Visits: 285
前回の記事で紹介したAudio identificationでの話者識別分離が思わしくないので、Zoomで話者別に記録された複数ファイルをそれぞれ認識させてマージすることにした。
ファイル名がaudioLTY-SAC41347073001.m4aのような形式でAudio Record/に記録されているのでそれぞれを認識させてLYT.jsonといった名称で保存した。
話者が複数なので例えば、Asd.json Zxc.jsonといった形でディレクトリに保存し、次のように指定して実行するとtranscribe.txtファイルを出力します。
transcriptChannel.py 2022/05-12/Leo.json+2022/05-12/LTY.json+2022/05-12/Nobu.json+2022/05-12/Frans.jso
#!/usr/bin/env python3
#
# Modified by SAMBUICHI, Nobuyuki
# 2022-05-18
#
# original program transcript.py by AWS
#
def main():
import sys
import json
import datetime
import codecs
filenames=sys.argv[1]
filenames= filenames.split('+')
lines=[]
for filename in filenames:
speaker=filename.split('/')[-1].split('.')[0]
print ("Filename: ", filename)
with codecs.open(filename, 'r', 'utf-8') as f:
data=json.loads(f.read())
items = data['results']['items']
line=''
time=0
i=0
for item in items:
i=i+1
content = item['alternatives'][0]['content']
if item.get('start_time'):
current_time=float(item['start_time'])
elif item['type'] == 'punctuation':
line = line+content
if current_time > time+120:
if speaker:
lines.append({'speaker':speaker,'line':line, 'time':time})
line=content
time=current_time
elif item['type'] != 'punctuation':
line = line + ' ' + content
lines.append({'speaker':speaker,'line':line,'time':time})
sorted_lines = sorted(lines,key=lambda k: float(k['time']))
with codecs.open('/'.join(filename.split('/')[:-1])+'/transcribe.txt', 'w', 'utf-8') as w:
for line_data in sorted_lines:
line='[' + str(datetime.timedelta(seconds=int(round(float(line_data['time']))))) + '] ' + line_data['speaker'] + ': ' + line_data.get('line')
w.write(line + '\n\n')
if __name__ == '__main__':
main()
