import * as fs from 'fs'; import * as path from 'path'; import { SrtParser } from '../../src/parsers/SrtParser'; import { ChatParser } from '../../src/parsers/ChatParser'; import { VttParser } from '../../src/parsers/VttParser'; import { NoScribeHtmlParser } from '../../src/parsers/NoScribeHtmlParser'; import { srtToMarkdown, chatToMarkdown, vttToMarkdown, noScribeHtmlToMarkdown, extractWordData, fileSequentialityRate, markdownToVtt } from '../../src/parsers/TranscriptConverter'; const SRT_FIXTURE = path.join(__dirname, '../fixtures/entretien_01.srt'); const CHA_FIXTURE = path.join(__dirname, '../fixtures/entretien_02.cha'); describe('srtToMarkdown', () => { let md: string; beforeAll(() => { const content = fs.readFileSync(SRT_FIXTURE, 'utf-8'); const doc = new SrtParser().parse(content); md = srtToMarkdown(doc, 'entretien_01.srt'); }); it('produit un frontmatter avec le format et la source', () => { expect(md).toContain('pseudobs-format: srt'); expect(md).toContain('pseudobs-source: "entretien_01.srt"'); }); it('contient le texte de chaque bloc SRT', () => { expect(md).toContain('Bonjour Jean, tu peux te présenter ?'); expect(md).toContain("Saint-Jean-de-Luz"); expect(md).toContain('CHU de Montpellier'); }); it('affiche les timestamps en italique', () => { expect(md).toContain('*00:00:01,000 → 00:00:04,500*'); expect(md).toContain('*00:00:05,000 → 00:00:09,200*'); }); it('affiche les numéros de blocs en gras entre crochets', () => { expect(md).toContain('**[1]**'); expect(md).toContain('**[6]**'); }); it('ne contient pas de syntaxe SRT brute (-->) en dehors du frontmatter', () => { const body = md.split('---').slice(2).join('---'); expect(body).not.toContain('-->'); }); it('termine par un saut de ligne', () => { expect(md.endsWith('\n')).toBe(true); }); }); describe('chatToMarkdown', () => { let md: string; beforeAll(() => { const content = fs.readFileSync(CHA_FIXTURE, 'utf-8'); const doc = new ChatParser().parse(content); md = chatToMarkdown(doc, 'entretien_02.cha'); }); it('produit un frontmatter avec le format et la source', () => { expect(md).toContain('pseudobs-format: chat'); expect(md).toContain('pseudobs-source: "entretien_02.cha"'); }); it('convertit les tours de parole en **SPEAKER** : texte', () => { expect(md).toContain('**INV** : bonjour Marie, tu peux te présenter ?'); expect(md).toContain('**PAR** : je m\'appelle Marie Dupont'); }); it('convertit les lignes @ en blockquote', () => { expect(md).toContain('> @Begin'); expect(md).toContain('> @Languages: fra'); expect(md).toContain('> @End'); }); it('convertit les lignes % en blockquote', () => { expect(md).toContain('> %com: PAR marque une hésitation'); }); it('contient le cas Nancy ville/prenom dans un tour PAR', () => { expect(md).toContain('**PAR** : oui (0.5) à Nancy'); expect(md).toContain('la ville'); expect(md).toContain('le prénom'); }); it('ne contient pas de syntaxe CHA brute (*SPEAKER:) en dehors du frontmatter', () => { const body = md.split('---').slice(2).join('---'); expect(body).not.toMatch(/^\*[A-Z]+:/m); }); it('termine par un saut de ligne', () => { expect(md.endsWith('\n')).toBe(true); }); }); // ---- vttToMarkdown / noScribeHtmlToMarkdown -------------------------------- const VTT_FIXTURE = `WEBVTT 1 00:00:01.240 --> 00:00:05.800 Bonjour, je m'appelle Marie. 2 00:00:06.100 --> 00:00:09.300 Si je me présente ? 3 00:00:09.800 --> 00:00:11.200 (..) `; const NOSCRIBE_HTML_FIXTURE = `

Expérimentateur [00:00:02]: Bonjour, je m'appelle Marie.

