feat: use ASR segments for CJK NLP splitting

[sld272]

概要

新增 ASR segment 级文本作为 NLP 分句的优先输入，同时保留 word/char 级时间戳数据用于最终字幕时间轴对齐。并修复 spaCy 语言选择逻辑，为旧任务加入 fallback。

背景

对于日语/中文，WhisperX alignment 的 words 可能是字符级。旧流程会把这些字符级行直接拼成一整条超长字符串送进 spaCy，带来两个问题：

• 日语 Sudachi tokenizer 有单次输入字节限制，长文本会直接报错。
• NLP/LLM 分句拿到的是巨大字符流，而不是自然的 ASR segment 文本，分句质量差且容易触发 LLM 重试。

但最终时间戳对齐仍然需要字符级时间戳。因此本次修改把两个职责拆开：

• NLP/LLM 使用 segment 文本。
• 最终时间戳生成继续使用 word/character 级表。

修改

• 新增 _2_ASR_SEGMENTS = "output/log/asr_segments.xlsx"。
• 新增 save_segments() 保存 ASR segment 级文本。
• ASR 流程中调用 save_segments()。
• 本地 WhisperX 同步写入 whisper.language 和 whisper.detected_language。
• 修复 spaCy 语言选择逻辑：只要用户手动指定 whisper.language，就优先使用；只有 auto 才使用 detected_language。
• 修改 split_by_mark.py：
  • 优先读取 asr_segments.xlsx。
  • 如果没有该文件，则从旧的 cleaned_chunks.xlsx 重建文本。
  • 按 UTF-8 字节数切分长输入，避免超过 Sudachi tokenizer 限制。

验证

• 已通过 py_compile 检查。
• 已验证当前已有的字符级日语输出可以通过 fallback 生成 split_by_nlp.txt。
• 当前样本 fallback 结果为 484 行，最长行 342 字符。