-
Notifications
You must be signed in to change notification settings - Fork 17
/
Copy pathpreparing_speech_to_text.py
executable file
·246 lines (202 loc) · 14.5 KB
/
preparing_speech_to_text.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
#!/usr/bin/python3
# -*- coding: utf-8 -*-
# - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
# OS : GNU/Linux Ubuntu 16.04 or 18.04
# LANGUAGE : Python 3.5.2 or later
# AUTHOR : Klim V. O.
# - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
'''
Создание статической языковой модели и фонетического словаря для PocketSphinx на основе
вопросов из обучающей выборки. Для создания необходимо вызвать функцию building_language_model().
Используется CMUclmtk_v0.7 и text2dict из ru4sphinx.
'''
import os
import sys
import re
import subprocess
from itertools import groupby
# Создание временной папки, если она была удалена
if not os.path.exists('temp'):
os.makedirs('temp')
# Попробовать использовать CMUclmtk через pip3 install python-cmuclmtk
# https://github.com/Holzhaus/python-cmuclmtk
class LanguageModel:
''' Предназначен для создания статической языковой модели и фонетического словаря для PocketSphinx на основе вопросов из обучающей выборки. '''
def build_language_model(self, f_name_source_data, len_source_data=None):
''' Создание статической языковой модели и фонетического словаря для PocketSphinx на основе вопросов из обучающей выборки.
После выполнения в .../pocketsphinx/model/ будет создана языковая модель ru_bot_+name_dataset+.lm и фонетический словарь ru_bot_+name_dataset+.dic
Так же языковая модель и фонетический словарь сохраняются в temp/prepared_questions.lm и temp/prepared_questions.dic
1. f_name_source_data - имя .txt файла с обучающей выборкой
2. len_source_data - если None: использовать весь f_name_source_data, иначе - первые len_source_data элементов
Для работы используется text2wfreq, wfreq2vocab, text2idngram и idngram2lm из CMUclmtk_v0.7.
!!! Включено ограничение на 20000 слов в словаре, что бы изменить, нужно в коде заменить wfreq2vocab на wfreq2vocab -top 20000
[20000 - необходимый предел размера словаря] !!! '''
print('[i] Создание статической языковой модели и фонетического словаря для pocketsphinx')
current_dirname = os.path.dirname(os.path.realpath(__file__)) + '/temp/'
# Подготовка данных
result = self.__preparing_questions(f_name_source_data, len_source_data)
name_dataset = f_name_source_data[f_name_source_data.rfind('/')+1:f_name_source_data.rfind('.txt')]
if result is not None and result == 'error':
return
f_name_log = 'temp/building_language_model_' + name_dataset + '.log'
f_name_prepared_questions = current_dirname + 'prepared_questions_' + name_dataset + '.txt'
f_name_prepared_questions_vocab = current_dirname + 'prepared_questions_' + name_dataset + '_vocab.txt'
f_name_prepared_questions_idngram = current_dirname + 'prepared_questions_' + name_dataset + '.idngram'
f_name_prepared_questions_lm = current_dirname + 'prepared_questions_' + name_dataset + '.lm'
f_name_prepared_questions_dic = current_dirname + 'prepared_questions_' + name_dataset + '.dic'
f_name_final_lm = 'ru_bot_' + name_dataset + '.lm'
f_name_final_dic = 'ru_bot_' + name_dataset + '.dic'
# Включено ограничение на 20000 слов в словаре, что бы изменить, нужно заменить wfreq2vocab на wfreq2vocab -top 20000
print('[i] Построение словаря из вопросов обучающей выборки... ', end='')
# text2wfreq <prepared_questions.txt | wfreq2vocab> prepared_questions.tmp.vocab.txt
command_line = "text2wfreq <'" + f_name_prepared_questions + "' | wfreq2vocab> '" + f_name_prepared_questions_vocab + "'"
proc = subprocess.Popen(command_line, shell=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
out, err = proc.communicate()
out = out.decode()
err = err.decode()
