Paris corpusのtrainingとtuningを録音単位で分離

[PyYoshi]

概要

• 新しい固定recipeで、録音identity SHA-256順の8録音をtuning、残り24録音をtrainingへ分離。
• 本文・予測値・変換可否・入力長で選別せず、既存validationと旧corpusを維持。
• 旧32録音学習modelの流用不可をreportへ明示。新modelは再学習が必要。
• 日本語手順と実データのmanifest/overlap hashを記録。

検証

• corpus 49件、source 42件のunittest成功、Ruff E/F、diff check成功。
• UTF-8/cp1252全64 variants成功、2回の取込と生成が全file byte一致。
• validationを含む48 source / 1128 pairで近似重複候補0（意味・話者の独立性を保証しない）。
• tuning full入力は1625〜3331 bytes。長さによる再選択なし。

新model学習・tuning予測・係数変更・独立holdout開封は未実施。P01は再開しません。

関連: PyYoshi/cChardet#123