Trails In The Sky Script Aligner

项目概述

将**空之轨迹 1st / 2nd（Remake）的台词与对应的空之轨迹 FC / SC 进化版（EVO）**的台词自动对齐，生成一一对应的 CSV 匹配表，方便后续人工校对、音频绑定等用途。

最近为了更好地应用大模型能力，对原来的 sora-scena-matcher 进行了重构。脚本已支持 1st 与 2nd，设计上也可迁移到 3rd，甚至零/碧轨脚本比对场景。

核心流程：从 Remake 反编译结果中提取台词 → 从 EVO 文本中提取台词 → 多阶段匹配输出 CSV。

Overview

Automatically align dialogue lines between Trails in the Sky the 1st / 2nd (Remake) and their corresponding FC / SC Evolution (EVO) counterparts, producing a one-to-one CSV match table for downstream manual review and voice binding.

This is a refactor of sora-scena-matcher, rebuilt to better leverage LLM capabilities. The 1st and 2nd are supported; the same architecture is portable to 3rd and potentially Zero/Ao.

Core pipeline: extract lines from Remake decompilation output → extract lines from EVO text → multi-stage alignment → CSV.

---

前置条件

开始前，你需要准备好以下内容：

你需要的东西	说明
空之轨迹 1st 游戏文件（Steam/GOG）	需要 script.pac 用于提取 Remake 台词
空之轨迹 FC Evolution 游戏文件 或 SoraVoiceScripts 补丁	需要 EVO 文本和语音数据
Python 3.13+	uv 会自动管理，无需手动安装
OpenAI 兼容 API Key	用于 LLM 辅助匹配。推荐 DeepSeek（注册即送免费额度），也可用 OpenAI 官方或其它兼容网关
KuroTools 或 Ingert（二选一）	用于反编译 scena 脚本。见下方工具获取说明
（可选）WhisperX	如需处理脚本外语音转录

工具获取

• KuroTools：git clone https://github.com/nnguyen259/KuroTools.git 到项目目录下
• Ingert：从 https://github.com/Aureole-Suite/Ingert 下载预编译 ingert.exe 或自行编译
• kuro_dlc_tool（解包 script.pac）：https://github.com/eArmada8/kuro_dlc_tool

Prerequisites

What you need	Notes
Trails in the Sky the 1st game files (Steam/GOG)	script.pac is needed for Remake text extraction
Trails in the Sky FC Evolution game files, or the SoraVoiceScripts patch	EVO text and voice data required
Python 3.13+	Managed automatically by uv
OpenAI-compatible API key	Required for LLM-assisted matching. DeepSeek is recommended (free credits on signup). Official OpenAI or other compatible providers also work
KuroTools or Ingert (pick one)	For scena script decompilation. See acquisition links below
(Optional) WhisperX	Only needed for out-of-script voice transcription

Tool Acquisition

• KuroTools: git clone https://github.com/nnguyen259/KuroTools.git into the project directory
• Ingert: download prebuilt ingert.exe from https://github.com/Aureole-Suite/Ingert, or build from source
• kuro_dlc_tool (unpack script.pac): https://github.com/eArmada8/kuro_dlc_tool

---

快速开始

项目提供两个 PowerShell 脚本，把“解包 PAC”和“跑匹配”各自压缩成一条命令。所有路径均通过参数传入，无硬编码。

准备工具（一次性）

一键脚本需要两个外部反编译工具，先克隆到本地任意目录（记住路径）：

# 1) 解包 PAC 工具
git clone https://github.com/eArmada8/kuro_dlc_tool.git
# 2) 反编译 .dat 工具（依赖 zstandard，脚本会自动安装）
git clone https://github.com/nnguyen259/KuroTools.git

第一步：PAC → scena_data_*.json

.\decompile_pac.ps1 `
  -PacFile "D:\game\script.pac" `
  -Language jp `
  -ExtractPacScript "C:\tools\kuro_dlc_tool\sky_extract_pac.py" `
  -Dat2PyScript "C:\tools\KuroTools\dat2py.py" `
  -OutputDir ".\data"

产出：scena_data_jp.json / scena_data_jp_Command.json / scena_data_jp_add_struct.json。 中文翻译把 -Language 改成 sc 再跑一次（用中文版游戏的 script.pac）。

第二步：跑匹配（自动下载 EVO 侧数据）

.\run_match.ps1 -Game fc -Fresh    # fc / sc / 3rd

脚本会自动从 GitHub Release 下载 script_data_*.json、additional_voice_*.json 和 speaker_map_*.json（说话人映射，可选），然后调用 main.py。最终产出 match_result_fc.csv（或 _sc / _3rd）。

⚠️ 运行前请先配置好 .env（API key）；LLM 缓存为跨作品共享，切换作品时请加 -Fresh。

Quick Start

Two PowerShell scripts compress "unpack PAC" and "run matching" into single commands. All paths are passed as parameters — no hardcoded absolute paths.

