[F:\英語の学習-実習\mp3-2-text\t1-mp3-to-sentense-mp3.py](作業場所)
■音声(mp3)のセンテンスのテキスト出力及び各センテンスのmp3出力の試み
上手くいかない場合があります。
改善が必要ですが覚書として記録したものです。
import speech_recognition as sr
from pydub import AudioSegment
from pydub.silence import split_on_silence
import os
# 一括でファイル名を定義
mp3_file = "practice.mp3"
wav_file = "converted.wav"
# ディレクトリ部分とファイル名部分に分ける
basename, ext = os.path.splitext(mp3_file)
#print(basename) # "practice"
#print(ext) # ".mp3"
dir_name, file_name = os.path.split(mp3_file)
#print(dir_name) # 空文字列 ""
#print(file_name) # "practice.mp3"
# ファイル名から拡張子を除去
tmp2 = os.path.splitext(file_name)[0] #"practice"
txt_file = tmp2 + "/" + tmp2 + ".txt" #"practice/practice.txt"で保存
directory = os.path.dirname(txt_file) #"practice"
# ディレクトリが存在しない場合は作成
if not os.path.exists(directory):
os.makedirs(directory)
# 無音の長さ（秒単位）を設定（チャンク同士の間隔）
#silence_duration = 2 # 1 デフォルトの無音時間（秒）
silence_duration = 1 #1 英文のチャンク間の無音時間
# MP3ファイルをWAVに変換する
sound = AudioSegment.from_mp3(mp3_file)
sound.export(wav_file, format="wav")
# 音声タイプを選択 ('e-only' for 英文だけ, 'j-only' for 和訳だけ)
audio_type = 'e-only' # 'e-only' または 'j-only' に設定
# 無音を作成する関数
def generate_silence(duration_sec):
return AudioSegment.silent(duration=duration_sec * 1000) # ミリ秒に変換
# 音声ファイルを分割する（無音部分で区切る）
def split_audio(file_path):
sound = AudioSegment.from_wav(file_path)
chunks = split_on_silence(
sound,
min_silence_len=1200, # 500->1200無音とみなす最小の長さ（ミリ秒）[この値を適宜変更]
silence_thresh=sound.dBFS - 14, # 無音とみなす音の閾値
keep_silence=500 # 各チャンクの先頭と末尾に無音を残す（ミリ秒）
)
return chunks
# 文章の末尾に句点やピリオドを追加し、英文をキャピタライズする関数
def format_sentence(sentence, is_english=False):
sentence = sentence.strip() # 余分なスペースを削除
if is_english:
sentence = sentence.capitalize() # 英文の先頭を大文字に変換
if sentence and sentence[-1] not in ['.', '?', '!', '。', '？', '！']:
sentence += '.' # 英文の文末にピリオドを追加
else:
if sentence and sentence[-1] not in ['。', '？', '！']:
sentence += '。' # 和訳の文末に句読点を追加
return sentence
# 音声認識の準備
recognizer = sr.Recognizer()
# WAVファイルをチャンクごとに分割
audio_chunks = split_audio(wav_file)
# 変換したテキストを保存するリスト
recognized_sentences = []
# 各チャンクをテキストに変換
chunk_files = [] # 生成されたチャンクファイルのリスト
for i, chunk in enumerate(audio_chunks):
chunk_filename = f"chunk{i}.wav"
# 各チャンクを保存
chunk.export(chunk_filename, format="wav")
chunk_files.append(chunk_filename) # 作成されたチャンクファイルをリストに追加
with sr.AudioFile(chunk_filename) as source:
audio = recognizer.record(source)
# 音声をテキストに変換
try:
# 音声の種類に応じて処理を変更
if audio_type == 'e-only':
# 英文の場合
text = recognizer.recognize_google(audio, language="en-US")
formatted_sentence = format_sentence(text, is_english=True)
elif audio_type == 'j-only':
# 和訳の場合
text = recognizer.recognize_google(audio, language="ja-JP")
formatted_sentence = format_sentence(text, is_english=False)
# 認識結果をリストに追加
recognized_sentences.append(formatted_sentence)
except sr.UnknownValueError:
print(f"チャンク{i} は認識できませんでした。")
except sr.RequestError as e:
print(f"Googleサービスへのリクエストに失敗しました; {e}")
# TXTファイルに書き込む処理
with open(txt_file, mode='w', encoding='utf-8') as txtfile:
for sentence in recognized_sentences:
txtfile.write(sentence + '\n')
print(f"出力が完了しました。結果は {txt_file} に保存されました。")
# 生成された各チャンクファイルをMP3に変換する
# ファイル名はmp3_fileのbasenameに"-"と3桁の連番を付ける。例 practice-001.mp3
output_dir=directory
# ディレクトリが存在しない場合は作成
if not os.path.exists(output_dir):
os.makedirs(output_dir)
# 各チャンクファイルをMP3に変換して保存
for i, chunk in enumerate(audio_chunks):
mp3_filename = f"{basename}-{i+1:03d}.mp3"
output_path = os.path.join(output_dir, mp3_filename) # ディレクトリに保存
# チャンクをMP3として保存
chunk.export(output_path, format="mp3")
print(f"{output_path} に保存されました。")
# 生成されたWAVファイルを削除
if os.path.exists(wav_file):
os.remove(wav_file)
print(f"{wav_file} を削除しました。")
# 生成されたチャンクファイルを削除
for chunk_file in chunk_files:
if os.path.exists(chunk_file):
os.remove(chunk_file)
print(f"{chunk_file} を削除しました。")