
||||||
|
raw: []byte(`{"segments":[]}`),
|
||||||
|
wantErr: []string{"metadata"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "null metadata",
|
||||||
|
raw: []byte(`{"metadata":null,"segments":[]}`),
|
||||||
|
wantErr: []string{"metadata", "object"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "metadata wrong type",
|
||||||
|
raw: []byte(`{"metadata":[],"segments":[]}`),
|
||||||
|
wantErr: []string{"metadata", "object"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "missing segments",
|
||||||
|
raw: []byte(`{"metadata":{}}`),
|
||||||
|
wantErr: []string{"segments"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "null segments",
|
||||||
|
raw: []byte(`{"metadata":{},"segments":null}`),
|
||||||
|
wantErr: []string{"segments", "array"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "segments wrong type",
|
||||||
|
raw: []byte(`{"metadata":{},"segments":{}}`),
|
||||||
|
wantErr: []string{"segments", "array"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "empty segments",
|
||||||
|
raw: []byte(`{"metadata":{},"segments":[]}`),
|
||||||
|
wantErr: []string{"segments", "empty"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "missing segment id",
|
||||||
|
raw: validJSONWithSegment(`"start":0,"end":1,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"id", "empty"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "whitespace segment id",
|
||||||
|
raw: validJSONWithSegment(`"id":" s1 ","start":0,"end":1,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"id", "whitespace"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "empty text",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":0,"end":1,"speaker":"Narrator","text":" "`),
|
||||||
|
wantErr: []string{"text", "empty"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "missing speaker",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":0,"end":1,"text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"speaker", "empty"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "missing start",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","end":1,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"start", "empty"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "missing end",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":0,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"end", "empty"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "negative start",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":-1,"end":1,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"start", "negative"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "non-numeric end",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":0,"end":"late","speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"segments", "json"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "non-finite timestamp",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":1e10000,"end":1e10000,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"start", "valid number"},
|
||||||
|
},
|
||||||
|
{
|
||||||
|
name: "end before start",
|
||||||
|
raw: validJSONWithSegment(`"id":"s1","start":2,"end":1,"speaker":"Narrator","text":"Synthetic text."`),
|
||||||
|
wantErr: []string{"end", "start"},
|
||||||
|
},
|
||||||
|
}
|
||||||
|
|
||||||
|
for _, tt := range tests {
|
||||||
|
t.Run(tt.name, func(t *testing.T) {
|
||||||
|
_, err := New().Parse(context.Background(), contracts.ParseRequest{Raw: tt.raw})
|
||||||
|
if err == nil {
|
||||||
|
t.Fatal("Parse() error = nil, want error")
|
||||||
|
}
|
||||||
|
for _, want := range tt.wantErr {
|
||||||
|
if !strings.Contains(err.Error(), want) {
|
||||||
|
t.Fatalf("Parse() error = %q, want substring %q", err.Error(), want)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
})
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func TestParseRejectsDuplicateSegmentIDs(t *testing.T) {
|
||||||
|
raw := readFixture(t, "testdata/duplicate_segment_id.json")
|
||||||
|
|
||||||
|
_, err := New().Parse(context.Background(), contracts.ParseRequest{Raw: raw})
|
||||||
|
if err == nil {
|
||||||
|
t.Fatal("Parse() error = nil, want duplicate ID error")
|
||||||
|
}
|
||||||
|
if !strings.Contains(err.Error(), "duplicated") || !strings.Contains(err.Error(), "seg-001") {
|
||||||
|
t.Fatalf("Parse() error = %q, want duplicate segment context", err.Error())
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func TestParseRejectsInvalidContextOrEmptyInput(t *testing.T) {
|
||||||
|
if _, err := New().Parse(nil, contracts.ParseRequest{Raw: []byte(`{}`)}); err == nil {
|
||||||
|
t.Fatal("Parse(nil context) error = nil, want error")
|
||||||
|
}
|
||||||
|
|
||||||
|
ctx, cancel := context.WithCancel(context.Background())
|
||||||
|
cancel()
|
||||||
|
if _, err := New().Parse(ctx, contracts.ParseRequest{Raw: []byte(`{}`)}); err == nil {
|
||||||
|
t.Fatal("Parse(canceled context) error = nil, want error")
