lyrics --all-languages flag to opt out of the ru filter

sort_ym/cli.py

@@ -71,16 +71,19 @@ def cmd_lyrics(args: argparse.Namespace) -> None:
     if not tracks_cache:
         raise SystemExit("Кэш треков пуст. Сначала запустите: python -m sort_ym fetch")
 
-    # Тот же вызов, что в cmd_report: инкрементальный, на заполненном кэше почти no-op,
-    # но без него RU-гейт опирался бы только на алфавитную эвристику.
-    ids_needing_lang = [str(t["id"]) for t in tracks_cache.values() if t["lyrics_available"]]
-    lang_cache = language.fetch_api_languages(client, ids_needing_lang, cfg.cache_dir, cfg.lyrics_request_delay)
+    lang_cache: dict[str, str | None] = {}
+    if not args.all_languages:
+        # Тот же вызов, что в cmd_report: инкрементальный, на заполненном кэше почти no-op,
+        # но без него RU-гейт опирался бы только на алфавитную эвристику.
+        ids_needing_lang = [str(t["id"]) for t in tracks_cache.values() if t["lyrics_available"]]
+        lang_cache = language.fetch_api_languages(client, ids_needing_lang, cfg.cache_dir, cfg.lyrics_request_delay)
 
-    ids = lyrics.ru_lyric_track_ids(tracks_cache, lang_cache)
+    ids = lyrics.ru_lyric_track_ids(tracks_cache, lang_cache, all_languages=args.all_languages)
     if args.limit is not None:
         ids = ids[: args.limit]
 
-    print(f"RU-треков с текстом: {len(ids)}")
+    label = "треков" if args.all_languages else "RU-треков"
+    print(f"{label} с текстом: {len(ids)}")
     lyrics.fetch_lyrics_text(client, ids, cfg.cache_dir, cfg.lyrics_request_delay)
 
 
@@ -263,6 +266,11 @@ def main(argv: list[str] | None = None) -> None:
 
     p_lyrics = sub.add_parser("lyrics", help="загрузить тексты песен RU-треков в cache/lyrics_text.json")
     p_lyrics.add_argument("--limit", type=int, default=None, help="ограничить количество треков (для пробного запуска)")
+    p_lyrics.add_argument(
+        "--all-languages",
+        action="store_true",
+        help="не фильтровать по языку - загрузить тексты всех треков с лирикой, а не только RU",
+    )
 
     p_analyze = sub.add_parser(
         "analyze",

sort_ym/lyrics.py

@@ -13,13 +13,19 @@ from .ymclient import with_retries
 LYRICS_TEXT_CACHE_FILE = "lyrics_text.json"
 
 
-def ru_lyric_track_ids(tracks_cache: dict[str, dict], lang_cache: dict[str, str | None]) -> list[str]:
-    """Числовые id RU-треков, у которых вообще есть текст.
+def ru_lyric_track_ids(
+    tracks_cache: dict[str, dict],
+    lang_cache: dict[str, str | None],
+    all_languages: bool = False,
+) -> list[str]:
+    """Числовые id треков, у которых вообще есть текст.
 
-    Гейт двойной: lyrics_available (иначе track_supplement заведомо вернёт запись без lyrics)
-    и RU - анализ INT-лирики вне скоупа фичи. Дедупликация нужна потому, что один и тот же
-    трек может быть лайкнут с разных альбомов: ключи tracks_cache при этом разные, а числовой
-    id (и, соответственно, ключ кэша текстов) - один.
+    По умолчанию - только RU: на незнакомом языке текст песни несёт для языковой модели меньше
+    сигнала, чем разбор трека, который слушатель понимает дословно. all_languages=True снимает
+    языковой фильтр, оставляя только lyrics_available (иначе track_supplement заведомо вернёт
+    запись без lyrics). Дедупликация нужна потому, что один и тот же трек может быть лайкнут с
+    разных альбомов: ключи tracks_cache при этом разные, а числовой id (и, соответственно, ключ
+    кэша текстов) - один.
     """
     ids: list[str] = []
     seen: set[str] = set()
@@ -29,10 +35,12 @@ def ru_lyric_track_ids(tracks_cache: dict[str, dict], lang_cache: dict[str, str
         tid = str(t["id"])
         if tid in seen:
             continue
-        lang = language.detect_language(t["title"], t["artists"], t["genre_raw"], lang_cache.get(tid))
-        if lang == "RU":
-            seen.add(tid)
-            ids.append(tid)
+        if not all_languages:
+            lang = language.detect_language(t["title"], t["artists"], t["genre_raw"], lang_cache.get(tid))
+            if lang != "RU":
+                continue
+        seen.add(tid)
+        ids.append(tid)
     return ids
 
 

tests/test_cli.py

@@ -20,11 +20,22 @@ def test_apply_without_yes_fails_regardless_of_source():
 
 def test_lyrics_command_is_wired(monkeypatch):
     called = {}
-    monkeypatch.setattr(cli, "cmd_lyrics", lambda args: called.update(limit=args.limit))
+    monkeypatch.setattr(
+        cli, "cmd_lyrics", lambda args: called.update(limit=args.limit, all_languages=args.all_languages)
+    )
 
     cli.main(["lyrics", "--limit", "5"])
 
-    assert called == {"limit": 5}
+    assert called == {"limit": 5, "all_languages": False}
+
+
+def test_lyrics_command_all_languages_flag(monkeypatch):
+    called = {}
+    monkeypatch.setattr(cli, "cmd_lyrics", lambda args: called.update(all_languages=args.all_languages))
+
+    cli.main(["lyrics", "--all-languages"])
+
+    assert called == {"all_languages": True}
 
 
 def test_analyze_command_is_wired(monkeypatch):

tests/test_lyrics.py

@@ -55,6 +55,23 @@ def test_ru_lyric_track_ids_deduplicates_same_numeric_id():
     assert lyrics.ru_lyric_track_ids(tracks_cache, lang_cache={}) == ["100"]
 
 
+def test_ru_lyric_track_ids_all_languages_includes_int():
+    tracks_cache = {
+        "100:10": track(100, title="Тоска", artists=["Гражданская Оборона"]),
+        "200:10": track(200, title="Come as You Are", artists=["Nirvana"]),
+    }
+
+    ids = lyrics.ru_lyric_track_ids(tracks_cache, lang_cache={}, all_languages=True)
+
+    assert ids == ["100", "200"]
+
+
+def test_ru_lyric_track_ids_all_languages_still_gates_on_lyrics_available():
+    tracks_cache = {"100:10": track(100, lyrics_available=False)}
+
+    assert lyrics.ru_lyric_track_ids(tracks_cache, lang_cache={}, all_languages=True) == []
+
+
 class FakeLyrics:
     def __init__(self, full_lyrics):
         self.full_lyrics = full_lyrics