# -*- coding: utf-8 -*-
"""文字起こしの採点（2026-11-15）。使い方: python3 score.py results/<製品>_<clean|noise|phone>.txt ...
- 文字誤り率（CER）：台本と結果を、句読点・空白・話者名を除き、数字をアラビア数字にそろえてから編集距離で比べる。
  漢字とかなの書き分け（例：ください／下さい）は誤りに数えるので、CER は「厳しめの目安」。
- 要点の聞き取り：keyfacts.json の25項目（金額・日付・数量・社名・品番）が結果に出ているか。こちらが実務では大事。
- 話者の聞き分け：結果に話者の区切りがあれば、区切りの数を数えるだけ（正誤は人が見る）。"""
import sys,re,json,unicodedata,os
HERE=os.path.dirname(os.path.abspath(__file__))
KANJI={'〇':0,'一':1,'二':2,'三':3,'四':4,'五':5,'六':6,'七':7,'八':8,'九':9}
def kan2num(s):
    def conv(m):
        t=m.group(0); total=0; sec=0; num=0
        for ch in t:
            if ch in KANJI: num=KANJI[ch]
            elif ch=='十': sec+=(num or 1)*10; num=0
            elif ch=='百': sec+=(num or 1)*100; num=0
            elif ch=='千': sec+=(num or 1)*1000; num=0
            elif ch=='万': total+=(sec+num or 1)*10000; sec=0; num=0
        return str(total+sec+num)
    return re.sub(r'[〇一二三四五六七八九十百千万]+',conv,s)
def norm(s):
    s=unicodedata.normalize('NFKC',s)
    s=re.sub(r'^\s*(話者|スピーカー|Speaker|参加者)?\s*[A-Za-z0-9０-９]*\s*[:：]','',s,flags=re.M)   # 行頭の話者ラベル
    s=re.sub(r'\[?\(?\d{1,2}:\d{2}(:\d{2})?\)?\]?','',s)                                             # タイムスタンプ
    s=s.replace(',','')
    s=kan2num(s)
    s=re.sub(r'[\s、。，．・「」『』（）()！？!?…ー\-~〜:：;；/／]','',s)
    return s.lower()
def lev(a,b):
    prev=list(range(len(b)+1))
    for i,ca in enumerate(a,1):
        cur=[i]
        for j,cb in enumerate(b,1): cur.append(min(prev[j]+1,cur[j-1]+1,prev[j-1]+(ca!=cb)))
        prev=cur
    return prev[-1]
ref_raw=open(os.path.join(HERE,'reference.txt'),encoding='utf-8').read()
ref=norm(re.sub(r'^[ABC]：','',ref_raw,flags=re.M))
facts=json.load(open(os.path.join(HERE,'keyfacts.json'),encoding='utf-8'))
def has(text,variants):
    t=norm(text); return any(norm(v) in t for v in variants)
rows=[]
for p in sys.argv[1:]:
    hyp_raw=open(p,encoding='utf-8').read(); hyp=norm(hyp_raw)
    cer=lev(ref,hyp)/len(ref)
    hit=[f for f in facts if has(hyp_raw,f.get('strict') or f['any'])]
    loose=[f for f in facts if has(hyp_raw,f['any'])]
    miss=[f['label'] for f in facts if f not in loose]
    spk=len(re.findall(r'^\s*(話者|スピーカー|Speaker|参加者)\s*[A-Za-z0-9０-９]+',hyp_raw,flags=re.M))
    rows.append((os.path.basename(p),cer,len(hit),len(loose),len(facts),spk,miss))
print(f"{'ファイル':34s} 文字誤り率  要点(表記まで一致/聞き取れた/全) 話者ラベル行")
for r in rows:
    print(f"{r[0]:34s} {r[1]*100:6.1f}%     {r[2]:>2}/{r[3]:>2}/{r[4]}                {r[5]}")
    if r[6]: print('    聞き取れなかった要点:', '、'.join(r[6]))
