oral-history-toolkit
LeoLin990405/oral-history-toolkit
口述史录音转写稿 → 忠实整理稿的工具箱(Claude Skill):去口语化 Pass1 + 对抗式忠实度质量门,存真优先,数据全程本地不外传
Instalação
npx convez-ai LeoLin990405/oral-history-toolkit1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
README
A tradução para o português deste README ainda está na fila.
口述访谈文字处理工具
Oral Interview Transcription Toolkit — 一套面向口述史"去口语化—书面化"的方法论驱动型 AI 流水线
摘要
口述史研究中,访谈逐字稿的整理是最耗时、且最易引入失真的环节。本工具面向已完成语音转写的逐字稿(非录音转写本身),提供一条以方法论为约束、以"存真"为最高原则的处理流水线:将口语转写稿整理为忠实、可读、可供受访人审阅签字的整理稿(Pass 1 去口语化),并支持在签字稿基础上进一步形成发表级书面稿(Pass 2 书面化)。
与"将整段文本一次性交付大模型润色"的朴素做法不同,本工具以多角色串行流水线 + 机读执行契约 + 范例驱动 + 双重质量门 + 对抗式忠实度审计为机制,重点解决长文本处理中的两类系统性风险:漂移(长文中人名、机构、术语前后不一致)与越界(添加受访人未陈述的信息、将不确定改写为确定、为通顺而消解矛盾、以书面化之名抹除方言与个性)。
Abstract. A methodology-grounded pipeline for processing oral-history interview transcripts. It de-oralizes verbatim transcripts into faithful, reviewable editorial drafts (Pass 1) and optionally produces publication-ready prose (Pass 2), while guarding against the two systematic failure modes of LLM-assisted editing on long texts: drift (cross-passage inconsistency of names/terms) and overreach (fabrication, false certainty, reconciling contradictions, erasing dialect/voice). Fidelity to the recording is the governing principle.
一、定位与范围
依据"生/熟"加工光谱与"双本制"(陈墨)对处理阶段的界定:
原始录音(最"生")→ 逐字转写稿 → Pass 1 整理稿 → Pass 2 书面稿 → 出版访谈录(最"熟")
└──────── 本工具处理范围 ────────┘
| 档案本(原始抄本) | 传播本(编辑抄本) | |
|---|---|---|
| 定位 | 录音的另存,服务研究与存档 | 公开面世形式 |
| 对应 | 逐字转写 → Pass 1(去口语化) | Pass 1 → Pass 2(书面化) |
本工具不进行语音识别(ASR),输入应为已转写的逐字稿。Pass 2 须在受访人审阅签字后另行进行(见 workflows/pass2-bookify.md)。
二、方法论基础
2.1 核心原则:存真优先
录音是史料,整理稿是对录音的"最小干预转写"。整理者的介入应尽可能轻,且全程可回溯至原始录音/逐字稿(可逆性原则)。处理操作的冲突优先级为:保护 > 转换 > 语境 > 清除。
2.2 文献谱系(P0/P1/P2 分级)
规则系统提炼自下列口述史方法论文献,规则冲突时按级别取舍,同级取更保守方案。文献谱系由本项目方法论合作者 Kelvin(中国科学技术大学 科技史,@InsightHist) 梳理;完整对照见 references/methodology.md。
| 级别 | 文献 | 主要约束 |
|---|---|---|
| P0 | 张藜《如何进行口述史访谈》 | 五步整理流程;记录稿与整理稿之别;受访人审阅签字 |
| P0 | 《中华口述历史工作实务规范(试用版)》(2023) | 六阶段流程;逐句对应;改动可追溯;三方签字 |
| P1 | Ritchie《大家来做口述历史》 | 抄本与录音互补;"错误话头"处理;方言不以变形拼写标记 |
| P1 | 陈墨《口述历史门径》(2013) | 双本制;唐德刚式改写之戒;三项核心保留 |
| P1 | 《牛津口述史手册》 | "生/熟"光谱;停顿与犹豫的方法论价值 |
| P2 | 熊卫民《对于历史,科学家有话说》(2017) | 去口语化而不失口语感;脚注五功能体系 |
| — | Portelli《Luigi Trastulli 之死》 | 口误、矛盾、不确定本身即史料,不可"修正"抹平 |
2.3 处理体系(A/B/C/D 四类)
- A 保护(绝不动):叙事逻辑与因果判断、功能性情感表达、方言与行话、前后矛盾(保留并标注,不充当裁判)、个性化措辞、科技体制术语、不确定表述。
- B 清除(口语噪音,静默删除):无语义填充词、无修辞重复、采访人倾听性反馈、流程寒暄。
- C 转换(保守,照范例尺度):口误自纠取最终值并标注、口语连接词、口语语法规范、仅补语法成分(不补信息)、时间线不自动重排。
- D 语境(由开关决定):采访人话语去留、方言处理方式、补全力度。
2.4 范例驱动
冗长的规则清单会令模型在长文本中漂移;本工具以少量高质量的"原始—整理"对照范例(references/examples.md)确定处理尺度,规则提供"为何如此",范例提供"改至何种程度"。整理质量的天花板取决于范例质量,而非规则数量。
三、系统设计
图 1 处理流水线(黄:AI 角色;红:强制质量门;其余为确定性脚本环节)
flowchart TD
A([逐字转写稿]) --> B[transcript_ingest<br/>清洗 · 说话人分离 · 时间戳归一]
B --> C[glossary_extractor<br/>专名候选预扫 + 变体聚类]
C --> D{{方针师 Surveyor<br/>通读全篇 · 定整理方针 · 建术语表}}
D -->|用户确认| E[chunker<br/>分块 + 重叠 + 进度锚]