Prepare tools (once):

git clone https://github.com/eArmada8/kuro_dlc_tool.git   # PAC unpacker
git clone https://github.com/nnguyen259/KuroTools.git      # .dat decompiler

Step 1 — PAC to scena_data_*.json:

.\decompile_pac.ps1 -PacFile "D:\game\script.pac" -Language jp `
  -ExtractPacScript "C:\tools\kuro_dlc_tool\sky_extract_pac.py" `
  -Dat2PyScript "C:\tools\KuroTools\dat2py.py" -OutputDir ".\data"

Produces scena_data_jp.json / scena_data_jp_Command.json / scena_data_jp_add_struct.json. For the Chinese translation, rerun with -Language sc using the Chinese game's script.pac.

Step 2 — run matching (auto-downloads EVO-side data):

.\run_match.ps1 -Game fc -Fresh    # fc / sc / 3rd

The script downloads script_data_*.json, additional_voice_*.json, and speaker_map_*.json (speaker mapping, optional) from the GitHub Release, then invokes main.py, producing match_result_fc.csv (or _sc / _3rd).

⚠️ Configure .env (API key) first. LLM caches are shared across games — pass -Fresh when switching games.

---

环境与配置

Python 环境

项目使用 uv 管理依赖。Python 版本要求 >=3.13，uv sync 会自动创建虚拟环境并安装所有依赖。

Python Environment

This project uses uv. Python >=3.13 is required. uv sync handles everything automatically.

.env 配置

OPENAI_API_KEY=sk-xxxxx
OPENAI_BASE_URL=https://api.deepseek.com

• OPENAI_BASE_URL：任何兼容 OpenAI API 的地址均可（官方、DeepSeek 或其它第三方网关）。
• 默认模型名写在 llm.py 中（当前为 deepseek-v4-flash），如需更换模型请修改该文件。

.env Configuration

• OPENAI_BASE_URL: any OpenAI-compatible endpoint works.
• The default model is configured in llm.py (currently deepseek-v4-flash). Edit that file to switch models.

LLM 开销

默认模型 deepseek-v4-flash 的参考开销：

场景	开销
未配置说话人映射（纯文本匹配）	约 30 RMB（低谷时段）
配置说话人映射后	仅约 10 次 LLM 调用，开销可忽略

说话人映射（speaker_map_*.json）由 derive_speaker_map.py 从匹配结果自举推导，或随 Release 下载。

LLM Cost

Reference cost for the default deepseek-v4-flash model:

Scenario	Cost
Without speaker map (pure text matching)	~30 RMB (off-peak hours)
With speaker map	only ~10 LLM calls, negligible

The speaker map (speaker_map_*.json) is bootstrapped via derive_speaker_map.py, or downloaded from the Release.

---

输入数据准备

Remake 侧：从 script.pac 到 scena_data

script.pac → 解包 → *.dat → 反编译 → *.py 或 *.ing → 提取 → scena_data_*.json

1. 解包 script.pac

使用 kuro_dlc_tool/sky_extract_pac.py 或等效工具，得到 extracted/script/scena/*.dat。

2. 批量反编译（二选一）

KuroTools 路线（输出 .py 到 disasm-py/）：

$src = "extracted/script/scena"
$out = "disasm-py"
New-Item -ItemType Directory -Force -Path $out | Out-Null

Get-ChildItem $src -Filter *.dat -File | ForEach-Object {
    uv run python .\KuroTools\dat2py.py --decompile True --markers False $_.FullName
    $generated = Join-Path (Get-Location) ($_.BaseName + ".py")
    if (Test-Path $generated) {
        Move-Item -Force $generated (Join-Path $out ($_.BaseName + ".py"))
    }
}

