feat!: ユーザー辞書データに改行やnull文字が入っていた場合にエラーとする

test/unit/user_dict/test_user_dict_model.py

@@ -1,6 +1,6 @@
 """UserDictWord のテスト"""
 
-from typing import TypedDict
+from typing import Literal, TypedDict, get_args
 
 import pytest
 from pydantic import ValidationError
@@ -55,6 +55,46 @@ def test_valid_word() -> None:
     UserDictWord(**args)
 
 
+CsvSafeStrFieldName = Literal[
+    "part_of_speech",
+    "part_of_speech_detail_1",
+    "part_of_speech_detail_2",
+    "part_of_speech_detail_3",
+    "inflectional_type",
+    "inflectional_form",
+    "stem",
+    "yomi",
+    "accent_associative_rule",
+]
+
+
+@pytest.mark.parametrize(
+    "field",
+    get_args(CsvSafeStrFieldName),
+)
+def test_invalid_csv_safe_str(field: CsvSafeStrFieldName) -> None:
+    """UserDictWord の文字列 CSV で許可されない文字をエラーとする。"""
+    # Inputs
+    test_value_newlines = generate_model()
+    test_value_newlines[field] = "te\r\nst"
+    test_value_null = generate_model()
+    test_value_null[field] = "te\x00st"
+    test_value_comma = generate_model()
+    test_value_comma[field] = "te,st"
+    test_value_double_quote = generate_model()
+    test_value_double_quote[field] = 'te"st'
+
+    # Test
+    with pytest.raises(ValidationError):
+        UserDictWord(**test_value_newlines)
+    with pytest.raises(ValidationError):
+        UserDictWord(**test_value_null)
+    with pytest.raises(ValidationError):
+        UserDictWord(**test_value_comma)
+    with pytest.raises(ValidationError):
+        UserDictWord(**test_value_double_quote)
+
+
 def test_convert_to_zenkaku() -> None:
     """UserDictWord は surface を全角にする。"""
     # Inputs
@@ -126,6 +166,21 @@ def test_invalid_pronunciation_not_katakana() -> None:
         UserDictWord(**test_value)
 
 
+def test_invalid_pronunciation_newlines_and_null() -> None:
+    """UserDictWord は pronunciation 内の改行や null 文字をエラーとする。"""
+    # Inputs
+    test_value_newlines = generate_model()
+    test_value_newlines["pronunciation"] = "ボイ\r\nボ"
+    test_value_null = generate_model()
+    test_value_null["pronunciation"] = "ボイ\x00ボ"
+
+    # Test
+    with pytest.raises(ValidationError):
+        UserDictWord(**test_value_newlines)
+    with pytest.raises(ValidationError):
+        UserDictWord(**test_value_null)
+
+
 def test_invalid_pronunciation_invalid_sutegana() -> None:
     """UserDictWord は無効な pronunciation をエラーとする。"""
     # Inputs

voicevox_engine/app/routers/user_dict.py

@@ -42,6 +42,7 @@ def get_user_dict_words() -> dict[str, UserDictWord]:
                 status_code=500, detail="辞書の読み込みに失敗しました。"
             )
 
+    # TODO: CsvSafeStrを使う
     @router.post("/user_dict_word", dependencies=[Depends(verify_mutability)])
     def add_user_dict_word(
         surface: Annotated[str, Query(description="言葉の表層形")],

voicevox_engine/user_dict/model.py

@@ -8,8 +8,9 @@
 from re import findall, fullmatch
 from typing import Self
 
-from pydantic import BaseModel, ConfigDict, Field, field_validator, model_validator
+from pydantic import AfterValidator, BaseModel, ConfigDict, Field, model_validator
 from pydantic.json_schema import SkipJsonSchema
+from typing_extensions import Annotated
 
 
 class WordTypes(str, Enum):
@@ -26,65 +27,90 @@ class WordTypes(str, Enum):
 USER_DICT_MAX_PRIORITY = 10
 