log = out + err + '\n===========================================================================================\n\n'
if log.find('text2wfreq : Done.') != -1 and log.find('wfreq2vocab : Done.') != -1:
print('ок')
else:
print('\n[E] Ошибка, подробнее в %s' % f_name_log)
with open(f_name_log, 'w') as f_log:
f_log.write(log)
return
print('[i] Построение idngram... ', end='')
# text2idngram -vocab prepared_questions.vocab.txt -idngram prepared_questions.idngram < prepared_questions.txt
command_line = "text2idngram -vocab '" + f_name_prepared_questions_vocab + "' -idngram '" + \
f_name_prepared_questions_idngram + "' < '" + f_name_prepared_questions + "'"
proc = subprocess.Popen(command_line, shell=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
out, err = proc.communicate()
out = out.decode()
err = err.decode()
log += out + err + '\n===========================================================================================\n\n'
if log.find('text2idngram : Done.') != -1:
print('ок')
else:
print('\n[E] Ошибка, подробнее в %s' % f_name_log)
with open(f_name_log, 'w') as f_log:
f_log.write(log)
return
print('[i] Построение статической языковой модели... ', end='')
# idngram2lm -vocab_type 0 -idngram prepared_questions.idngram -vocab prepared_questions.vocab.txt -arpa prepared_questions.lm
command_line = "idngram2lm -vocab_type 0 -idngram '" + f_name_prepared_questions_idngram + "' -vocab '" + \
f_name_prepared_questions_vocab + "' -arpa '" + f_name_prepared_questions_lm + "'"
proc = subprocess.Popen(command_line, shell=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
out, err = proc.communicate()
out = out.decode()
err = err.decode()
log += out + err
if log.find('idngram2lm : Done.') != -1:
print('ок')
else:
print('\n[E] Ошибка, подробнее в %s' % f_name_log)
with open(f_name_log, 'w') as f_log:
f_log.write(log)
return
# Сохранение логов
with open(f_name_log, 'w') as f_log:
f_log.write(log)
# Удаление первых 6 строк из словаря, 4 из которых содержат комментарий от CMUclmtk, а оставшиеся 2 - <s> и </s>
vocabulary = []
with open(f_name_prepared_questions_vocab, 'r') as f_vocab:
vocabulary = f_vocab.readlines()
for i in range(5, -1, -1):
del vocabulary[i]
with open(f_name_prepared_questions_vocab, 'w') as f_vocab:
for word in vocabulary:
f_vocab.write(word)
# Создание фонетического словаря из обычного, созданного text2wfreq и wfreq2vocab
self.create_dictionary(f_name_prepared_questions_vocab, f_name_prepared_questions_dic)
# Копирование языковой модели ru_bot.lm и фонетического словаря ru_bot.dic в ...pythonx.x/dist-packages/pocketsphinx/model/
print('[i] Копирование языковой модели ru_bot_' + name_dataset + '.lm и фонетического словаря ru_bot_' + name_dataset + \
'.dic в ...python' + str(sys.version_info[0]) + '.' + str(sys.version_info[1]) + '/dist-packages/pocketsphinx/model/')
path_dict_for_ps = '/usr/local/lib/python' + str(sys.version_info[0]) + '.' + str(sys.version_info[1]) + '/dist-packages/pocketsphinx/model/'
command_line = "sudo cp '" + f_name_prepared_questions_lm + "' '" + path_dict_for_ps + f_name_final_lm + "'"
subprocess.call(command_line, shell=True)
command_line = "sudo cp '" + f_name_prepared_questions_dic + "' '" + path_dict_for_ps + f_name_final_dic + "'"
subprocess.call(command_line, shell=True)
print('[i] Готово')
def __preparing_questions(self, f_name_source_data, len_source_data=None):
''' Чтение пар вопрос %% ответ из f_name_source_data, выделение вопросов, удаление знаков препинания и неподдерживаемых
символов, заключение каждого предложения в <s>..</s> и сохранение результата в temp/prepared_questions_+f_name_source_data
1. f_name_source_data - имя .txt файла с обучающей выборкой
2. len_source_data - если None: использовать весь f_name_source_data, иначе - первые len_source_data элементов '''
print('[i] Подготовка вопросов...')
