包含语音到文本数据的 JSON 文件的高级布尔搜索？

Posted 2023-03-07

【中文标题】包含语音到文本数据的 JSON 文件的高级布尔搜索？

【英文标题】：Advanced boolean search of JSON files containing speech-to-text data?

【发布时间】：2015-03-16 20:53:00

【问题描述】：

我有数百个视频和音频文件的自动机器转录本。我有五种格式的每一份成绩单：JSON、XML、SRT、VTT、TXT。 （单击here 查看示例文件。）JSON 和 XML 文件包含最全面的数据，包括扬声器 ID、置信度和时间码。

我正在寻找一种方法来挖掘或搜索这些数据以查找单词和短语。我需要能够提交布尔搜索查询，然后单击结果并在文本结果的时间码处播放视频/音频文件。唯一必需的布尔运算符是 NOT、AND、OR（就像在线搜索引擎一样）。示例搜索：("baseball bat" AND park) OR football

我正在考虑一个相当简单的界面。

基本选项：

搜索框 最小置信度滑块

高级选项的想法：

演讲者：“Bob,Joe,Bill”（也就是说，演讲者必须是其中之一） AND 搜索中单词之间允许的最长时间：X.X 秒 精确词组搜索中单词之间允许的最长时间：X.X 秒 精确词组搜索中的单词必须具有相同的说话者：开/关 AND 之间的单词必须具有相同的扬声器：ON/OFF OR 之间的单词必须具有相同的扬声器：ON/OFF AND 之间的单词必须按时间顺序排列：ON/OFF 忽略标点符号：开/关

简单地说，我需要像特工 Ransack 这样的带有时间码的东西，如果可能的话，还需要一些杂项选项。 我知道这是一个非常具体和复杂的要求。 :) 你能给我关于这个想法的任何线索吗？我不想重新发明***。哪个软件/命令行程序/引擎最接近能够做到这一切？也许我可以从那里适应它。

谢谢！

【问题讨论】：

这是错误的地方来问像你这样的问题。见***.com/help/on-topic。

【参考方案1】：

您可以在 Solr/Lucene http://lucene.apache.org/solr 之上实现这样的系统，但是，您需要获得更多经验才能实现所需的功能。

有关语音存档和索引的开源实现，您可以查看Matterhorn

您可以在presentation 中找到有关马特宏峰语音索引的详细信息

但是，这不是实现此类功能的唯一方法，您还可以继续使用您选择的语言和简单的工具。 Ruby/php 或 Node.js 也可以在这里使用。