Discussion :

[MMDM12]

Bonjour,
est ce que vous connaissez des moyens (methodes, algorithmes) pour la segmentation de texte pour les genres de fichier .srt (transcription de la bade sonore d'une video) ?
L'objectif est d'avoir des segments de texte coherents et "continu" par rapport au contenu:
par exemple, sur le fichier de depart, si on considere chaque partie comme etant un segment, on aura, le segment 1 qui fini dans le deux, ...

Je veux un moyen de re-structurer le fichier en segment et en ayant pour chaque segement, l'heure de debut et celle de la fin.

Exemple fichier

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
 
1
00:00:00,000 --> 00:00:04,052
Now that we know about the one-time pad,
let's talk about making the one-time pad
 
2
00:00:04,052 --> 00:00:08,088
more practical using something called the
stream cypher. But before we do that,
 
3
00:00:08,088 --> 00:00:13,057
let's do a quick review of where we were.
So let me just remind you that a cypher is
 
4
00:00:13,057 --> 00:00:18,020
defined over a triple of sets called a key
space, a message space, and a cypher text
 
5
00:00:18,020 --> 00:00:22,039
bare space. And a cypher is a pair of
efficient algorithms called E and D; E
 
6
00:00:22,039 --> 00:00:27,008
stands for encryption and D stands for
decryption. And the only property. That we

[thelvin]

Ben, ton fichier est déjà comme ça, non ?

(Par ailleurs, l'idée n'est pas forcément bonne. Parfois un sous-titre est trop long pour qu'on puisse raisonnablement l'enlever avant d'afficher le suivant.)

[MMDM12]

En fait, j'ai un algorithme pour resumer une video, il selectionne les segments (selon des scores).
Si je considere cette segmentation, l'algorithme peut par exemple selectionner les segments 1 et 4 mais pas 2,ni 3 ... ainsi de suite, et dans ce cas j'aurais des trous par ce que j'aurais des phrases inachées.

Pour la longueur des sous-titres dans mon cas, ils ne depasse pas 8 seconde.
PJ: fichier .srt

[thelvin]

Ça suffit pas de donner juste un fichier.
- Quel genre de fichier as-tu au départ
- Qu'est-ce qui ne te convient pas
- Quel genre de fichier cherches-tu à avoir à la place ?

Enfin quoi, tu te doutes bien qu'on va pas le deviner.

[MMDM12]

Ça suffit pas de donner juste un fichier.
- Quel genre de fichier as-tu au départ
- Qu'est-ce qui ne te convient pas
- Quel genre de fichier cherches-tu à avoir à la place ?

Enfin quoi, tu te doutes bien qu'on va pas le deviner.

Je ne joue pas au devinette ici, depuis le debut je parle de segmentation.

Le fichier de depart est le fichier joint en post3.
Ce qui ne me convient pas, c'est ce que j'ai cité plus haut, à savoir ne pas avoir des segments contenants des phrases interrompues.

[thelvin]

Autant que possible, je voudrais ne pas épiloguer, mais tu devrais te rendre compte que "phrase" est un mot-clé important qui a à peine été abordé, alors que "segmentation" est secondaire.
Ton problème, c'est que des "phrases" sont "coupées" en cela qu'elles sont "réparties" dans plusieurs "trucs." Alors qu'il faudrait qu'elles soient "entières" dans un seul "truc."

Bon, et puis tu ne nous as pas parlé de ce que tu cherches à produire comme "version corrigée" :
- un autre fichier .srt qui est pile comme tu veux ?
- une correction en ligne pendant que tu lis le fichier ?
- Comment tu détermines le début et la fin d'une phrase, au juste ? Il suffit d'un point qui manque et tout tombe par terre ?
- Une fois qu'une phrase a été reconstituée en un seul endroit, qu'est-ce qui décide de l'heure où elle a commencé et où elle a fini ? Peut-être que ce n'est pas important pour ton fameux algorithme ?

Pour t'aider à parser un fichier .srt, tu peux t'inspirer de google-video-subtitles-parser vu que Google utilise les .srt.
Ou alors emprunter la classe SrtParser de la bibli mp4parser, en respectant sa license quand même.