|
||||||
|
}
|
||||||
|
|
||||||
|
if _, err := New().Parse(context.Background(), contracts.ParseRequest{}); err == nil {
|
||||||
|
t.Fatal("Parse(empty input) error = nil, want error")
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func readFixture(t *testing.T, path string) []byte {
|
||||||
|
t.Helper()
|
||||||
|
raw, err := os.ReadFile(path)
|
||||||
|
if err != nil {
|
||||||
|
t.Fatalf("ReadFile(%q) error = %v, want nil", path, err)
|
||||||
|
}
|
||||||
|
return raw
|
||||||
|
}
|
||||||
|
|
||||||
|
func validJSONWithSegment(segmentFields string) []byte {
|
||||||
|
return []byte(`{"metadata":{"id":"fixture"},"segments":[{` + segmentFields + `}]}`)
|
||||||
|
}
|
||||||
|
|
||||||
|
func testDigest(raw []byte) string {
|
||||||
|
sum := sha256.Sum256(raw)
|
||||||
|
return "sha256:" + hex.EncodeToString(sum[:])
|
||||||
|
}
|
||||||
@@ -3,6 +3,8 @@ package seriatim
|
|||||||
import (
|
import (
|
||||||
"bytes"
|
"bytes"
|
||||||
"encoding/json"
|
"encoding/json"
|
||||||
|
"fmt"
|
||||||
|
"io"
|
||||||
)
|
)
|
||||||
|
|
||||||
type transcript struct {
|
type transcript struct {
|
||||||
@@ -19,11 +21,55 @@ type segment struct {
|
|||||||
}
|
}
|
||||||
|
|
||||||
func decodeTranscript(raw []byte) (transcript, error) {
|
func decodeTranscript(raw []byte) (transcript, error) {
|
||||||
var out transcript
|
var fields map[string]json.RawMessage
|
||||||
decoder := json.NewDecoder(bytes.NewReader(raw))
|
if err := decodeJSON(raw, &fields); err != nil {
|
||||||
decoder.UseNumber()
|
|
||||||
if err := decoder.Decode(&out); err != nil {
|
|
||||||
return transcript{}, err
|
return transcript{}, err
|
||||||
}
|
}
|
||||||
return out, nil
|
if fields == nil {
|
||||||
|
return transcript{}, fmt.Errorf("top-level value must be an object")
|
||||||
|
}
|
||||||
|
|
||||||
|
metadataRaw, ok := fields["metadata"]
|
||||||
|
if !ok {
|
||||||
|
return transcript{}, fmt.Errorf("metadata is required")
|
||||||
|
}
|
||||||
|
var metadata map[string]any
|
||||||
|
if err := decodeJSON(metadataRaw, &metadata); err != nil {
|
||||||
|
return transcript{}, fmt.Errorf("metadata must be an object: %w", err)
|
||||||
|
}
|
||||||
|
if metadata == nil {
|
||||||
|
return transcript{}, fmt.Errorf("metadata must be an object")
|
||||||
|
}
|
||||||
|
|
||||||
|
segmentsRaw, ok := fields["segments"]
|
||||||
|
if !ok {
|
||||||
|
return transcript{}, fmt.Errorf("segments are required")
|
||||||
|
}
|
||||||
|
var segments []segment
|
||||||
|
if err := decodeJSON(segmentsRaw, &segments); err != nil {
|
||||||
|
return transcript{}, fmt.Errorf("segments must be an array: %w", err)
|
||||||
|
}
|
||||||
|
if segments == nil {
|
||||||
|
return transcript{}, fmt.Errorf("segments must be an array")
|
||||||
|
}
|
||||||
|
|
||||||
|
return transcript{
|
||||||
|
Metadata: metadata,
|
||||||
|
Segments: segments,
|
||||||
|
}, nil
|
||||||
|
}
|
||||||
|
|
||||||
|
func decodeJSON(raw []byte, out any) error {
|
||||||
|
decoder := json.NewDecoder(bytes.NewReader(raw))
|
||||||
|
decoder.UseNumber()
|
||||||
|
if err := decoder.Decode(out); err != nil {
|
||||||
|
return err
|
||||||
|
}
|
||||||
|
if err := decoder.Decode(&struct{}{}); err != io.EOF {
|
||||||
|
if err == nil {
|
||||||
|
return fmt.Errorf("unexpected trailing JSON value")
|
||||||
|
}
|
||||||
|
return err
|
||||||
|
}
|
||||||
|
return nil
|
||||||
}
|
}
|
||||||
|
|||||||
21
internal/modules/input/seriatim/testdata/duplicate_segment_id.json
vendored
Normal file
21
internal/modules/input/seriatim/testdata/duplicate_segment_id.json
vendored
Normal file
@@ -0,0 +1,21 @@
|
|||||||
|
{
|
||||||
|
"metadata": {
|
||||||
|
"id": "duplicate-segment-fixture"
|
||||||
|
},
|
||||||
|
"segments": [
|
||||||
|
{
|
||||||
|
"id": "seg-001",
|
||||||
|
"start": 0,
|
||||||
|
"end": 1,
|
||||||
|
"speaker": "Narrator",
|
||||||
|
"text": "First segment."
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "seg-001",
|
||||||
|
"start": 1,
|
||||||
|
"end": 2,
|
||||||
|
"speaker": "Player",
|
||||||
|
"text": "Duplicate segment."
|
||||||
|
}
|
||||||
|
]
|
||||||
|
}
|
||||||
23
internal/modules/input/seriatim/testdata/valid_minimal.json
vendored
Normal file
23
internal/modules/input/seriatim/testdata/valid_minimal.json
vendored
Normal file
@@ -0,0 +1,23 @@
|
|||||||
|
{
|
||||||
|
"metadata": {
|
||||||
|
"id": "session-alpha",
|
||||||
|
"source_id": "fallback-session",
|
||||||
|
"title": "Synthetic session transcript"
|
||||||
|
},
|
||||||
|
"segments": [
|
||||||
|
{
|
||||||
|
"id": "seg-001",
|
||||||
|
"start": 0,
|
||||||
|
"end": 4.5,
|
||||||
|
"speaker": "Narrator",
|
||||||
|
"text": "The stone door opens."
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": "seg-002",
|
||||||
|
"start": 4.5,
|
||||||
|
"end": 8,
|
||||||
|
"speaker": "Player",
|
||||||
|
"text": "I cast light."
|
||||||
|
}
|
||||||
|
]
|
||||||
|
}
|
||||||
Reference in New Issue
Block a user