Ingert 路线（输出 .ing 到 disasm/）：

$src = "extracted/script/scena"
$out = "disasm"
New-Item -ItemType Directory -Force -Path $out | Out-Null

Get-ChildItem $src -Filter *.dat -File | ForEach-Object {
    .\ingert.exe --mode tree --no-called -o (Join-Path $out ($_.BaseName + ".ing")) $_.FullName
}

⚠️ Ingert 必须带 --no-called，否则会丢失 call table 信息，影响后续 add_struct 提取。

3. 提取台词数据

• KuroTools 路线：uv run python scena_voice_kuro_extractor.py
• Ingert 路线：uv run python ingert_voice_kuro_extractor.py --jp-input <ing_dir> --sc-input <sc_ing_dir> --output-dir .

输出文件：scena_data_jp_Command.json（必需）、scena_data_sc_Command.json（可选，中文翻译）。

Remake Side: from script.pac to scena_data

script.pac → unpack → *.dat → decompile → *.py or *.ing → extract → scena_data_*.json

1. Unpack script.pac using kuro_dlc_tool/sky_extract_pac.py or equivalent.
2. Batch decompile (pick one route — see PowerShell snippets above).
3. Extract text: uv run python scena_voice_kuro_extractor.py (KuroTools) or uv run python ingert_voice_kuro_extractor.py ... (Ingert).

Output: scena_data_jp_Command.json (required), scena_data_sc_Command.json (optional Chinese translation).

EVO 侧：从 SoraVoiceScripts 到 script_data

运行 extract_voice_data.py 处理 EVO 文本脚本（SoraVoiceScripts\cn.fc\out.msg），生成：

• script_data.json（按 script_id 去重）
• voice_data.json（按 voice_id 去重）

uv run python extract_voice_data.py

EVO Side: from SoraVoiceScripts to script_data

Run extract_voice_data.py to process EVO text scripts and produce script_data.json and voice_data.json.

uv run python extract_voice_data.py

可选：脚本外语音转录

EVO 中存在一些音频文件未被 Script 文本收录。如需匹配这些语音，可以用 WhisperX 转录后生成 additional_voice_fc.json，格式见下节。

Optional: Out-of-Script Voice Transcripts

Some EVO voice files are not covered by Script text. Transcribe them with WhisperX and produce additional_voice_fc.json. Format details below.

---

运行匹配

main.py 基本用法

uv run python main.py

默认行为：

• 自动检查各步骤中间产物是否已存在，存在则跳过。
• 若 scena_data_sc_Command.json 不存在，跳过中文翻译。
• 若 additional_voice_fc.json 不存在，跳过脚本外语音补充匹配。

从指定步骤开始

uv run python main.py --from-step top_k

可用步骤名：matches、anchors、top_k、additional、output。

如果前置 .json 中间文件缺失，程序会自动回退到最早缺失的步骤。

主要参数

参数	默认值	说明
--remake-jp	scena_data_jp_Command.json	Remake 日文输入
--script-data	script_data.json	EVO 文本输入
--translation	scena_data_sc_Command.json	Remake 中文翻译（可选）
--additional-voice	additional_voice_fc.json	脚本外语音转录（可选）
--matches-json	matches.json	matches 步骤输出
--anchors-json	anchors.json	anchors 步骤输出
--top-k-json	top_k_matches.json	top_k 步骤输出
--unscripted-matches-json	unscripted_matches.json	additional 步骤输出
--output-csv	match_result.csv	最终输出 CSV
--from-step	（无）	从指定步骤开始
--new-id-start	50001	无真实语音 ID 时的合成 ID 起始值（SC 建议 100000）
--speaker-map	speaker_map.json	说话人映射文件（由 derive_speaker_map.py 推导，缺失则退化为纯文本匹配）

输出文件

• match_result.csv — 最终匹配表
• matches.json / anchors.json / top_k_matches.json — 中间产物
• unscripted_matches.json — 脚本外语音匹配结果（可选）
• llm_*.json — LLM 调用缓存

Running the Alignment

uv run python main.py

Default behavior: existing intermediate outputs are skipped; missing optional inputs are gracefully ignored.

Use --from-step to resume from a specific step. See the parameter table above for all options.

Output: match_result.csv, intermediate JSON files, and llm_*.json cache.

