标日中级上 → Anki 牌组生成 PLAN

状态：全部 Phase 已完成 ✅ ｜ 牌组已生成可交付 生成时间：2026-09-07 ｜ 更新：2026-09-07（P2 补例句完成 + P3 例句词级注音完成 + P4 例句音频完成 + P5 生成 apkg 完成 + 词级注音对齐 github + v2 例句扩至每卡 3 句（4858 句）并重合成音频、重打包） 配套文档：01_RULE.md（生成规范，字段/注音/音频/反馈的具体规则）

0. 一句话结论

可行性已打通（已实测从 PDF 直接解析出 1612 词，圆数分层准确）。方案 = 对齐 github 卡片格式 + 补齐缺失字段（释义/例句/翻译）+ 例句振假名词级注音 + TTS 音频 + 快速反馈 ID。6 个 Phase 已全部完成。

当前进度速览：

• ✅ P1（PDF→JSON，1612 条）已完成
• ✅ P1.5（卡片版式重构：例句拆成独立 4 组字段 + 正面无假名 + 背面逐句展开）已完成
• ✅ P2（AI 补 1168 词缺例句 + 例句中文翻译）已完成
• ✅ P2.5（v2：例句扩至每卡 ≥3 句 —— 1590 卡 3 句 + 22 卡 4 句 = 4858 句，全部带翻译）已完成
• ✅ P3（例句振假名注音，C 模式词级 出会[であ] + 目标词高亮）已完成
• ✅ P4（音频合成：单词 1612 段 + 例句 4858 段 = 6470 段）已完成
• ✅ P5（生成 .apkg 159.9MB + 音频引用审计 6470/6470 无缺失）已完成
• ✅ P6 README + 交付（本步）已完成

1. 可行性验证结果（已完成，非空谈）

发现的风险与对策：

2. 数据源与溯源（PDF 直接，不靠 md）

• 源：三圆词汇表.pdf（每课 1 个，8 页，按圆数分 3 段）
• 提取：pypdf 文本直抽（核心字段无乱码）
• 圆数：页眉 【第N课 ⭕⭕⭕】/⭕⭕/⭕ = 三圆/二圆/一圆（= A3/A2/A1）
• 16 课实测词数：

合计 1612 词（A3=565 / A2=820 / A1=227）

3. 卡片格式对齐 github（5mdld/anki-jlpt-decks）

⚠️ 三次核对结论（README → 模板源码 → 实拍截图，逐级加深）：

1. README 只是使用说明书，不公开数据格式；
2. 2026-09-07 已用 GitHub API 下载 deck-source/templates/ 全部 4 个卡片模板 HTML + CSS（存于本地 reference/），逐行读过，字段名/结构 100% 来自源码而非猜测；
3. 用户直接甩了实拍截图（正面+背面）核对视觉，发现关键差异：正面完全不显示假名（只显示汉字见出し语 + 例句原文，无翻译无音频）；背面例句是逐句独立展开（每句自己的假名/目标词高亮/翻译/播放按钮），而不是我们最初「所有例句合并成一段文字」的做法。已按此重构数据结构，见 §3.3。

3.1 README 明确写到的格式要点（已核对，据此修正）

3.2 卡片模板源码核对结论（读 deck-source/templates/*.html 后，2026-09-07）

3.3 字段映射（含 2026-09-07 例句字段拆分重构）

github 源文件是 notes.csv（Tab 分隔、无表头），核心字段与我们数据的映射：

卡片模板（2 张，对齐 github 双模板）：

• 卡1「日→中」（默认开）：正面 = Word + 例句原文列表（无假名无翻译无音频）；背面 = 假名+音调+词性+释义+逐句例句(假名/高亮/翻译/音频)+关联词+CardId
• 卡2「中→日」（默认关）：正面 = Def；背面 = Word + Kana + …（暂未实现，P5 补）

词性体系：保留标日教材的 动1/动2/动3/形2/…。已核对：github 的 [他動1] 里 1=五段 正是标日的 动1，2=一段=动2，3=カ変・サ変=动3——两套只是叫法不同，概念完全一致，无需转换。

4. 缺失字段补齐方案（区分 PDF 溯源 / AI 补 / 规则生成 / TTS）

用户要求：三圆词汇表里所有词，只要缺释义/例句/翻译等、与 github 格式不一致的，全部补齐。

📌 P1 实测修正认知：三圆词汇表结构 = A3（词+假名+声调+词性+释义+拓展+例句，最全）／A2、A1（词+假名+声调+词性+释义，无例句）。所以「补例句」是大头（1168 词），而非之前以为的「补 A1 释义」。

