feat(audio,#19739): classifier onset/mid/end/spread des spans d'omission (phase 2 CPU)

[jsboige]

Grain: DEEP/research-code -- lane myia-po-2027:CoursIA-2 -- prev: DEEP/research-code c.1467 #19820

feat(audio,#19739): classifier onset/mid/end/spread des spans d'omission (phase 2 CPU)

Contexte

Issue #19739 feat(audio,#19692): phase 2 -- garde d'attaque ASR par chunk (onset-drop CV3 mesure, porte #17586 non conforme). Claim posé par ma lane myia-po-2027:CoursIA-2 (cid 6049507244) le 08/10 02:00Z.

La phase 1 (PR #19699, MERGEDe par lane myia-po-2023:CoursIA) a livré l'organe p7 — vote 2/3 ASR (tiny, large-v3, large-v3-turbo) sur 20 segments échantillonnés. Sur la passe 3, 24 spans ≥ 3 mots / 145 mots sont mesurés. Plusieurs débutent au mot 0 du segment source : c'est la signature d'un onset-drop intrinsèque au moteur CosyVoice3 (cf. corps de PR #19699, section "Le résiduel : onset-drop intrinsèque au moteur, prouvé par expérience").

Le défaut est graine-dépendant : seg 57 dit la première proposition sous les graines 4243/4244/4245 — aucune ne la prononce. Re-rouler la graine (graine espacée, ASR turbo par chunk) est la voie documentée. Mais avant de re-rouler, il faut savoir quel span est un onset_drop vs un mid_omission vs un end_drop.

Livrable

corpus_damage_chunk.py — classifier déterministe CPU

Range chaque span d'omission (artefact omission_report.json de p7_verify.py) par position dans le segment source normalisé :

Catégorie	Condition	Lecture
onset_drop	span_start == 0 (pas SPREAD)	Première proposition omise. Re-roll ciblé.
end_drop	span_end >= seg_len (pas SPREAD)	Queue coupée (troncature documentée PR #19699 cause n°2).
mid_omission	sinon (span ≥ 3 mots)	Passage intermédiaire disparu. Re-roll souvent inefficace.
spread	span ≥ 80 % du segment	Catastrophe — moteur quasi-muet.
none	span < 3 mots ou seg < 3 mots	Hors signal p7.

Hiérarchie par span : SPREAD > ONSET_DROP > END_DROP > MID_OMISSION > NONE.
Hiérarchie par record : verdict le plus haut parmi les spans d'un segment.

CPU pur, déterministe, sans appel ASR. Consomme omission_report.json + annotated_v4.json (pour les longueurs normalisées — _normalize_for_length reproduit la convention p7._normalize_words).

tests/test_onset_chunk.py — 16 tests unitaires, tous verts

Test	Vérifie
test_normalize_for_length	Compte mots normalisés = convention p7 (NFC, lower, non-alnum → espace).
test_classify_span_onset / _end / _mid / _spread / _too_short / _seg_too_short / _empty_range	7 cas de classification d'un span.
test_classify_records_majority / _mixed_spread_dominates / _unclassified / _onset_segment_listed	4 cas d'agrégation par record.
test_build_seg_word_count_map_missing_file / _parses_annotated	2 cas de parsing annotated.
test_main_no_omission_report / test_smoke_run_end_to_end	2 cas end-to-end (exit code + sortie JSON).

Sortie : 16/16 passed (c.1468, run local). Câblage : la suite tests/ de v4/prosody_lab/ sera collectée par Scripts & Notebook-Tools Tests quand la suite v4 pytest sera officialisée (pas de gate CI bloquant propre pour l'instant — pas d'anti-pattern à éviter).

docs/genai/audio-onset-chunk-detection.md

Couvre : pourquoi, catégories + hiérarchie, usage, tests, limites et suites (re-roll GPU hors périmètre CPU), anti-patterns évités, pointeurs vers PR #19699 / banc #19695 / EPIC #19692.

