Detectare duplicate: Q&A 18.08.2026 este acelasi video cu 11.08.2026

audio_fingerprint.py - amprenta pe anvelopa de energie, fara transcriere.
md5 nu prinde duplicatele (urcari encodate separat, durate la 0.08s distanta).
Validat: 1.000 pe perechea duplicat, 0.038 pe sesiuni diferite.
check_duplicates.py - acelasi lucru pe transcrieri, cu --selftest.
Scanat tot modulul Q&A: un singur duplicat.

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

audio_fingerprint.py

@@ -0,0 +1,84 @@
+"""
+Detectează sesiuni duplicate (același videoclip urcat sub două date) direct
+din audio, fără transcriere.
+
+De ce nu md5: cele două urcări sunt encodate separat, deci bytes diferiți și
+durate care diferă cu zecimi de secundă. De ce nu whisper: ar însemna să
+transcrii tot ca să afli că n-avea rost.
+
+Amprenta = energia (RMS) pe ferestre de o secundă, normalizată. Două urcări
+ale aceleiași înregistrări au aceeași curbă de energie, chiar dacă sunt
+decalate cu o fracțiune de secundă sau encodate diferit.
+"""
+
+import subprocess
+import sys
+from itertools import combinations
+from pathlib import Path
+
+import numpy as np
+
+SR = 1000          # decodăm la 1 kHz: energia vorbirii se vede, e de 16x mai ieftin
+WIN = SR           # o fereastră = o secundă
+MAX_SHIFT = 15     # secunde de decalaj tolerate între cele două urcări
+
+
+def envelope(path: Path) -> np.ndarray:
+    raw = subprocess.run(
+        ["ffmpeg", "-v", "error", "-i", str(path), "-f", "s16le", "-ar", str(SR), "-ac", "1", "-"],
+        capture_output=True, check=True,
+    ).stdout
+    x = np.frombuffer(raw, dtype=np.int16).astype(np.float32)
+    n = len(x) // WIN
+    rms = np.sqrt((x[: n * WIN].reshape(n, WIN) ** 2).mean(axis=1))
+    return rms / (rms.std() or 1.0)
+
+
+def similarity(a: np.ndarray, b: np.ndarray) -> float:
+    """Cea mai bună corelație normalizată peste toate decalajele plauzibile."""
+    if min(len(a), len(b)) < 60:
+        return 0.0
+    best = 0.0
+    for shift in range(-MAX_SHIFT, MAX_SHIFT + 1):
+        x, y = (a[shift:], b) if shift >= 0 else (a, b[-shift:])
+        n = min(len(x), len(y))
+        if n < 60:
+            continue
+        x, y = x[:n] - x[:n].mean(), y[:n] - y[:n].mean()
+        denom = np.linalg.norm(x) * np.linalg.norm(y)
+        if denom:
+            best = max(best, float(x @ y / denom))
+    return best
+
+
+def main():
+    args = [a for a in sys.argv[1:] if not a.startswith("--")]
+    expanded = set()
+    for a in args:
+        pa = Path(a)
+        expanded |= {pa} if pa.is_file() else set(Path(pa.anchor or ".").glob(str(pa.relative_to(pa.anchor or "."))))
+    files = sorted(expanded or Path("audio").glob("*/*.mp3"))
+    if len(files) < 2:
+        print("Nimic de comparat.")
+        return 0
+
+    print(f"Amprentez {len(files)} fișiere...")
+    fps = {f: envelope(f) for f in files}
+    found = False
+    for x, y in combinations(files, 2):
+        # durate foarte diferite => sigur nu e aceeași înregistrare
+        if abs(len(fps[x]) - len(fps[y])) > MAX_SHIFT:
+            continue
+        s = similarity(fps[x], fps[y])
+        if s > 0.90:
+            found = True
+            print(f"DUPLICAT ({s:.3f}): {x.stem}  ==  {y.stem}")
+        elif s > 0.70:
+            print(f"suspect  ({s:.3f}): {x.stem}  vs  {y.stem}  — verifică manual")
+    if not found:
+        print("Niciun duplicat.")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())