Převod souboru STM do XML

Pochopení formátů souborů stm a xml

STM soubory, běžně označované jako Segment Time Marked soubory, se používají ve zpracování řeči a jazyka k anotaci audio dat s časově sladěnými přepisy. Tyto soubory jsou prostý text a následují specifickou strukturu, která označuje změny řečníků, začátek a konec času a mluvený obsah.

XML (eXtensible Markup Language) je široce používaný značkovací jazyk pro ukládání a přenos strukturovaných dat. XML soubory jsou čitelné jak pro člověka, tak pro stroj, což je činí ideálními pro výměnu dat mezi různými systémy a aplikacemi.

Proč převádět stm do xml?

Převod STM souborů do formátu XML umožňuje jednodušší integraci s moderními nástroji pro zpracování dat, databázemi a webovými aplikacemi. Strukturovaná povaha XML je vhodná pro další analýzu, transformaci nebo sdílení mezi platformami.

Jak převést stm na xml

Neexistuje žádný univerzální přímý konvertor pro STM na XML, ale lze použít skriptovací jazyky jako Python k automatizaci procesu. Obecný přístup je následující:

1. Číst STM soubor po řádcích.
2. Rozparsovat každý řádek a extrahovat pole jako soubor, kanál, řečníka, začátek a konec času a přepis.
3. Strukturovat extrahovaná data do XML elementů.
4. Výstup zapsat do XML souboru.

Pro méně zkušené s skriptováním mohou některé nástroje pro anotaci řeči exportovat do XML, ale může být nutná manuální mapping.

Doporučený software pro konverzi stm na xml

• Python s ElementTree nebo lxml: Napsat vlastní skript pro parsování STM a generování XML. Toto je nejflexibilnější a nejspolehlivější metoda.
• ELAN: Importovat STM soubory a exportovat anotace jako XML. Použijte File → Import → STM a poté File → Export As → EAF (XML).
• Praat: Přestože je primárně pro analýzu zvuku, Praat může importovat STM a exportovat TextGrid, který lze převést na XML s dalšími nástroji.

Příklad skriptu v Pythonu pro převod stm na xml

import xml.etree.ElementTree as ET

def stm_to_xml(stm_path, xml_path):
    root = ET.Element('Transcripts')
    with open(stm_path, 'r') as stm_file:
        for line in stm_file:
            parts = line.strip().split()
            if len(parts) < 6:
                continue
            entry = ET.SubElement(root, 'Segment')
            ET.SubElement(entry, 'File').text = parts[0]
            ET.SubElement(entry, 'Channel').text = parts[1]
            ET.SubElement(entry, 'Speaker').text = parts[2]
            ET.SubElement(entry, 'StartTime').text = parts[3]
            ET.SubElement(entry, 'EndTime').text = parts[4]
            ET.SubElement(entry, 'Transcript').text = ' '.join(parts[5:])
    tree = ET.ElementTree(root)
    tree.write(xml_path, encoding='utf-8', xml_declaration=True)

Tento skript načte STM soubor a vygeneruje strukturovaný XML soubor.

Závěr

Převod STM souborů do XML je nejlépe dosažen pomocí skriptování v Pythonu nebo specializovaných linguistických nástrojů pro anotaci, jako je ELAN. To umožňuje lepší interoperabilitu dat a další zpracování.