Question

我们已经启动了一个项目，以创建用于DeepSpeech的土耳其语语音识别数据集。

我们完成了电子书的预处理任务。但是我们无法完成与埃涅阿斯的强制对中过程。

根据其强制对齐的教程，您需要一个文本文件及其记录的音频文件。在对Ebook进行预处理时，我们已经创建了430个文本文件，这些文件已被编辑和清理为aeneas格式（使用nltk库分为段落和句子）。

但是，在处理我们创建的任务对象并创建其输出文件（Json文件）时，我们无法合并输出文件。对于每个Aeneas文件，它都从音频文件的开头开始。

似乎我们需要将音频文件分成430个部分，但这不是一个简单的过程。

我尝试将Json文件与：

import json
import glob

result = []
for f in glob.glob("*.json"):
  with open(f, "rb") as infile:
    result.append(json.load(infile))
with open("merged_file.json", "w") as outfile:
  json.dump(result, outfile)

但是它不起作用，因为在强制对齐过程中，每个音频文件的音频文件的开头都有音频文件的开头。

是否可以创建一个包含所有430个aeneas文本文件的任务对象，并使用一个音频文件将它们的时间（秒）附加到一个输出文件（Json文件）中？

我们的任务对象：

# create Task object
config_string = "task_language=tur|is_text_type=plain|os_task_file_format=json"
task = Task(config_string=config_string)
task.audio_file_path_absolute = "/content/gdrive/My Drive/TASR/kitaplar/nutuk/Nutuk_sesli.mp3"
task.text_file_path_absolute = "/content/gdrive/My Drive/TASR/kitaplar/nutuk/nutuk_aeneas_data_1.txt")
task.sync_map_file_path_absolute = "/content/gdrive/My Drive/TASR/kitaplar/nutuk/syncmap.json")

顺便说一句，我们正在使用python 3开发Google Colab。

Answer 1

我想出办法解决我的问题，并找到了解决方案。

我可以使用以下代码来组合aeneas文本文件，而不是组合JSON文件：

with open("/content/gdrive/My Drive/TASR/kitaplar/{0}/{1}/{2}_aeneas_data_all.txt".format(book_name,chapter, 
book_name), "wb") as outfile:
    for i in range(1,count-1):
      file_name = "/content/gdrive/My Drive/TASR/kitaplar/{0}/{1}/{2}_aeneas_data_{3}.txt".format(book_name, chapter, book_name, str(i))
  #print(file_name)
      with open(file_name, "rb") as infile:
        outfile.write(infile.read())

因此，在合并aeneas文件之后，我可以创建一个包含所有段落的json文件。

使用Aeneas与Multible Aeneas文本文件强制对齐

1 个答案: