Document asset-type training policy before bulk internal ingestion

Constraint: Internal media types need a clear training whitelist and versioning policy before they are mapped into manifests and pgvector
Rejected: Treat all audio-like assets as the same training label source | Would blur original-vs-instrumental semantics and degrade retrieval quality
Confidence: high
Scope-risk: narrow
Directive: Keep original recordings, instrumental variants, and short-video clips explicitly separated by audio_role and version semantics during ingestion
Tested: Verified new documentation anchors and mapping tables in training-data-and-pgvector-guide.md
Not-tested: Automated import from the upstream SQL type enum into manifests

@@ -2,6 +2,32 @@
 
 
 ## 2026-06-02
 ## 2026-06-02
 
 
+### Stage: 为内部素材 type 枚举补齐训练参与策略文档
+
+完成项：
+- 在 [training-data-and-pgvector-guide.md](./training-data-and-pgvector-guide.md) 新增内部素材 type 映射章节
+- 对用户给出的素材类型补齐：
+  - 主 reference 推荐
+  - 主 query 推荐
+  - 伴奏类的条件式参与策略
+  - 文本/图片/授权/压缩包的 metadata-only 策略
+- 增加 `canonical_song_id / version_id / asset_type_code / audio_role` 的落库建议
+
+验证结果：
+- 文档中已出现以下关键锚点：
+  - `12. 你这批内部素材 type，哪些推荐参与训练`
+  - `12.3 最推荐的主任务训练组合`
+  - `instrumental_variant`
+  - `short_video_clip`
+- 当前建议与现有数据规范保持一致：
+  - reference / query 分离
+  - 伴奏版本默认不无脑并入原曲主标签
+  - 非音频资产不进入音频模型训练
+
+结论：
+- 现在这批内部资产已经有一套明确的训练白名单 / 条件白名单 / 元数据白名单
+- 后续做批量导入或 pgvector 入库时，可以直接按文档映射执行
+
 ### Stage: 为外部数据集接入增加 overlap query manifest 能力
 ### Stage: 为外部数据集接入增加 overlap query manifest 能力
 
 
 完成项：
 完成项：

@@ -343,5 +343,140 @@ flowchart TD
 4. **固定一部分永不训练，只做 test set。**
 4. **固定一部分永不训练，只做 test set。**
 5. **先把 manifest 字段做全，再谈 pgvector 和工业服务。**
 5. **先把 manifest 字段做全，再谈 pgvector 和工业服务。**
 