 
+def _check_newlines_and_null(text: str) -> str:
+    if "\n" in text or "\r" in text:
+        raise ValueError("ユーザー辞書データ内に改行が含まれています。")
+    if "\x00" in text:
+        raise ValueError("ユーザー辞書データ内にnull文字が含まれています。")
+    return text
+
+
+def _check_comma_and_double_quote(text: str) -> str:
+    if "," in text:
+        raise ValueError("ユーザー辞書データ内にカンマが含まれています。")
+    if '"' in text:
+        raise ValueError("ユーザー辞書データ内にダブルクォートが含まれています。")
+    return text
+
+
+def _convert_to_zenkaku(surface: str) -> str:
+    return surface.translate(
+        str.maketrans(
+            "".join(chr(0x21 + i) for i in range(94)),
+            "".join(chr(0xFF01 + i) for i in range(94)),
+        )
+    )
+
+
+def _check_is_katakana(pronunciation: str) -> str:
+    if not fullmatch(r"[ァ-ヴー]+", pronunciation):
+        raise ValueError("発音は有効なカタカナでなくてはいけません。")
+    sutegana = ["ァ", "ィ", "ゥ", "ェ", "ォ", "ャ", "ュ", "ョ", "ヮ", "ッ"]
+    for i in range(len(pronunciation)):
+        if pronunciation[i] in sutegana:
+            # 「キャット」のように、捨て仮名が連続する可能性が考えられるので、
+            # 「ッ」に関しては「ッ」そのものが連続している場合と、「ッ」の後にほかの捨て仮名が連続する場合のみ無効とする
+            if i < len(pronunciation) - 1 and (
+                pronunciation[i + 1] in sutegana[:-1]
+                or (
+                    pronunciation[i] == sutegana[-1]
+                    and pronunciation[i + 1] == sutegana[-1]
+                )
+            ):
+                raise ValueError("無効な発音です。(捨て仮名の連続)")
+        if pronunciation[i] == "ヮ":
+            if i != 0 and pronunciation[i - 1] not in ["ク", "グ"]:
+                raise ValueError("無効な発音です。(「くゎ」「ぐゎ」以外の「ゎ」の使用)")
+    return pronunciation
+
+
+CsvSafeStr = Annotated[
+    str,
+    AfterValidator(_check_newlines_and_null),
+    AfterValidator(_check_comma_and_double_quote),
+]
+
+
 class UserDictWord(BaseModel):
     """
     辞書のコンパイルに使われる情報
     """
 
     model_config = ConfigDict(validate_assignment=True)
 
-    surface: str = Field(description="表層形")
+    surface: Annotated[
+        str,
+        AfterValidator(_convert_to_zenkaku),
+        AfterValidator(_check_newlines_and_null),
+    ] = Field(description="表層形")
     priority: int = Field(
         description="優先度", ge=USER_DICT_MIN_PRIORITY, le=USER_DICT_MAX_PRIORITY
     )
     context_id: int = Field(description="文脈ID", default=1348)
-    part_of_speech: str = Field(description="品詞")
-    part_of_speech_detail_1: str = Field(description="品詞細分類1")
-    part_of_speech_detail_2: str = Field(description="品詞細分類2")
-    part_of_speech_detail_3: str = Field(description="品詞細分類3")
-    inflectional_type: str = Field(description="活用型")
-    inflectional_form: str = Field(description="活用形")
-    stem: str = Field(description="原形")
-    yomi: str = Field(description="読み")
-    pronunciation: str = Field(description="発音")
+    part_of_speech: CsvSafeStr = Field(description="品詞")
+    part_of_speech_detail_1: CsvSafeStr = Field(description="品詞細分類1")
+    part_of_speech_detail_2: CsvSafeStr = Field(description="品詞細分類2")
+    part_of_speech_detail_3: CsvSafeStr = Field(description="品詞細分類3")
+    inflectional_type: CsvSafeStr = Field(description="活用型")
+    inflectional_form: CsvSafeStr = Field(description="活用形")
+    stem: CsvSafeStr = Field(description="原形")
+    yomi: CsvSafeStr = Field(description="読み")
+    pronunciation: Annotated[CsvSafeStr, AfterValidator(_check_is_katakana)] = Field(
+        description="発音"
+    )
     accent_type: int = Field(description="アクセント型")
     mora_count: int | SkipJsonSchema[None] = Field(default=None, description="モーラ数")
-    accent_associative_rule: str = Field(description="アクセント結合規則")
-
-    @field_validator("surface")
-    @classmethod
-    def convert_to_zenkaku(cls, surface: str) -> str:
-        return surface.translate(
-            str.maketrans(
-                "".join(chr(0x21 + i) for i in range(94)),
-                "".join(chr(0xFF01 + i) for i in range(94)),
-            )
-        )
-
-    @field_validator("pronunciation", mode="before")
-    @classmethod
-    def check_is_katakana(cls, pronunciation: str) -> str:
-        if not fullmatch(r"[ァ-ヴー]+", pronunciation):
-            raise ValueError("発音は有効なカタカナでなくてはいけません。")
-        sutegana = ["ァ", "ィ", "ゥ", "ェ", "ォ", "ャ", "ュ", "ョ", "ヮ", "ッ"]
-        for i in range(len(pronunciation)):
-            if pronunciation[i] in sutegana:
-                # 「キャット」のように、捨て仮名が連続する可能性が考えられるので、
-                # 「ッ」に関しては「ッ」そのものが連続している場合と、「ッ」の後にほかの捨て仮名が連続する場合のみ無効とする
-                if i < len(pronunciation) - 1 and (
-                    pronunciation[i + 1] in sutegana[:-1]
-                    or (
-                        pronunciation[i] == sutegana[-1]
-                        and pronunciation[i + 1] == sutegana[-1]
-                    )
-                ):
-                    raise ValueError("無効な発音です。(捨て仮名の連続)")
-            if pronunciation[i] == "ヮ":
-                if i != 0 and pronunciation[i - 1] not in ["ク", "グ"]:
-                    raise ValueError(
-                        "無効な発音です。(「くゎ」「ぐゎ」以外の「ゎ」の使用)"
-                    )
-        return pronunciation
+    accent_associative_rule: CsvSafeStr = Field(description="アクセント結合規則")
 
     @model_validator(mode="after")
     def check_mora_count_and_accent_type(self) -> Self: