Fix: transcribe.py nu mai sterge audio daca transcrierea nu pare completa

Cauza: am rulat `find transcripts -size -1k -delete` cat transcribe.py scria
in acelasi director. faster_whisper scrie bufferat, deci o transcriere de o
ora sta sub 1KB minute in sir; find a sters fisierul de sub proces, Python a
logat "Transcribed" pe un inode disparut, si audio-ul a fost sters. Lectia
11 (25.11.2025) pierduta complet, re-descarcata.

- transcribe_file() intoarce bool, verifica nr. cuvinte vs durata audio
- pull_moltbot.sh: staging + mutare doar peste 1KB, in loc de find -delete
- PROGRESS.md: documentat, ca sa nu se repete

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01MtSTyTmt6AbCL9j5ajEDm1

PROGRESS.md

@@ -169,6 +169,24 @@ exemple long+short, minim 2-3 exemple numerice, secțiune obligatorie
 referințe web reale). **Citește-l integral înainte de orice lecție nouă.**
 
 ## Probleme întâlnite + fix-uri
+- **NU rula `find <transcripts> -size -1k -delete` cât rulează
+  `transcribe.py`.** Greșeală făcută pe 2026-09-12: am folosit-o ca să curăț
+  fișierele goale aduse de pe moltbot, în timp ce transcrierea locală scria
+  în același director. `faster_whisper` ține fișierul deschis și scrie
+  bufferat — o transcriere de o oră stă sub 1KB minute în șir. `find` a
+  șters fișierul de sub proces; la final Python a închis un handle către un
+  inode dispărut, a logat "Transcribed" ca și cum ar fi reușit, iar
+  `transcribe.py` a șters și audio-ul. Lecția 11 (25.11.2025) a fost pierdută
+  complet și a trebuit re-descărcată.
+  Fix-uri aplicate:
+  - `pull_moltbot.sh` — aduce în staging, mută doar fișierele peste 1KB.
+    Folosește-l în loc de `scp` + `find -delete`.
+  - `transcribe.py` — `transcribe_file()` întoarce acum bool și **verifică
+    numărul de cuvinte față de durata audio** (prag: 15% din 100 cuvinte/min)
+    înainte ca apelantul să șteargă audio-ul. Un fișier dispărut sau o
+    transcriere suspect de scurtă păstrează audio-ul, deci pierzi doar timp
+    de CPU, nu și descărcarea.
+
 - **Halucinație whisper** (propoziții repetate în buclă): a apărut la
   `05_MODUL_4/02_3_STRATEGIA_5_MDSRT.txt`. Fix: re-extrage audio pentru
   lecția aia (`extract_audio.py` are funcțiile reutilizabile), retranscrie

pull_moltbot.sh

@@ -0,0 +1,27 @@
+#!/bin/bash
+# Aduce transcrierile gata de pe moltbot.
+#
+# NU folosi `scp ... && find -size -1k -delete` pe directorul de transcrieri:
+# transcribe.py scrie acolo în paralel, iar un fișier în curs de scriere e
+# sub 1KB minute în șir. Un `find -delete` l-a șters o dată de sub proces,
+# iar transcrierea s-a pierdut complet (audio-ul fusese deja șters).
+#
+# Aici: aducem într-un director de staging, mutăm doar ce e complet.
+set -euo pipefail
+DEST=${1:-transcripts/09_Q_and_A}
+STAGE=$(mktemp -d)
+trap 'rm -rf "$STAGE"' EXIT
+
+scp -q "root@moltbot:/root/atm/transcripts/*.txt" "$STAGE/" 2>/dev/null || true
+moved=0
+for f in "$STAGE"/*.txt; do
+    [ -e "$f" ] || continue
+    if [ "$(stat -c%s "$f")" -lt 1024 ]; then
+        echo "  sar peste (incomplet, $(stat -c%s "$f") octeți): $(basename "$f")"
+        continue
+    fi
+    mv "$f" "$DEST/"
+    echo "  adus: $(basename "$f")"
+    moved=$((moved + 1))
+done
+echo "Aduse $moved transcrieri în $DEST"

transcribe.py

@@ -16,13 +16,32 @@ logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] %(me
 log = logging.getLogger(__name__)
 
 
-def transcribe_file(model: WhisperModel, audio_path: Path, txt_path: Path) -> None:
+# Vorbirea normală dă ~100-150 cuvinte/minut. Sub 15% din asta înseamnă
+# halucinație, tăcere, sau o scriere care a eșuat — nu o transcriere bună.
+MIN_WORDS_PER_SECOND = 100 / 60 * 0.15
+
+
+def transcribe_file(model: WhisperModel, audio_path: Path, txt_path: Path) -> bool:
+    """Întoarce True doar dacă transcrierea rezultată pare completă.
+    Apelantul șterge audio-ul DOAR pe True — altfel un fișier pierdut
+    înseamnă re-descărcare, nu doar re-transcriere."""
     segments, info = model.transcribe(str(audio_path), language="ro", beam_size=5, vad_filter=True)
     txt_path.parent.mkdir(parents=True, exist_ok=True)
     with open(txt_path, "w", encoding="utf-8") as f:
         for seg in segments:
             f.write(seg.text.strip() + "\n")
-    log.info(f"  Transcribed: {txt_path.name} (lang={info.language}, duration={info.duration:.0f}s)")
+
+    if not txt_path.exists():
+        log.error(f"  {txt_path} a dispărut în timpul scrierii — păstrez audio-ul")
+        return False
+    words = len(txt_path.read_text(encoding="utf-8").split())
+    expected = info.duration * MIN_WORDS_PER_SECOND
+    if words < expected:
+        log.error(f"  {txt_path.name}: doar {words} cuvinte pentru {info.duration:.0f}s "
+                  f"(minim așteptat {expected:.0f}) — păstrez audio-ul")
+        return False
+    log.info(f"  Transcribed: {txt_path.name} (lang={info.language}, duration={info.duration:.0f}s, {words} cuvinte)")
+    return True
 
 
 def main():
@@ -55,8 +74,8 @@ def main():
             continue
 
         log.info(f"Transcribing: {audio_path}")
-        transcribe_file(model, audio_path, txt_path)
-        if not args.keep_audio:
+        ok = transcribe_file(model, audio_path, txt_path)
+        if ok and not args.keep_audio:
             audio_path.unlink()
         done += 1