feat[en]: rule-based english paragragh join

[voidf]

针对英文写的一些规则，实现的功能有：

• 去除每页页码和文件标识符
• 去除每个文件开头的会议时间、地点、语言、主席名以及一些重复模式
• 将行首带标号（1. 2.或者是• ）的段落特判并且将同段内容合并起来
• 将满足一些规则的行后的换行符去掉，见下表： 根据观察，有至少三个因素影响一行结尾的回车能不能被删掉
  1. 次行首字母是不是小写字母
  2. 本行末尾字符是不是句号
  3. 本行是不是约有50个字符

[voidf]

1. 去噪(肉眼看，写规则)
2. segmentation（中/英分别处理）（找轮子！）
3. 让chatgpt给一个对齐的样例来评判
4. 交给bertalign

[voidf]

可能用得上的文章：

• 成段（成句）：https://centre-borelli.github.io/ruptures-docs/examples/text-segmentation/