Praat脚本-003 | 一种高效的将连续录制的音频切分的方案
文章目录
-
- 前言
-
- 引题
- 要点
- 数据Demo
- 技术方案
-
- 步骤一 人工定句子边界
- 步骤二 利用脚本切分
-
- 第一种情况，直接使用数字保存
- 第二种情况，利用标注的内容作为文件名
- 运行脚本
- 特别说明
- 如何获取脚本
- 关注
- 版权说明
前言
引题
在语音处理过程中，整理语料，录音，再进行标注，是一个非常重要并且基础的步骤。有很多公司或者团队在录音的时候有专门写的软件，可以做到一次播放一句，然后录制完成，再点下一句，自动保存；但是，有一些工作受到条件限制，或者就是为了录制一些自然对话，在录音时比较高效的做法是让录音人一次录制比较长的时长，例如半小时到一小时是，这样的情形想录一句保存一句，是不可能的。
这样录出来的语音存在的问题是，在标注时，声音太长，会很难处理，Praat在标注时内存也比较卡，不好检索。这里要介绍的方案就是通过脚本辅助人工，能够将这些句子切分出来，标注时以切分出来的文件为单位，操作会容易很多。具体的方案是通过在Praat里先手工完成句子边界的标注，即，假设你这个录音语料是10分钟，大概有200句话，那么需要手工给出这200句的边界，然后再利用脚本，自动切分成200句wav，并按自己的需要给出文件名定义。
要点
中间的人工工作是必不可少的，因为这样录制的语料，经常会有一个问题就是中间有一些是需要略过的，比如发音人的咳嗽，等其它噪声。这时候需要人工判断是否留下这段语音。另外也可以考虑比如用CoolEdit打开这段10分钟的录音，一段一段的手工截取，再保存。这也不错，但是有一个问题就是，人工难免手抖，难免眼睛迷糊，在你保存文件名的时候，是不是那么清楚的文件名都保存正确，这是个疑问，而用脚本操作，完全没有这个担心。
数据Demo
这里以‘央广网’上，一段新闻和报纸摘要的语音为例。这段语料如下，实际录音时可能要处理的句子更长。
里约奥运会进入第十一个比赛日。昨夜今晨，中国选手获得花样游泳双人银牌以及田径男子三级跳铜牌。有请中国广播奥运联盟、央广记者梁悦带来比赛快报。在里约奥运会田径男子三级跳远比赛中，卫冕冠军、美国选手克里斯蒂安-泰勒以17米86获得冠军。中国选手董斌以17米58的个人最好成绩获得第三名，他的队友曹硕以17米13的成绩获得第四名。这是中国选手在这个项目中取得的最佳战绩。比赛结束以后，淡定的董斌表示，这是中国田径人多年努力的成果。
我们期望将这一段处理成以下几个句子：
-
里约奥运会进入第十一个比赛日。
-
昨夜今晨，中国选手获得花样游泳双人银牌以及田径男子三级跳铜牌。
-
有请中国广播奥运联盟、央广记者梁悦带来比赛快报。
-
在里约奥运会田径男子三级跳远比赛中，卫冕冠军、美国选手克里斯蒂安-泰勒以17米86获得冠军。
-
中国选手董斌以17米58的个人最好成绩获得第三名，他的队友曹硕以17米13的成绩获得第四名。
-
这是中国选手在这个项目中取得的最佳战绩。
-
比赛结束以后，淡定的董斌表示，这是中国田径人多年努力的成果。
经过这样的切分之后，显得更有条理，而且每一句长度适中，在处理的时候非常方便，而且如果想检索某个词，字时，非常容易的可以找到相应的文件。同理，这样的处理方式也可以用在处理录音词语或者字上，比如要处理上千个词或者字，录音时录音人一次完成，那么就需要通过这个方式，将这整个声音切成独立的词或者字。
技术方案
步骤一 人工定句子边界
首先第一步，需要在Praat中将这几个句子的边界手工给出，如下图，标注s的位置就是我们想切分出来的句子，共7句和上面的内容是对应的。如果有同学怕弄乱了，用序列1-7来标注，也是可以的，脚本里设定的条件是非空的值，就会把这句保存起来。
这个操作就是使用Praat简单的标注的操作，生成一层TextGrid，然后给出边界，并且给出序号即可。如果对这个操作并不熟练，可以查阅相关基础的操作指南(http://blog.csdn.net/shaopengfei/article/details/51363464)。完成这个标注，注意保存这个TextGrid。
同样，如果你的语料是一批词语，也是可以的。脚本会将下面标出来的三个词切分并保存起来。