`; describe('vttToMarkdown — format noScribe', () => { let md: string; beforeAll(() => { md = vttToMarkdown(new VttParser().parse(VTT_FIXTURE), 'entretien.vtt'); }); it('frontmatter pseudobs-format: vtt', () => { expect(md).toContain('pseudobs-format: vtt'); }); it('locuteur en gras suivi du timestamp [HH:MM:SS]', () => { expect(md).toContain('**Expérimentateur** [00:00:01]'); expect(md).toContain('**SC01** [00:00:06]'); }); it('texte précédé de " : " quand il y a un locuteur', () => { expect(md).toContain('**Expérimentateur** [00:00:01] : Bonjour'); }); it('cue sans locuteur : timestamp seul', () => { expect(md).toContain('[00:00:09] (..)'); expect(md).not.toMatch(/\*\*\*\* \[/); }); it('aucun commentaire HTML dans le corps', () => { const body = md.split('---').slice(2).join('---'); expect(body).not.toContain(' 00:00:05.800 <00:00:01.240> Bonjour,<00:00:02.100> Marie. 2 00:00:06.100 --> 00:00:09.300 Si je me présente ? `; it('inclut toutes les cues (avec et sans word timestamps)', () => { const doc = new VttParser().parse(VTT_WITH_WORDS); const data = extractWordData(doc); expect(data).toHaveLength(2); // toutes les cues, index stable expect(data[0].index).toBe(0); expect(data[0].speaker).toBe('Expérimentateur'); expect(data[0].startTime).toBe('00:00:01.240'); expect(data[0].endTime).toBe('00:00:05.800'); expect(data[1].index).toBe(1); expect(data[1].speaker).toBe('SC01'); }); it('calcule wordTimestampRate correctement', () => { const doc = new VttParser().parse(VTT_WITH_WORDS); const data = extractWordData(doc); // Cue 0 : 2 mots avec timestamps Whisper → rate = 1.0 expect(data[0].wordTimestampRate).toBe(1); // Cue 1 : aucun word timestamp → rate = 0 expect(data[1].wordTimestampRate).toBe(0); }); it('fileSequentialityRate agrège correctement', () => { const doc = new VttParser().parse(VTT_WITH_WORDS); const data = extractWordData(doc); // Cue 0 : 2 mots timés, cue 1 : 1 mot non timé → 2/3 expect(fileSequentialityRate(data)).toBeCloseTo(2 / 3); }); it('produit un JSON sérialisable', () => { const doc = new VttParser().parse(VTT_WITH_WORDS); const data = extractWordData(doc); expect(() => JSON.stringify(data)).not.toThrow(); }); }); // ---- markdownToVtt ---------------------------------------------------------- describe('markdownToVtt — re-export VTT', () => { const WORDS_DATA = [ { index: 0, startTime: '00:01:28.080', endTime: '00:01:33.536', speaker: 'S00', words: [{ text: 'original', time: '00:01:28.080' }], wordTimestampRate: 1 }, { index: 1, startTime: '00:01:32.672', endTime: '00:01:34.816', speaker: 'S01', words: [{ text: 'original', time: '00:01:32.672' }], wordTimestampRate: 1 }, { index: 2, startTime: '00:01:34.816', endTime: '00:01:45.920', speaker: 'S00', words: [{ text: 'original', time: '00:01:34.816' }], wordTimestampRate: 1 }, ]; const MD_PSEUDONYMIZED = `--- pseudobs-format: html pseudobs-source: "juste-leblanc.html" --- **S00** [00:01:28] : Je vais le faire moi-même. Il s'appelle Pierre Martin. **S01** [00:01:32] : Ah bon, il n'a pas de prénom ? **S00** [00:01:34] : Je viens de vous le dire, Pierre Martin. `; it('produit un WebVTT valide', () => { const { vtt } = markdownToVtt(MD_PSEUDONYMIZED, WORDS_DATA); expect(vtt).toMatch(/^WEBVTT/); expect(vtt).toContain('00:01:28.080 --> 00:01:33.536'); expect(vtt).toContain('00:01:32.672 --> 00:01:34.816'); }); it('intègre le texte pseudonymisé', () => { const { vtt } = markdownToVtt(MD_PSEUDONYMIZED, WORDS_DATA); expect(vtt).toContain('Pierre Martin'); expect(vtt).not.toContain('Juste Leblanc'); }); it('préserve les locuteurs', () => { const { vtt } = markdownToVtt(MD_PSEUDONYMIZED, WORDS_DATA); expect(vtt).toContain(''); expect(vtt).toContain(''); }); it('utilise les timestamps du words.json, pas du Markdown', () => { const { vtt } = markdownToVtt(MD_PSEUDONYMIZED, WORDS_DATA); // Les ms précises viennent du words.json expect(vtt).toContain('00:01:28.080'); expect(vtt).toContain('00:01:33.536'); }); it('signale une incohérence si le nombre de cues diffère', () => { const { mismatch } = markdownToVtt(MD_PSEUDONYMIZED, WORDS_DATA.slice(0, 2)); expect(mismatch).toBe(true); }); it('pas de mismatch si les comptes sont égaux', () => { const { mismatch } = markdownToVtt(MD_PSEUDONYMIZED, WORDS_DATA); expect(mismatch).toBe(false); }); });