来源标记铁律：数据层每个字段记录 src ∈ {pdf, ai, rule, tts}。PDF 抽出的标 pdf（可溯源），AI 补的标 ai，注音标 rule，音频标 tts。卡片本身保持干净不堆标记，溯源信息放在「索引文件 + 数据层 JSON」，你随时能查「这张卡的释义是 PDF 原文还是 AI 补的」。

5. 快速反馈 ID 机制（核心）

5.1 ID 设计

• 格式：L{课号2位}-{圆数}-{序号3位}
• 例：L01-A3-012（第 1 课三圆第 12 词）、L16-A1-030（第 16 课一圆第 30 词）
• 特点：稳定（基于 课号+圆数+PDF 内出现顺序，不随重生成变化）、可读、唯一

5.2 三层数据架构（ID 稳定性的根基）

flowchart LR
    A["PDF 源文件<br/>(权威·不可编辑·溯源)"] -->|"pypdf 提取"| B["词汇数据.json<br/>(主数据·可编辑<br/>含 CardId+全字段+src标记+页码)"] -->|"genanki 生成"| C["标日中级上_词汇.apkg<br/>(产物·可重生成)"]
    U["你发 ID+问题"] -->|"定位"| B
    B -->|"改完重新生成"| C

• PDF：溯源根基，不动
• 词汇数据.json：主数据，ID 是主键，所有字段含 src 标记 + 溯源坐标（PDF文件名+页码）
• .apkg：由 JSON 生成，可无限重生成

5.3 反馈流程

1. 卡片背面底部显示 📋 L01-A3-012，你直接复制
2. 发消息：L01-A3-012 释义应该是「上，登」不是「上，升」
3. 我读 JSON 定位 → 改该条 → 重新生成 .apkg → 你重新导入（同 ID，Anki 自动更新该卡）
4. 同时维护 卡片索引.tsv（ID / 课 / 圆 / 词 / 假名 / 释义 / 例句 / 翻译 / src / 页码），我 grep 秒定位

5.4 反馈约定（写入 README）

• 反馈格式：<ID> <问题类型> <具体内容>，问题类型 ∈ {释义, 例句, 翻译, 词性, 声调, 关联词, 注音, 音频, 其他}
• 例：L03-A2-005 释义 应该是「商量」不是「会议」

6. 交付物清单

放 标日中级上/Anki牌组/：

7. 执行步骤（分阶段，不一次性做完）

你说「不用一次性生成，工作量小一点」，所以拆成 6 个 Phase，每阶段独立交付、可中途 review。

• P1 已完成：脚本已解析 1612 词，CardId/src/page 已落地 JSON。
• P1.5 版式重构：因用户实拍截图核对发现例句应逐句独立展示（非合并成一段），已重构数据结构 + 模板，本次任务重点。
• P2 是接下来最大的一块重活（决定卡片"例句丰富度"），做完后 P3/P4 才能产出完整效果。
• 每完成一个 Phase 停下来给你看产出，确认后再进下一个。

8. 最终决定（已拍板）

9. 音频方案（单词 + 例句，TTS 合成）

github 是「单词真人录音 + 例句 VOICEPEAK 合成」。我们没有真人录音，全部走 TTS 合成。

引擎（已定 ✅）：Azure TTS（github 同款音色体系）。endpoint=eastasia.tts.speech.microsoft.com，格式 audio-24khz-48kbitrate-mono-mp3。

10. 例句振假名注音规则

对齐 github：例句全注音（词级）。github 数据实拍显示例句里每个汉字词都注音（妹[いもうと]は高校[こうこう]に通[かよ]っています），注音粒度是词级（出会[であ]，而非逐字 出[で]会[あ]）。

11. 音频——Azure Key 已提供并验证 ✅

状态：已完成，本节仅留存记录。 用户已提供 Azure Speech 服务 Key + Region（eastasia），已写入 config.local.json（不进 git）。已实测 HTTP 200 合成成功，单词音频 1612 段已全部生成完毕。例句音频待 P2 补完例句内容后，按新的按句拆分字段重新合成（_ex1~4.mp3）。

<details> <summary>历史记录：Key 获取方式（已完成，折叠保留）</summary>

怎么获取（约 5 分钟）：

1. 登录 Azure Portal（无账号先注册；免费层也需绑卡验证一次，不会扣费）
2. 顶部搜索「语音服务」（Speech service），点「创建」
3. 定价层选 F0（免费），区域选 japaneast 或 eastasia，创建
4. 进资源页 →「密钥和终结点」→ 复制 Key 1 和 区域（Location）

</details>