---

输出与校验

match_result.csv

最终产物是一个 CSV 文件，将 Remake 台词与 EVO 台词一一对应。可以直接用 Excel / VS Code 打开查看。

生成音频校验 HTML

build_match_result_html.py 将 CSV 转换为可交互的 HTML 检查页：

uv run python build_match_result_html.py

默认会在 match_result_review.html 中嵌入音频播放器（通过 file:/// 引用本地 ogg 文件），方便逐条人工校验台词与语音是否匹配。

主要参数：

参数	默认值	说明
--csv	match_result.csv	输入的匹配结果 CSV
--voice-dir	..\game-file-fc\voice\ogg	EVO ogg 音频目录
--html	match_result_review.html	输出 HTML 路径

Output & Review

match_result.csv is the final alignment table. Open it in Excel or VS Code.

For audio-assisted manual review, run:

uv run python build_match_result_html.py

This generates match_result_review.html with embedded audio players pointing to local ogg files.

---

脚本外语音转录

背景

EVO 存在部分音频未被 script_data.json 收录。为尽量召回这些台词，流程支持额外读取一份转录 JSON。

生成方式

1. 分析 EVO 音频目录，找出未被 Script 文本收录的语音编号。
2. 使用 WhisperX large-v2 模型、ja 语言逐条转录。
3. 保存为 additional_voice_fc.json。

JSON 格式

[
  {
    "voice_id": "0010000782V",
    "text": "おはよう、リノンさん!"
  },
  {
    "voice_id": "0010060643V",
    "text": ""
  }
]

• voice_id：EVO 语音编号（保留结尾 V）。
• text：转录文本，可为空字符串（表示无有效语音内容）。

在匹配中的角色

main.py 检测到该文件后，会在 add_unscripted_conversations 阶段将其作为额外匹配源。命中结果会写入 unscripted_matches.json 并汇入最终 match_result.csv。统计信息中的"脚本外语音贡献的匹配数"即来源于此。

Out-of-Script Voice Transcripts

Some EVO voice files are not captured in script_data.json. To recover these, you can supply a transcript JSON produced by WhisperX (large-v2, ja).

Format: an array of { "voice_id": "...", "text": "..." } objects. Empty text is allowed for unintelligible audio.

When present, main.py uses this data in the add_unscripted_conversations step and merges hits into match_result.csv.

---

数据流程图

整体数据流

flowchart LR
    A[script.pac] --> B[解包工具\n如 sky_extract_pac.py]
    B --> C[extracted/script/scena/*.dat]

    C --> D1[KuroTools/dat2py.py 批量反编译]
    C --> D2[Ingert 批量解析\n--mode tree --no-called]

    D1 --> E1[disasm-py/*.py]
    D2 --> E2[disasm/*.ing]

    E1 --> F1[scena_voice_kuro_extractor.py]
    E2 --> F2[ingert_voice_kuro_extractor.py]

    F1 --> G[scena_data_jp_Command.json\n必需输入]
    F2 --> G

    H[SoraVoiceScripts EVO 文本] --> I[extract_voice_data.py]
    I --> J[script_data.json\n必需输入]

    AA[补丁音频目录分析 + WhisperX large-v2/ja] --> AB[additional_voice_fc.json\n可选输入]

    G --> K[main.py]
    J --> K
    L[scena_data_sc_Command.json\n可选输入] --> K
    AB --> K

    K --> M[matches.json]
    K --> N[anchors.json]
    K --> O[top_k_matches.json]
    K --> R[unscripted_matches.json\n可选输出]
    K --> P[match_result.csv]
    K --> Q[llm_*.json 缓存]

Loading

main.py 内部流程

flowchart TD
    A1[读取必需输入\nJP scena + EVO script] --> A2[读取可选输入\n中文翻译 + additional_voice_fc.json]
    A2 --> B1[检查已有中间产物\n并根据 --from-step 决定起点]
    B1 --> C1[refresh_matches\n生成或读取 matches.json]
    C1 --> C2[optimize_with_anchors\n生成或读取 anchors.json]
    C2 --> C3[solve_gaps\n生成或读取 top_k_matches.json]
    C3 --> D2[add_unscripted_conversations\n生成或读取 unscripted_matches.json]
    D2 --> E1[gen_output]
    A2 --> E1
    E1 --> E2[输出 match_result.csv]
    E2 --> E3[输出匹配统计]

Loading

Data Flow Diagrams

See the Mermaid diagrams above for the overall pipeline and main.py internal flow.