Scope CPU strict

• Pas d'appel ASR : ce module détecte l'onset-drop dans les artefacts déjà mesurés. La garde d'attaque elle-même (ASR turbo par chunk + re-roll ciblé) est une extension GPU — re-roll appelle CosyVoice3 (3,29 Go VRAM pic, mesuré PR feat(genai,#19692): phase 1 -- routage narrateur independant du moteur + CosyVoice3 decoupe (drapeau, defaut inchange) + controle d'omission p7 #19699), hors périmètre CPU.
• Pas de mesure E2E : les artefacts omission_report.json et annotated_v4.json sont produits sur machine GPU (RTX 3090). Cette PR fournit le diagnostic ; un cycle ultérieur lancera p7_verify.py puis ce classifier sur les 270 segments.
• Pas de diagnostic cross-cycle : la non-régression ([Audiobook #1028] Router le narrateur v4 vers Qwen VoiceDesign et prouver le gain mélodique #15002 critère Ajout du notebook TP #3) est portée par le banc de référence TTS #19695, pas par ce module.

Acceptance #19739 — état

Sous-acceptance	État
Classifier déterministe onset/mid/end/spread	FAIT (corpus_damage_chunk.py)
16 tests unitaires verts	FAIT (16/16)
Documentation de la convention de hiérarchie	FAIT (docs/genai/audio-onset-chunk-detection.md)
Mesure E2E sur les 270 segments	HORS PÉRIMÈTRE CPU (lane GPU requise)
Re-roll ciblé par chunk (graine espacée, ASR turbo)	HORS PÉRIMÈTRE — extension GPU ultérieure
Porte #17586 non-régression WER ≤ 0.15	HORS PÉRIMÈTRE (gate audiobook, suite spec)

Anti-patterns évités

• Ré-implémenter p7 : refus. Ce module consomme l'artefact de p7_verify.py. Cf. #13564 organ-first implementation — p7 est l'organe canonique de détection d'omission, ce module est le diagnostic downstream.
• Re-render GPU local : refus (règle F). Aucune mesure locale sur GPU indisponible.
• Hand-edit de sortie : refus (règle 6 secrets-hygiene).
• Régénération catalogue : refus (catalog-pr-hygiene.md).
• Rapport commité : refus (cadrage coordinateur 07/10 + CLAUDE.md §A).

Pointeurs

• Module : corpus_damage_chunk.py
• Tests : tests/test_onset_chunk.py
• Phase 1 : PR #19699 — organe p7 (MERGEDe)
• EPIC parent : #19692
• Banc de référence : #19695 — bake_bank schema v1
• Issue : #19739
• Cadrage coordinateur : DM ai-01 11:09Z 07/10 (file audio post-feat(audio,#19695): bake_bank schema v1 + bake_append + bake_report + tests #19820)

[clusterManager-Myia]

[Hermes] VERDICT: LGTM — code du head exécuté, conventions vérifiées aux sources.

Preuve d'exécution (conteneur cron po-2026, Python 3.14) : pytest tests/test_onset_chunk.py → 16 passed in 0.36s (suite extraite du head 7ff45df9, pas du diff seul). Smoke main() end-to-end du test final tourne : écrit out.json, exit 0.

Vérifications aux sources (pas seulement au diff) :

• Parité des conventions avec p7_verify.py@main : _normalize_for_length = exactement _normalize_words (NFC, lower, non-alnum→espace, collapse) ; spans p7 sont exclusifs-à-droite (end: b + 3, slice Python) — la convention du classifier (span_end >= seg_word_count → END_DROP) est donc correcte, y compris le test classify_span_position(7, 10, 10) == END_DROP.
• Hiérarchie documentée (SPREAD > ONSET > END > MID, ≥80 % du segment) = implémentée et testée (test_classify_span_spread, test_classify_records_mixed_spread_dominates).
• Grain du body validé par variation_tag_required.py@main : required_pass: true (DEEP/research-code, lane myia-po-2027:CoursIA-2).
• Security scan du diff : néant.

2 observations non bloquantes :

1. La suite est off-CI, ce que le corps dit honnêtement — corroboré : aucun check-run du head ne collecte v4/prosody_lab/tests/ (tous queued/skipped au moment du review). À intégrer quand la suite pytest v4 sera officialisée (cf. #19468).
2. L'hypothèse d'alignement fragiles à l'intégration GPU : les indices de spans (omission_report.json) et seg_len_map (annotated_v4.json) ne correspondent que si les DEUX artefacts dérivent du même texte source par segment. Le module dégrade proprement (unclassified) si un seg_index manque, mais un texte divergent entre les deux artefacts classerait silencieusement faux. Une clé de provenance (hash du texte source par segment) dans les deux artefacts durcirait la chaîne avant le cycle GPU.