 
+---
+
+## 12. 你这批内部素材 type，哪些推荐参与训练
+
+## 12.1 一页结论
+
+如果目标是做 **音乐 ACR / 歌曲识别**，推荐按下面的优先级：
+
+- **主 reference 首选**：`11 原曲-无损`
+- **次级 reference / 兼容增强**：`1 原曲-压缩`
+- **主 query 来源**：`7 抖音片段`、`8 片段(副歌)`、`16 快手片段`、`18 音频demo`
+- **伴奏类**：`2/9/10/12` 不建议直接无脑混进“原曲主任务”同标签训练，除非你们的业务明确要识别伴奏版本
+- **纯文本/图片/授权/压缩包**：不进音频训练，只进元数据治理
+
+---
+
+## 12.2 推荐映射表
+
+| type | 内容 | 建议角色 | 是否进主训练 | 建议说明 |
+|---:|---|---|---|---|
+| 1 | 原曲-压缩(mp3) | secondary reference / clean query 来源 | 是 | 当 11 缺失时可做主 reference；有 11 时更适合做压缩退化增强 |
+| 2 | 伴奏有和声-压缩(mp3) | 可选单独版本库 / hard negative | 条件式 | 不建议直接和原曲共用同一训练语义 |
+| 3 | TXT歌词 | metadata | 否 | 可入库做检索增强，不进音频模型 |
+| 4 | 封面 | metadata | 否 | 不进音频训练 |
+| 5 | 授权书 | compliance metadata | 否 | 只做合规治理 |
+| 6 | 专辑信息(txt) | metadata | 否 | 只做元数据 |
+| 7 | 抖音片段 | query | 是 | 很适合真实 query 训练/评测 |
+| 8 | 片段(副歌) | query | 是 | 高价值 query，建议重点保留 |
+| 9 | 伴奏无和声-压缩(mp3) | 可选单独版本库 / hard negative | 条件式 | 不建议默认并入原曲主标签 |
+| 10 | 伴奏无和声-无损 | 可选 reference / hard negative | 条件式 | 仅在“识别伴奏版本”任务里进入主训练 |
+| 11 | 原曲-无损(wav/flac) | primary reference | **强烈推荐** | 最适合作为标准 reference 真值 |
+| 12 | 伴奏有和声-无损 | 可选单独版本库 / hard negative | 条件式 | 与原曲声学差异大，默认不要并到原曲主任务 |
+| 13 | 滚动歌词(lrc) | metadata | 否 | 可做歌词侧检索，不进音频模型 |
+| 14 | 封面源文件(psd) | metadata | 否 | 不进训练 |
+| 16 | 快手片段 | query | 是 | 与 7 类似，适合真实短视频场景评测 |
+| 17 | 词曲压缩包 | archive metadata | 否 | 先解包治理，不直接训练 |
+| 18 | 音频demo(mp3/wav) | query / weak reference | 条件式 | 先按质量分层；可做 query，必要时做辅 reference |
+| 19 | 曲谱(png) | metadata | 否 | 不进音频训练 |
+| 20 | 译文滚动歌词 | metadata | 否 | 只做文本侧扩展 |
+
+---
+
+## 12.3 最推荐的主任务训练组合
+
+### A. 如果你的目标是“识别原曲”
+
+```text
+reference:
+- 11 原曲无损（主）
+- 1 原曲压缩（辅）
+
+query:
+- 从 11 / 1 切 5s / 8s clean query
+- 7 抖音片段
+- 8 副歌片段
+- 16 快手片段
+- 18 音频demo（筛质后）
+```
+
+### B. 如果你的目标是“原曲 + 伴奏版本都要识别”
+
+建议不要直接把原曲和伴奏粗暴合并成同一个训练标签，而是至少保留：
+
+- `canonical_song_id`：作品级 ID
+- `version_id`：版本级 ID
+- `audio_role`：`original / inst_with_harmony / inst_no_harmony / short_clip / demo`
+
+这样你后面可以做两种策略：
+
+1. **作品级识别**
+   - 原曲和伴奏共享 `canonical_song_id`
+   - 但保留不同 `version_id`
+2. **版本级识别**
+   - 原曲和伴奏完全分开标签
+
+如果你现在主目标只是 ACR 识别“这首歌是谁”，而不是区分伴奏版本，建议先走策略 1，但**训练时不要让伴奏版本无脑占太高比例**，否则会把主模型拉偏。
+
+---
+
+## 12.4 我给你的实际建议
+
+### 第一批一定要进的数据
+
+- `11 原曲无损`
+- `1 原曲压缩`
+- `7 抖音片段`
+- `8 副歌片段`
+- `16 快手片段`
+
+### 第二批可控加入的数据
+
+- `18 音频demo`
+  - 先按质量筛选
+  - 干净 demo 可做 query
+  - 明显截断/噪声重的 demo 进 hard-case pool
+
+### 不建议第一阶段直接并入主训练标签的数据
+
+- `2 伴奏有和声`
+- `9 伴奏无和声-压缩`
+- `10 伴奏无和声-无损`
+- `12 伴奏有和声-无损`
+
+更稳妥的做法：
+- 先单独入库
+- 先做评测集 / hard negative
+- 等主模型稳定后，再决定是否做多版本任务
+
+---
+
+## 12.5 对应 manifest / pgvector 字段建议
+
+如果你们要把这些 type 真正落到训练和数据库，建议至少补这几个字段：
+
+| 字段 | 示例 | 作用 |
+|---|---|---|
+| `canonical_song_id` | `song_123` | 作品主键 |
+| `version_id` | `song_123_orig_lossless` | 版本主键 |
+| `asset_type_code` | `11` | 原始 type 枚举 |
+| `audio_role` | `original_lossless` | 训练与检索语义 |
+| `type` | `reference / clean / augmented / confused` | 模型训练角色 |
+| `source_platform` | `douyin / kuaishou / internal` | 来源治理 |
+
+### 一个实用映射例子
+
+| 原始 type | 推荐 `audio_role` | 推荐训练 `type` |
+|---:|---|---|
+| 11 | `original_lossless` | `reference` |
+| 1 | `original_lossy` | `reference` 或 `clean` |
+| 7 | `short_video_clip` | `clean` / `confused` |
+| 8 | `chorus_clip` | `clean` |
+| 16 | `short_video_clip` | `clean` / `confused` |
+| 18 | `demo_audio` | `clean` / `augmented` |
+| 2/9/10/12 | `instrumental_variant` | 先不进主训练，或做 hard negative |
+
 ## Sources
 ## Sources
 - 当前代码事实来自 [acr-engine/src/data/dataset.py](../acr-engine/src/data/dataset.py), [acr-engine/src/data/manifest_tools.py](../acr-engine/src/data/manifest_tools.py), [acr-engine/src/data/external_adapters.py](../acr-engine/src/data/external_adapters.py), [acr-engine/src/utils/audio.py](../acr-engine/src/utils/audio.py), [acr-engine/src/engines/ecapa_embedder.py](../acr-engine/src/engines/ecapa_embedder.py), [acr-engine/train.py](../acr-engine/train.py)
 - 当前代码事实来自 [acr-engine/src/data/dataset.py](../acr-engine/src/data/dataset.py), [acr-engine/src/data/manifest_tools.py](../acr-engine/src/data/manifest_tools.py), [acr-engine/src/data/external_adapters.py](../acr-engine/src/data/external_adapters.py), [acr-engine/src/utils/audio.py](../acr-engine/src/utils/audio.py), [acr-engine/src/engines/ecapa_embedder.py](../acr-engine/src/engines/ecapa_embedder.py), [acr-engine/train.py](../acr-engine/train.py)