---

文件与脚本说明

文件	用途
main.py	主入口，执行多阶段匹配
scena_voice_kuro_extractor.py	从 KuroTools .py 格式提取 Cmd_text_00/06
ingert_voice_kuro_extractor.py	从 Ingert .ing 格式提取相同数据
extract_voice_data.py	从 EVO 文本生成 script_data.json
build_match_result_html.py	生成音频校验 HTML
decompile_pac.ps1	一键 PAC 解包反编译
run_match.ps1	一键跑匹配（自动下载 EVO 数据与说话人映射）
derive_speaker_map.py	从匹配结果自举推导说话人映射
models.py	Pydantic 数据模型
llm.py	LLM 调用封装
anchors.py	锚点优化逻辑
line_solver.py	行级匹配与歧义消解
script_searcher.py	基于 MinHash 的脚本搜索
speaker.py	说话人映射加载与角色/场景/序号解析
synonyms.py	片假名/专有名词归一化
gap_analysis.py	匹配间隙分析
gen_result.py	CSV 输出生成

Ingert vs KuroTools

两个提取器产出相同 schema 的 scena_data_*.json，二选一即可。

	Ingert	KuroTools
输入格式	.ing	.py
命令映射	system[5,0]→Cmd_text_00、system[5,6]→Cmd_text_06	直接读取 Python AST
注意	反编译时必须带 --no-called	部分未收录命令需 fallback 修复

File & Script Reference

See the table above for each script's purpose.

Ingert vs KuroTools: both extractors produce the same schema. Pick one. Ingert requires --no-called during decompilation; KuroTools may need a fallback fix for unregistered commands.

---

历史匹配统计

空之轨迹 1st

指标	数值
Remake 总台词数	47,063
包含重复的匹配数	45,043
锚点映射数	25,661
唯一匹配数	28,505
多个匹配数	352
脚本外语音贡献	323
总匹配数	29,180

作为对比，人工校对结果为 27,537 条。

空之轨迹 2nd（demo）

指标	数值
Remake 总台词数	17,466
总匹配数	16,127
精确同名（与官方语音表一致）	98.3%
说话人错	12
同角色选错文件	149
漏配	86

Historical Matching Stats

1st: one full run achieved 29,180 matched lines, compared to 27,537 from manual proofreading.

2nd (demo): 16,127 matches over 17,466 lines; 98.3% exact-filename agreement against the official voice table.

---

特点

• 位置敏感哈希（MinHash LSH）+ 锚点优化 + 最小编辑距离匹配
• 说话人约束：利用 remake args[0] 与 EVO 角色码映射，区分同台词不同角色
• 场景/序列插值：短文本重复时按场景与场景内序号选位
• 保留多候选项匹配
• rapidfuzz WRatio 分数普遍超过 92
• 仅极少数复杂场景使用 LLM 辅助预测
• 处理片假名、轨迹系列专有名词、ED6 旧引擎 Gaiji
• 无 PyTorch / GPU 依赖

Features

• MinHash LSH + anchor-based optimization + edit-distance matching
• Speaker constraint: uses remake args[0] ↔ EVO character-code mapping to distinguish same text from different speakers
• Scene/sequence interpolation: resolves repeated short text by scene and in-scene sequence
• Multi-candidate match preservation
• rapidfuzz WRatio > 92 for matched items
• LLM-assisted disambiguation only for the few hard cases
• Katakana, Kiseki-specific terms, and ED6 gaiji handling
• No PyTorch / GPU required

---

SC / 3rd 迁移说明

2nd（SC）已正式支持：run_match.ps1 -Game sc 一键运行，说话人映射 speaker_map_sc.json 已随 Release 提供。3rd 迁移的关键是替换输入数据并推导自己的说话人映射。

1) 准备输入数据

• Remake 侧：沿用本仓库的提取流程，生成对应作品的 scena_data_jp_Command.json 与 scena_data_sc_Command.json。
• EVO/原版侧：用 extract_voice_data.py（或同结构脚本）生成对应作品的 script_data.json。
• A/B 两侧应保持同一作品、同一区域版本。

