Анализ тональности текста устной речи

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Обработка устной речи на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Аудиофайлы существенно отличаются от большинства других типов данных. Прежде чем начать с ними работать, необходима предварительная обработка. В этой главе вы освоите первые шаги в работе с речевыми файлами: преобразуете два разных аудиофайла в звуковые волны и сравните их визуально.

Exercise 1: Введение в аудиоданные в Python Exercise 2: Правильная единица частоты Exercise 3: Импорт аудиофайла с помощью Python Exercise 4: Преобразование байтов звуковой волны в целые числа Exercise 5: Правильный тип данных Exercise 6: Из байтов в целые числа Exercise 7: Определение временны́х меток Exercise 8: Визуализация звуковых волн Exercise 9: Сохраняем согласованность Exercise 10: Обработка аудиоданных с помощью Python

Распознавание речи до сих пор далеко от совершенства. Тем не менее библиотека SpeechRecognition предоставляет удобный способ взаимодействия со многими API преобразования речи в текст. В этом разделе вы научитесь использовать библиотеку SpeechRecognition, чтобы легко конвертировать устную речь из аудиофайлов в текст.

Exercise 1: Библиотека SpeechRecognition для Python Exercise 2: Найдите лишний API speech_recognition Exercise 3: Работа с библиотекой SpeechRecognition Exercise 4: Использование класса Recognizer Exercise 5: Чтение аудиофайлов с помощью SpeechRecognition Exercise 6: От AudioFile к AudioData Exercise 7: Записываем нужный фрагмент аудио Exercise 8: Работа с различными типами аудио Exercise 9: Различные виды аудио Exercise 10: Несколько говорящих 1 Exercise 11: Несколько говорящих 2 Exercise 12: Работа с зашумлённым аудио

Аудиофайлы бывают самых разных форматов, размеров и конфигураций. К счастью, библиотека PyDub от Джеймса Роберта предоставляет инструменты для программного изменения различных параметров аудиофайлов: частоты кадров, числа каналов, формата файла и не только. В этой главе вы научитесь использовать эту полезную библиотеку, чтобы привести все ваши аудиофайлы к нужному виду перед транскрибированием.

Exercise 1: Введение в PyDub Exercise 2: Импорт аудиофайла с помощью PyDub Exercise 3: Воспроизведение аудиофайла с помощью PyDub Exercise 4: Параметры аудио с PyDub Exercise 5: Настройка параметров аудио Exercise 6: Работа с аудиофайлами в PyDub Exercise 7: Тише... и громче Exercise 8: Нормализация аудиофайла с помощью PyDub Exercise 9: Обрезка и изменение аудиофайлов Exercise 10: Разделение стереозвука на моно с помощью PyDub Exercise 11: Конвертация и сохранение аудиофайлов с помощью PyDub Exercise 12: Экспорт и конвертация аудиофайлов Exercise 13: Обработка нескольких аудиофайлов с помощью PyDub Exercise 14: Рабочий процесс обработки аудио

В этой главе вы объедините всё изученное и создадите прототип системы обработки речи для технологической компании Acme Studios. Сначала вы транскрибируете фрагменты аудиозаписей звонков в службу поддержки. Затем на основе полученного текста выполните анализ тональности с помощью NLTK, распознавание именованных сущностей с помощью spaCy и классификацию текста с помощью scikit-learn.

Exercise 1: Создание вспомогательных функций для транскрибирования Exercise 2: Конвертация аудио в нужный формат Exercise 3: Получение статистики PyDub Exercise 4: Транскрибирование аудио в одну строку Exercise 5: Применение созданных вспомогательных функций Exercise 6: Анализ тональности текста устной речи

Текущее упражнение

Exercise 7: Анализ тональности телефонного звонка Exercise 8: Анализ тональности отформатированного текста Exercise 9: Распознавание именованных сущностей в транскрибированном тексте Exercise 10: Распознавание именованных сущностей в spaCy Exercise 11: Создание пользовательской именованной сущности в spaCy Exercise 12: Классификация транскрибированной речи с помощью Sklearn Exercise 13: Подготовка аудиофайлов для классификации текста Exercise 14: Транскрибирование фрагментов телефонных звонков Exercise 15: Организация транскрибированных данных телефонных звонков Exercise 16: Классификатор текста устной речи Exercise 17: Поздравляем!