我正在嘗試將語音轉文本 API 的輸出與地面實況轉錄進行比較。我想要做的是將語音到文本 API 遺漏或誤解的基本事實中的單詞大寫。例如：真相： The quick brown fox jumps over the lazy dog.語音到文本輸出： the quick brown box jumps over the dog期望的結果： The quick brown FOX jumps over the LAZY dog.我最初的直覺是從基本事實中刪除大寫和標點符號并使用 difflib。這讓我得到了準確的差異，但我無法將輸出映射回原始文本中的位置。我想保留基本事實的大寫和標點符號來顯示結果，即使我只對單詞錯誤感興趣。有什么方法可以將 difflib 輸出表示為原始文本的詞級變化嗎？
3 回答
慕斯王
TA貢獻1864條經驗 獲得超2個贊
我還想建議一個使用 difflib 的解決方案，但我更喜歡使用 RegEx 進行單詞檢測，因為它會更精確并且更能容忍奇怪的字符和其他問題。
我在您的原始字符串中添加了一些奇怪的文字以表明我的意思：
import re
import difflib
truth = 'The quick! brown - fox jumps, over the lazy dog.'
speech = 'the quick... brown box jumps. over the dog'
truth = re.findall(r"[\w']+", truth.lower())
speech = re.findall(r"[\w']+", speech.lower())
for d in difflib.ndiff(truth, speech):
print(d)
輸出
the
quick
brown
- fox
+ box
jumps
over
the
- lazy
dog
另一個可能的輸出：
diff = difflib.unified_diff(truth, speech)
print(''.join(diff))
輸出
---
+++
@@ -1,9 +1,8 @@
the quick brown-fox+box jumps over the-lazy dog
HUX布斯
TA貢獻1876條經驗 獲得超6個贊
為什么不將句子拆分成單詞然后在這些單詞上使用 difflib？
import difflib
truth = 'The quick brown fox jumps over the lazy dog.'.lower().strip(
'.').split()
speech = 'the quick brown box jumps over the dog'.lower().strip('.').split()
for d in difflib.ndiff(truth, speech):
print(d)
神不在的星期二
TA貢獻1963條經驗 獲得超6個贊
所以我想我已經解決了這個問題。我意識到 difflib 的“contextdiff”提供了其中有變化的行的索引。為了獲取“ground truth”文本的索引，我刪除了大寫/標點符號，將文本拆分為單個單詞，然后執行以下操作：
altered_word_indices = []
diff = difflib.context_diff(transformed_ground_truth, transformed_hypothesis, n=0)
for line in diff:
if line.startswith('*** ') and line.endswith(' ****\n'):
line = line.replace(' ', '').replace('\n', '').replace('*', '')
if ',' in line:
split_line = line.split(',')
for i in range(0, (int(split_line[1]) - int(split_line[0])) + 1):
altered_word_indices.append((int(split_line[0]) + i) - 1)
else:
altered_word_indices.append(int(line) - 1)
在此之后，我將更改后的單詞大寫打印出來：
split_ground_truth = ground_truth.split(' ')
for i in range(0, len(split_ground_truth)):
if i in altered_word_indices:
print(split_ground_truth[i].upper(), end=' ')
else:
print(split_ground_truth[i], end=' ')
這讓我可以打印出“The quick brown FOX jumps over the LAZY dog”。（包括大寫/標點符號）而不是“快速的棕色 FOX 跳過 LAZY 狗”。
這不是一個超級優雅的解決方案，它需要經過測試、清理、錯誤處理等。但這似乎是一個不錯的開始，并且可能對遇到相同問題的其他人有用。我會把這個問題懸而未決幾天，以防有人想出一種不太粗略的方法來獲得相同的結果。
添加回答
舉報
0/150
提交
取消