2) 推导说话人映射（自举）

# 第一轮：不带映射跑匹配
uv run python main.py --speaker-map /dev/null
# 从结果推导映射
uv run python derive_speaker_map.py scena_data_jp_Command.json match_result.csv -o speaker_map_3rd.json
# 第二轮：带映射重跑，精确率显著提升
uv run python main.py --speaker-map speaker_map_3rd.json

3) 验证步骤

1. 检查 matches.json 的召回率。
2. 检查 anchors.json 的锚点覆盖。
3. 抽查 match_result.csv：章节开头、分支段、战斗后对白等高风险区域。

Migration to SC / 3rd

2nd (SC) is now officially supported: run_match.ps1 -Game sc runs end-to-end, with speaker_map_sc.json shipped in the Release. For 3rd, replace the input data and derive your own speaker map.

1. Generate scena_data_* for the target game using the same extraction scripts.
2. Generate script_data.json using extract_voice_data.py.
3. Bootstrap the speaker map:

uv run python main.py --speaker-map /dev/null   # first pass, no map
uv run python derive_speaker_map.py scena_data_jp_Command.json match_result.csv -o speaker_map_3rd.json
uv run python main.py --speaker-map speaker_map_3rd.json   # second pass

4. Validate: check recall in matches.json, anchor coverage in anchors.json, and spot-check match_result.csv at chapter starts, branches, and post-battle dialogues.

---

常见问题

Q: uv sync 报错 "No Python installation found"？

安装 Python 3.13+（推荐从 https://python.org 下载），或使用 uv python install 3.13。

Q: KuroTools 反编译时某些 .dat 报错？

部分 scena 脚本包含未收录的命令，KuroTools 可能无法识别。参考 docs/kurotools-fallback-fix.md 添加兜底逻辑。

Q: main.py 提示找不到输入文件？

确认当前工作目录下存在 scena_data_jp_Command.json 和 script_data.json。或通过 --remake-jp / --script-data 参数指定路径。

Q: LLM 调用失败？

检查 .env 中的 OPENAI_API_KEY 和 OPENAI_BASE_URL 是否正确。确保网络能访问对应 API 地址。DeepSeek 用户注意账户余额是否充足。

Q: 中文翻译匹配错位？

已知部分行存在错位（见 docs/translation-errata.md），目前需要人工修正。

Troubleshooting

uv sync fails with "No Python installation found"? Install Python 3.13+ from https://python.org, or run uv python install 3.13.

KuroTools errors on certain .dat files? Some scripts use unregistered commands. See docs/kurotools-fallback-fix.md.

main.py can't find input files? Ensure scena_data_jp_Command.json and script_data.json are in the working directory, or use --remake-jp / --script-data flags.

LLM calls fail? Verify OPENAI_API_KEY and OPENAI_BASE_URL in .env. Check network access and account balance.

Chinese translation misalignment? Some known offset issues are documented in docs/translation-errata.md. Manual correction is currently required.

---

相关项目

• SkyStructureAligner — 本项目的结构匹配姊妹篇：以控制流结构（块图 + 连续录音段 + 位置约束）完成 Remake↔EVO 台词-语音对齐，无 LLM 依赖，输出 FC match_result.csv 式详表与人工审查表。与本项目的线性/LLM 匹配互补（同数据双匹配一致率 98%）。

Related Projects

• SkyStructureAligner — the structural-matching sibling of this project: aligns Remake↔EVO dialogue to voice IDs via control-flow structure (block graphs + recording runs + positional constraints), LLM-free.

---

鸣谢

本项目受以下开源项目启发或直接受益：

• KuroTools — scena 反编译
• kuro_dlc_tool — script.pac 解包
• Ingert — scena 反编译（另一方案）
• SoraVoiceScripts — EVO 语音脚本

Acknowledgements

This project is inspired by and directly benefits from the open-source projects listed above.

---

版权声明

• 本项目处理涉及的游戏脚本文本、语音、图像及其他资源，其著作权与相关权利归原游戏公司及权利人所有。
• 本仓库提供的代码仅用于学习、研究与非商业交流。
• 严禁将本项目代码、处理结果或衍生资源用于任何商业用途。
• 使用者应自行确保其行为符合所在地法律法规及相关游戏/平台协议。

Copyright

• All game scripts, voices, images, and related assets processed by this project belong to the original rights holders.
• This code is provided for learning, research, and non-commercial use only. Commercial use is strictly prohibited.
• Users are responsible for compliance with applicable laws and agreements.