feat: englische Reden korrigieren (-l en)

- Prompts je Sprache (PROMPTS): Korrektur, Absatzgliederung, Teilen,
  Glossar-Hinweis; Englisch mit Prüfmarke [check: …] und Entfernen der
  Sprecherwechsel-Marken „>>“
- -l gilt jetzt auch mit -i (Sprache der Rede, Standard de); mit -u wird die
  Sprache des Original-Audios erkannt; nicht unterstützte Sprachen werden
  abgelehnt
- Live geprüft mit 0LmCveTM788 (Mearsheimer): 12 Änderungen, u. a. richtig
  „Vermont“ → „Wehrmacht“, aber falsch „February 25th“ → „24th“ – der
  Änderungsbericht zeigt es

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
Dieter Schlüter 2026-10-10 20:40:40 +02:00
commit fb9201b721

View file

@ -1,7 +1,7 @@
# youtube_rede_korrigieren
Korrigiert automatische Abschriften deutscher Reden (z. B. YouTube-Untertitel als
Text) mit einem lokalen Sprachmodell über Ollama: Rechtschreibung, Satzzeichen,
Korrigiert automatische Abschriften deutscher (und englischer) Reden (z. B.
YouTube-Untertitel als Text) mit einem lokalen Sprachmodell über Ollama: Rechtschreibung, Satzzeichen,
Hörfehler, Absätze – möglichst wortgetreu, ohne Zusammenfassung oder Glättung.
Die Werkzeuge sind einzeln oder hintereinander nutzbar:
@ -140,13 +140,14 @@ werden trotzdem umgewandelt; der Exit-Code ist dann 1.
./rede_korrigieren.py -i rede.txt -g allgemein.glossar.txt -g rede.glossar.txt # kombiniert
./rede_korrigieren.py -i rede.de.vtt # VTT direkt → rede.de.korrigiert.txt
./rede_korrigieren.py -u URL # YouTube → <Video-ID>.korrigiert.txt
./rede_korrigieren.py -i speech.txt -l en # englische Rede
```
| Option | Bedeutung |
|---|---|
| `-i`, `--input` | Eingabedatei: Rohabschrift (`.txt`) oder Untertitel (`.vtt`, wird wie mit `vtt2txt.py` umgewandelt) |
| `-u`, `--url` | statt `-i`: YouTube-URL; Untertitel wie bei `extract_text.py`. Der Rohtext wird neben der Ausgabe gespeichert (`rede.korrigiert.txt` → `rede.txt`, sonst `<Name>.roh.txt`), eine vorhandene, abweichende Datei aber nie überschrieben |
| `-l`, `--lang` | nur mit `-u`: Sprache; Standard: Sprache des Original-Audios |
| `-l`, `--lang` | Sprache der Rede: `de` oder `en` (auch mit Region, z. B. `en-US`); wählt Prompts und Prüfmarke. Mit `-u` zugleich die Sprache der Untertitel. Standard: `de`, mit `-u` die Sprache des Original-Audios |
| `-o`, `--output` | Ausgabedatei; Standard: `<Eingabe ohne Endung>.korrigiert.txt` neben der Eingabe, mit `-u` `<Video-ID>.korrigiert.txt` |
| `-g`, `--glossar` | Glossar mit festen Ersetzungen und Schreibweisen; mehrfach angeben zum Kombinieren (Ersetzungen in Reihenfolge der Angabe) |
| `-m`, `--model` | Ollama-Modell; Standard: `qwen3:32b` (Konstante `MODEL`) |
@ -169,7 +170,13 @@ werden trotzdem umgewandelt; der Exit-Code ist dann 1.
6. **Änderungsbericht:** Rohtext (vor dem Glossar) und Ergebnis werden Wort für Wort
verglichen, siehe unten.
Zweifelhafte Stellen markiert das Modell als `Lesart [prüfen: Originalwortlaut]`.
Zweifelhafte Stellen markiert das Modell als `Lesart [prüfen: Originalwortlaut]`,
in englischen Reden als `reading [check: original wording]`.
Englische Reden bekommen eigene, englische Prompts für Korrektur und Absätze
(`SYSTEM_EN` usw. in `rede_korrigieren.py`); dort entfernt das Modell auch die
Sprecherwechsel-Marken `>>` der YouTube-Auto-Untertitel. Weitere Sprachen lassen sich
über das Wörterbuch `PROMPTS` ergänzen.
## Änderungsbericht