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

PROGRESS.md

@@ -70,6 +70,30 @@ Zilnică (147). Decizii luate cu el:
 generic câștigă clar și nu e nici mai lent (moltbot small-ro: 2.26x
 realtime; local medium: 1.78x).
 
+### Duplicate în curs — verifică ÎNTOTDEAUNA înainte de sumarizare
+Cursul publică aceeași înregistrare sub două date. Găsit: **Q&A 18.08.2026
+este identic cu 11.08.2026** (lecțiile 2 și 3). Sumarizat o singură dată,
+sub 11.08.2026, cu notă în fișier și în `INDEX_TEMATIC.md`.
+
+Două unelte, ambele în rădăcina repo-ului:
+- `audio_fingerprint.py` — rulează pe mp3-uri **înainte** de transcriere.
+  Amprentă = RMS pe ferestre de o secundă, corelat peste decalaje de ±15s.
+  `md5` NU prinde duplicatele: cele două urcări sunt encodate separat, deci
+  bytes diferiți și durate care diferă cu ~0.08s. Validat pe perechea
+  cunoscută: **1.000** pentru duplicat, **0.038** pentru sesiuni diferite.
+  Prag: >0.90 = duplicat, 0.70-0.90 = verifică manual.
+  `\.venv/bin/python audio_fingerprint.py "audio/09_Q_and_A/*.mp3"`
+- `check_duplicates.py` — pe transcrieri, pentru ce e deja transcris
+  (`transcribe.py` șterge audio-ul după succes). Are `--selftest`.
+
+Rulate pe toate cele 28 de sesiuni Q&A: **un singur duplicat**, cel de mai
+sus. Atenție la durate apropiate care NU sunt duplicate — 13_28102025 și
+16_07102025 diferă cu 0.288s dar sunt sesiuni complet diferite; verificat
+prin transcrierea unor felii de 200s din mijloc.
+
+**Rulează amândouă pe Analiza Zilnică (147 lecții) înainte de transcriere** —
+acolo un duplicat costă ore, nu minute.
+
 ### Ce urmează după Q&A
 1. Cele 5-6 lecții 1:1 (module 11, 17, 18, 20, 21, 22 — câte 1 lecție).
    Formatul se decide **după** transcriere — nu știm dacă e mentorat

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())

check_duplicates.py

@@ -0,0 +1,62 @@
+"""
+Găsește sesiuni Q&A duplicate (același videoclip urcat sub două date).
+Compară transcrierile la nivel de cuvinte normalizate (fără diacritice, fără
+punctuație), pentru că whisper produce text ușor diferit la două rulări pe
+aceeași sursă — un md5 pe audio nu le prinde.
+
+Prag: >60% cuvinte potrivite ȘI un bloc comun de >=40 de cuvinte consecutive.
+Blocul lung e cel care contează: două sesiuni diferite pe aceleași subiecte
+împart multe cuvinte, dar niciodată 40 la rând.
+"""
+import difflib
+import re
+import sys
+import unicodedata
+from itertools import combinations
+from pathlib import Path
+
+
+def words(path: Path) -> list[str]:
+    t = unicodedata.normalize("NFKD", path.read_text(encoding="utf-8").lower())
+    return re.findall(r"[a-z]+", t.encode("ascii", "ignore").decode())
+
+
+def is_duplicate(a: list[str], b: list[str]) -> tuple[bool, float, int]:
+    if not a or not b or min(len(a), len(b)) / max(len(a), len(b)) < 0.7:
+        return False, 0.0, 0  # lungimi prea diferite ca să fie același video
+    blocks = difflib.SequenceMatcher(None, a, b, autojunk=False).get_matching_blocks()
+    pct = 200 * sum(bl.size for bl in blocks) / (len(a) + len(b))
+    longest = max(bl.size for bl in blocks)
+    return pct > 60 and longest >= 40, pct, longest
+
+
+def selftest():
+    base = "cand pretul ajunge in suport major si apare un buy doji intri cu toata pozitia".split() * 12
+    same = base[:-3] + "intri cu jumatate".split()          # mici diferente de transcriere
+    other = "volumul arata cine domina piata in fiecare moment al zilei".split() * 12
+    assert is_duplicate(base, same)[0], "acelasi video nu a fost detectat"
+    assert not is_duplicate(base, other)[0], "sesiuni diferite marcate ca duplicat"
+    assert not is_duplicate(base, [])[0], "transcriere goala (inca se scrie) trebuie ignorata"
+    assert not is_duplicate(base, base[:20])[0], "lungimi foarte diferite trebuie ignorate"
+    print("selftest ok")
+
+
+def main():
+    if "--selftest" in sys.argv:
+        selftest()
+        return 0
+    d = Path(sys.argv[1] if len(sys.argv) > 1 else "transcripts/09_Q_and_A")
+    docs = {p.stem: words(p) for p in sorted(d.glob("*.txt"))}
+    found = []
+    for x, y in combinations(docs, 2):
+        dup, pct, longest = is_duplicate(docs[x], docs[y])
+        if dup:
+            found.append((x, y))
+            print(f"DUPLICAT: {x} == {y}  ({pct:.1f}% potrivite, bloc comun {longest} cuvinte)")
+    if not found:
+        print(f"Niciun duplicat între cele {len(docs)} transcrieri.")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())

