reazonspeech.espnet.oneseg¶

このリファレンスでは、ワンセグ放送データを解析するためのインターフェイスを解説します。

関数¶

get_captions(path)¶

MPEG2-TSファイルから字幕テキストを読み取ります。

get_utterances(path, ctc_segmentation, speech2text=None, strategy='optim')¶

MPEG2-TSファイルから音声コーパスを抽出します。

音声ファイルの切り出しについて、2つのモードをサポートしています。

また、speech2text を呼び出し時に渡すことで、追加の精度指標（文字誤り率）を計算できます。省略した場合 Utterance.asr と Utterance.cer は None になります。

パラメータ:

戻り値の型:

List

戻り値:

Utterance のリスト

build_sentences(captions)¶

字幕テキストをセンテンス単位に再構成します。

次のように文の途中で字幕が分割されているケースを想定した関数です:

Caption(start_seconds=10, end_seconds=12, text='輸送機は午前１０時に')
Caption(start_seconds=12, end_seconds=15, text='離陸しました。')

この関数を適用すると、次のように文単位に字幕をマージできます:

Caption(start_seconds=10, end_seconds=15, text='輸送機は午前１０時に離陸しました。')

save_as_zip(utterances, path, format='flac')¶

日本語音声コーパスをZIP形式で保存します。

フォーマットは python-soundfile がサポートしている形式を指定できます（既定値は flac です）

パラメータ:

戻り値の型:

None

class Caption¶

MPEG2-TSファイルから抽出された字幕に対応するデータクラスです。

開始・終了時刻は、動画の先頭からの経過秒数を計算して格納しています。

class Utterance¶

MPEG2-TSファイルから抽出された発話に対応するデータクラスです。