Документация: кодек-строки, аудит дорожек, текущие метрики

README: метрики модели 02.11.2026 (test 4 377 строк, e2e по трекерам), размер
датасета, kinozal-вкладки. dataset.md: размер снимка, колонки studio_source и
audio_raw. architecture.md: кодек-строки как позитивы сегментатора, E2E_MODEL.
collecting.md: tools/audit_tracks.py. training-windows.md: доразметка, сравнение
кандидата и постановка в models/best и Docker. plan.md: шаг «аудит дорожек».

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

docs/dataset.md

@@ -10,7 +10,7 @@
 регулярками** — модель учится воспроизводить эту разметку и обобщать её на
 новые формулировки.
 
-Размер (на момент последней сборки): ~41 тыс. строк из ~28 тыс. релизов, 3 источника
+Размер (снимок 02.11.2026): 55 324 строки из 27 900 релизов, 3 источника
 (rutracker, nnm, kinozal); HTML-дамп страниц — `data/raw` (~32 тыс. файлов, ≈2.6 ГБ, в git не
 хранится), разобранные тексты — `data/pages`. Точные числа показывает «Статистика датасета» в
 `tools/collect.py` (пункт 3) и отчёт `reports/data_audit.md` после `prepare_data`.
@@ -29,6 +29,8 @@
 | `studio` | автор («(не указана)» если нет) | **метка 2** (спан в тексте) |
 | `age_18`, `note` | флаг/пометка 18+ | **метка 3** |
 | `role_raw` | скобочная часть / конкретный тип из перечисления | вход для nnm tech-строк |
+| `studio_source` | откуда взята строка: `release` / `tech` (описание релиза / техданные, в т.ч. nnm «Перевод:»), `codec` (кодек-строка «Аудио N: … (MVO, LostFilm)»), `title` (заголовок kinozal), `audio` (только строка «Аудио»), `manual` (ручная разметка) | не используется; `codec` не попадает в словарь студий `codec_line_rows` |
+| `audio_raw` | кодек-строка той же дорожки целиком | разметка строк для сегментатора |
 | остальные (`ru_title`, `codec`, …) | контекст релиза | не используются |
 
 ## Форматы входа по источникам