summaries/09_QA/03_2026-08-11.html

@@ -18,6 +18,12 @@
 </head>
 <body>
 <h1 id="qa-11082026-stop-loss-ul-de-4-candele-matematica-optiunilor-buy-doji-weekly">Q&amp;A 11.08.2026 — stop-loss-ul de 4 candele, matematica opțiunilor, Buy Doji weekly</h1>
+<blockquote>
+<p><strong>Aceeași înregistrare e publicată în curs și sub data 18.08.2026</strong>
+(lecțiile 2 și 3 din modulul Q&amp;A). Verificat: durata identică, transcrieri
+86.5% identice cuvânt cu cuvânt, amprentă audio 1.000. Nu e o sesiune
+pierdută — e un duplicat al platformei.</p>
+</blockquote>
 <p>Sesiune scurtă (~46 min), cu puține întrebări din sală — Bogdan a umplut
 timpul cu analize live pe ONON, APTV și Tesla. Conținutul cel mai util nu
 vine din întrebări, ci din regulile pe care le-a formulat în treacăt.</p>

summaries/09_QA/03_2026-08-11.md

@@ -1,5 +1,10 @@
 # Q&A 11.08.2026 — stop-loss-ul de 4 candele, matematica opțiunilor, Buy Doji weekly
 
+> **Aceeași înregistrare e publicată în curs și sub data 18.08.2026**
+> (lecțiile 2 și 3 din modulul Q&A). Verificat: durata identică, transcrieri
+> 86.5% identice cuvânt cu cuvânt, amprentă audio 1.000. Nu e o sesiune
+> pierdută — e un duplicat al platformei.
+
 Sesiune scurtă (~46 min), cu puține întrebări din sală — Bogdan a umplut
 timpul cu analize live pe ONON, APTV și Tesla. Conținutul cel mai util nu
 vine din întrebări, ci din regulile pe care le-a formulat în treacăt.

summaries/09_QA/INDEX_TEMATIC.html

@@ -22,6 +22,8 @@
 caută după ce vrei să afli, nu după când s-a discutat.</p>
 <p><em>Acoperire: 3 din 28 sesiuni (25.08, 11.08, 04.08.2026). Se completează pe
 măsură ce sesiunile sunt procesate.</em></p>
+<p><em>Duplicate găsite în curs: </em><em>18.08.2026 = 11.08.2026</em><em> (aceeași înregistrare,
+publicată sub două date). Sumarizată o singură dată, sub 11.08.2026.</em></p>
 <h2 id="setup-uri-si-triggere">Setup-uri și triggere</h2>
 <ul>
 <li><strong>MP² — care pivot trece sub care, la long și la short</strong> —

summaries/09_QA/INDEX_TEMATIC.md

@@ -6,6 +6,9 @@ caută după ce vrei să afli, nu după când s-a discutat.
 *Acoperire: 3 din 28 sesiuni (25.08, 11.08, 04.08.2026). Se completează pe
 măsură ce sesiunile sunt procesate.*
 
+*Duplicate găsite în curs: **18.08.2026 = 11.08.2026** (aceeași înregistrare,
+publicată sub două date). Sumarizată o singură dată, sub 11.08.2026.*
+
 ## Setup-uri și triggere
 
 - **MP² — care pivot trece sub care, la long și la short** —