E --> F{{整理者 Editor<br/>逐块去口语化 · 每块重读 term_lock}}
F --> G[consistency_checker + fidelity_checker<br/>术语一致 / 忠实度 双门]
G -->|error 返工| F
G --> H[diff_reporter + package_review + report<br/>整理稿 · 对照稿 · 待核对清单 · 质检总览]
H --> I{{质量门 Quality Guard<br/>对照原文逐句审忠实度}}
I -->|NEEDS FIX 返工| F
I --> J([交付 · 受访人审阅签字])
style D fill:#fff3cd,stroke:#d39e00
style F fill:#fff3cd,stroke:#d39e00
style I fill:#f8d7da,stroke:#dc3545
style J fill:#d4edda,stroke:#28a745
四项关键机制:
- 机读执行契约
term_lock:将术语对照表、受访人语气画像、处理开关固化为机读文件,整理者在处理每一分块前重读,以抵抗长文上下文压缩导致的漂移。 - 分块 + 全局术语锚定:长访谈分块处理,跨块一致性由脚本校验;
glossary_extractor预扫并聚类转写稿中已不一致的专名写法。 - 双重质量门:
consistency_checker(术语变体残留)与fidelity_checker(字数比异常、新增数字/专名疑似捏造、不确定表述疑似删除)。 - 对抗式忠实度审计:配套技能
oral-history-quality-guard对照原文逐句核查捏造、伪造确定性、矛盾消解、方言抹除等,通过后方可交付。
真·可追溯:以"原始转写 ⟷ 整理稿"逐块对照稿替代不可靠的"改动数量统计"。
四、使用
核心流水线仅依赖 Python 3.9+ 标准库(.docx/.xlsx 输入需可选依赖)。完整步骤见 QUICKSTART.md。
- 作为 Claude / Agent Skill:将
oral-history-master/与oral-history-quality-guard/置入 skills 目录,由 Agent 编排执行(推荐,可发挥流程与质量门的完整价值)。 - 手动运行脚本:见
oral-history-master/scripts/README.md与run_pipeline.py(prep/check两段编排)。
五、目录结构
oral-interview-transcription-skill/
├── README.md · QUICKSTART.md · CONTRIBUTING-methodology.md
├── oral-history-master/ 主流程
│ ├── SKILL.md 串行门控流水线编排与执行纪律
│ ├── references/ methodology / surveyor / editor / examples / shared-standards
│ ├── templates/ edit_spec(整理方针)/ term_lock(执行契约)
│ ├── scripts/ 确定性脚本 + 单元测试 tests/
│ ├── workflows/ resume-execute(续跑)/ pass2-bookify(书面化)
│ └── projects/demo/ 可复核的合成样例
└── oral-history-quality-guard/ 配套忠实度审计门
六、局限与有效性边界
本工具仍处于早期阶段,使用者须知悉以下边界:
- 机械检测为启发式信号,非定论。 字数比、新增数字/专名、不确定表述删除等检查用于"标记可疑、提交人工复核",存在误报与漏报;最终忠实度判断须由人(或审计角色对照原文)作出。
- 整理质量受范例约束。 当前仓库内置范例为合成示例;在真实材料上的逐段整理质量,取决于是否以真实的"原始—整理"对照范例校准(见 CONTRIBUTING-methodology.md)。
- 有效性验证有限。 流程的严谨性与可操作性已在真实访谈稿上获得初步验证;对最疑难文本段落的输出质量、以及十万字级规模的长程一致性,尚待系统评测。
- 不替代人工与受访人审定。 整理稿须经受访人审阅签字方可使用;本工具是整理者的辅助,而非替代。
七、研究伦理
- 不捏造:受访人未陈述的信息不得添加,补全仅限语法成分。
- 不伪造确定性:不将"大概/记不清"改为肯定表述。
- 不消解矛盾:前后矛盾予以保留并标注。
- 不抹除个性:方言、行话、特有措辞属保护项。
- 授权与署名:整理稿须经受访人审阅签字;署名遵循"某某口述,某某访谈整理"。
- 录音留存:无录音/原始材料对照的转写稿,关键处保留待核对标记。
- 本地与保密:流水线本地运行、不外传数据;涉密内容由使用者把关。
八、参考文献
- 张藜.《如何进行口述史访谈》.
- 中国口述历史专业委员会.《中华口述历史工作实务规范(试用版)》. 2023.
- Ritchie, Donald A. Doing Oral History(中译《大家来做口述历史》,第 3 版).
- 陈墨.《口述历史门径:实务手册》. 2013.
- 李向平, 魏扬波.《口述史研究方法》. 2010.
- The Oxford Handbook of Oral History(中译《牛津口述史手册》).
- 熊卫民.《对于历史,科学家有话说》. 2017.
- Portelli, Alessandro. "The Death of Luigi Trastulli, and Other Stories."
九、引用方式
如在研究或工作中使用本工具,建议引用:
口述访谈文字处理工具(oral-interview-transcription-skill).
方法论:Kelvin(@InsightHist,中国科学技术大学 科技史);工程实现:LeoLin990405. 2026.
https://github.com/LeoLin990405/oral-interview-transcription-skill
作者与致谢
本工具系共创成果:方法论梳理与文献谱系由口述史研究者 Kelvin(中国科学技术大学 科技史)· @InsightHist 完成并提供实测反馈;多角色流水线、一致性与忠实度机制、工程实现由 LeoLin990405 完成。欢迎以自身语料持续改进(见 CONTRIBUTING-methodology.md);反馈见 FEEDBACK.md。
公开仓库——请勿在 issue 中粘贴任何真实访谈内容,举例请用脱敏或合成片段。