if not os.path.isfile(f_name_source_data):
print("\n[E] Файл '" + f_name_source_data + "' не существует\n")
return 'error'
dataset = self.__dataset_load(f_name_source_data)
if len_source_data is not None and len_source_data <= len(dataset):
dataset = dataset[:len_source_data]
print('[i] Считано %s пар из %s' % (len(dataset), f_name_source_data))
dataset = self.__dataset_clean(dataset)
dataset = [re.sub(r'\s{2,10}', ' ', q) for q in dataset]
for i in range(len(dataset)):
dataset[i] = '<s> ' + dataset[i] + ' </s>'
i += 1
dataset = [q for q, _ in groupby(dataset)]
name_dataset = f_name_source_data[f_name_source_data.rfind('/')+1:f_name_source_data.rfind('.txt')]
with open('temp/prepared_questions_' + name_dataset + '.txt', 'w') as file:
for q in dataset:
file.write(q + '\n')
def __dataset_load(self, f_name_source_data):
''' Загрузка из файла текста в виде списка строк "вопрос %% ответ" и выделение вопросов. '''
with open(f_name_source_data, 'r') as f_source_data:
dataset = f_source_data.readlines()
# Удаление пробелов в начале и конце каждой строки "вопрос %% ответ" и разбиение каждой строки на две части
dataset = [ pair.strip() for pair in dataset ]
dataset = [ pair.split('%%') for pair in dataset ]
result = []
for pair in dataset: # для всех пар [вопрос, ответ]
question = pair[0].strip() # удаление лишних пробелов
if len(question) > 0:
result.append(question) # сохранение вопросов
return result
def __dataset_clean(self, dataset):
''' Очистка всех вопросов от знаков препинания и неподдерживаемых символов. '''
result = [ self.__clean_question(q) for q in dataset ]
return result
def __clean_question(self, question):
''' Очистка вопроса от знаков препинания и неподдерживаемых символов. '''
question = question.lower()
question = re.sub(r'\.', '', question)
question = re.sub(r',', '', question)
question = re.sub(r':', '', question)
question = re.sub(r'–', '-', question)
question = re.sub(r'-', ' ', question)
question = re.sub(r';', ' ', question)
question = re.sub(r'!', '', question)
question = re.sub(r'\?', '', question)
question = re.sub(r'…', '', question)
question = re.sub(r'\.{2,5}', '', question)
#quest = re.sub(r'\.{2,5}', '...', quest)
question = re.sub(r'"', '', question)
question = re.sub(r"'", '', question)
question = re.sub(r'«|»', '', question)
question = re.sub(r'ё', 'е', question)
question = re.sub(r'\([^()]*\)', ' ', question) # удаление скобок вместе с содержимым
question = re.sub(r'\({1,5}|\){1,5}', ' ', question) # удаление отдельно стоящих скобок
#quest = re.sub(r'\.\.\.*', '…', quest)
#quest = re.sub(r'[\W]+', '', quest) # удаление всех не букв
return question
def create_dictionary(self, f_name_vocab, f_name_dic):
''' Создание фонетического словаря из обычного, созданного text2wfreq и wfreq2vocab из вопросов обучающей выборки.
После выполнения будет создан f_name_dic.
1. f_name_vocab - имя .txt файла обычного словаря
2. f_name_dic - имя .dic файла фонетического словаря
Для работы используется text2dict из https://github.com/zamiron/ru4sphinx/tree/master/text2dict '''
print('[i] Создание фонетического словаря...\n')
current_dirname = os.path.dirname(os.path.realpath(__file__))
# perl dict2transcript.pl prepared_questions_vocab.txt prepared_questions.dic
command_line = "perl '" + current_dirname + "/text_to_dict/dict_to_transcript.pl' '" + f_name_vocab + "' '" + f_name_dic + "'"
subprocess.call(command_line, shell=True)
print()
def main():
f_name_plays = 'data/plays_ru/plays_ru.txt'
f_name_subtitles = 'data/subtitles_ru/subtitles_ru.txt'
f_name_conversations = 'data/conversations_ru/conversations_ru.txt'
lm = LanguageModel()
lm.build_language_model(f_name_plays)
if __name__ == '__main__':
main()