注意，边界不需要特别准备，脚本设定了根据你的边界，可以前后再扩展比如0.2秒，0.3秒。。。这都是可以的。所以这个技巧也会让你更快的完成人工这一步。程序默认是0.3秒，在如下这里修改。
##### extend 0.3 seconds at the begin and end boundary
start = start - 0.3
end = end + 0.3
步骤二 利用脚本切分
标注好之后，就可以执行脚本，进行切分了。脚本给出两个选项，主要是针对保存后的文件名。
第一种情况，直接使用数字保存
原文件名是：
baozhai.wav
经过切分之后，假设我们切出来7个文件，文件名是：
baozhai_0001.wav
baozhai_0002.wav
baozhai_0003.wav
baozhai_0004.wav
baozhai_0005.wav
baozhai_0006.wav
baozhai_0007.wav
新的文件名构成是，原来的文件，加上序号，序号设置为4位，这个数值也是可以自己定义的。
第二种情况，利用标注的内容作为文件名
原文件名是：
000001.wav
经过切分之后，假设我们切出来3个文件，文件名分别是：
000001_卡尔普_0001.wav
000001_陪外孙_0002.wav
000001_玩滑梯_0003.wav
新的文件名构成是，原来的文件，加上标注时候的内容，以后序号，带序号的目的是防止重复，比如你这一句里有两个词是重复的，如果没有序号，那么这两个文件就会被覆盖了。
运行脚本
打开Praat之后，选择Praat，Open Praat Script...，打开这个脚本，然后在脚本窗口选择Run，Run，或者直接使用快捷键Ctrl+R，在弹出来的对话框里，设置以下几个地方，本文例子的目录都在脚本目录下：
- 设置你的长音频所在的目录，这里是
LongWavToDo_1\； - 设置需要保存的切分后的文件夹名称，这里是
small_wavs_1\； - 设置标注是否需要的句子的那个层，这里就是
1层； - 设置
mark string，这里是如果你的标注比较复杂，要专门保留某种标记的，比如我想单独保存aa这样的音段，那么需要设置为aa，这时候如果运行脚本，将会把所有音段aa都切分出来保存；默认为空，表示所有非空的都保存； - 设置保存方式①，这里如果选
FileName_markString_order是指上面介绍的第二种情况；如果选FileName_order是指上面介绍的第一种情况； - 设置序号的位数，这里是默认为
4；
特别说明
最近好几位同学问起，我的标注里并没有任何的标记，我就是想把我这个音频分成几部分，比如我是这样做的：
我就是要把我的文件只是简单的分成6部分，这样如何操作？确实小编之前没有想到这种情况。现在对脚本增加一部分选项。在运行脚本的时候请选择第三项，首先第一步，mark string这里仍然置空， 第二步，请选择下面的②处的第3项，FileName_order(no mark)。这样就可以把你的文件 切割成6份了。
如何获取脚本
https://github.com/feelins/Praat_Scripts
本站所有Praat脚本都可以在上述github的项目目录里找到，如果日常对代码、脚本操作比较熟练的可通过下载、安装、配置github for windows在自己的电脑上通过git clone将代码下载到本机，这样的好处是可以跟主站及时更新代码。
不想费如此脑筋，可以通过点击如下图Code位置所示，下载整站的代码，可直接使用。
本文的代码是03-long_sound_splits\Split_Long_Sound_Files.Praat。点进去之后，还有附带的示例文件，同学可练习使用。脚本里有我的邮箱，有任何问题都可以来信咨询。
关注
关于对本站脚本的使用咨询，以及功能修改，增加等，都可以扫QQ咨询群，私信群主。
版权说明
1、版权归本公众号“极地语音工作室”，原名“语音处理小站”所有；
2、未经本站或者作者允许， 不得任意转载本文内容，否则将视为侵权；
3、转载或者引用本文内容请注明来源及原作者；
4、对于不遵守此声明或者其他违法使用本站内容者，本人依法保留追究权等。