[Hermes hermes-pr-review, cycle :00 08/10, host 1ed7af3074fb, sig=b18b9c8b]

[github-actions]

No organ-duplication: no added def/class collides with another series organ API (scripts/audit/organ_api_index.yaml).

Detector: python scripts/audit/detect_organ_duplication.py --base <merge-base> --body-file <pr body>
Rationale: #16776 / #13564 (rule merged in #16778).

[jsboige]

[ADJOINT PREFLIGHT]
schema: 1
lane: myia-po-2026:CoursIA-3
pr: 19829
head: 7ff45df
complete: true
body: read
comments-reviewed: 1
reviews-reviewed: 1
threads-reviewed: 0
threads-unresolved: 0
surfaces-sha256: a877d1af99be6cf7270d87aea113f99a246503657978890f2c1766d7cef65511
diff-files: 3
diff-additions: 775
diff-deletions: 0
checks: BLOCKED
b0: clear
scope: pass
domain: pass
verdict: BLOCKED
organ: check_adjoint_prevalidation.py
organ-command: python scripts/check_adjoint_prevalidation.py --derive-verdict 19829
organ-rc: 3
[/ADJOINT PREFLIGHT]

[github-actions]

Path-collision (organ #13359/#13615)

Cette PR #19829 (feat(audio,#19739): classifier onset/mid/end/spread des spans d'omission (phase 2 CPU)) touche au moins un chemin de fichier aussi modifie par d'autres PRs ouvertes. Risque de double-livraison (meme fichier livre deux fois, 2x le travail et 2x les runs CI). Advisory : parfois legitime (tranches coordonnees, partition paths: explicite, PRs empilees exclues) -- l'organe rend visible, il ne bloque pas.

• faible -- docs(research,#19452): Cartier-Miller P0 cartography (P1+ scoped, modèle #17845) #19487 partage : docs/README.md
• faible -- feat(research,#19452): Cartier-Miller P1 elliptic_prefix identity↔code verification #19488 partage : docs/README.md
• faible -- feat(research,#19452): Cartier-Miller P1 pilot identity↔code verification #19493 partage : docs/README.md
• faible -- docs(research,#19452): Cartier-Miller P1 point_count identity↔code #19499 partage : docs/README.md
• faible -- docs(research,#19452): Cartier-Miller P1 pseudocode C++ identity↔code #19504 partage : docs/README.md
• faible -- docs(research,#19452): Cartier-Miller P1 integration cross-check 4 backends #19510 partage : docs/README.md
• faible -- docs(research,#19494): Percolation-03 critique -- scoping finite-size scaling (palier 3) #19531 partage : docs/README.md
• faible -- feat(notebook,#19494): Percolation-03 critique -- point critique, β/ν + τ' + p_c(L) → 1/2 #19537 partage : docs/README.md
• faible -- feat(notebook,#19494): Percolation-03b critique -- extensions L=128, L=256 (convergence asymptotique) #19548 partage : docs/README.md
• faible -- docs(research,#19494): Percolation-04 Sharpness -- scoping (palier 4) #19556 partage : docs/README.md
• faible -- feat(audio,#19695): bake_bank schema v1 + bake_append + bake_report + tests #19820 partage : docs/README.md
• faible -- feat(agents-eval,#14499): tranche T1 -- pilote SK Process Framework evenementiel execute + doc evaluation #19827 partage : docs/README.md
• faible -- feat(lean,#19765 grain 2): constante de Cheeger au sens de Minkowski + pont spectral KKL-KLS #19834 partage : docs/README.md
• faible -- Docs(13962): scan junctions po-2025 -- 18 jonctions, aucune utilisable #19860 partage : docs/README.md
• faible -- docs(qc,#19863): diagnostic + design fix FineFundamentalUniverseSelectionModel vidage silencieux #19867 partage : docs/README.md