如何使用 jq 从 Google Video Intelligence API Speech Transcription JSON 输出中提取多个发言者的成绩单？

Question

我正在测试 Google Video Intelligence speech-to-text 是否可以使用多个扬声器转录播客剧集。

我提取了一个示例并将其发布到一个要点：output.json。

cat file.json | jq '.response.annotationResults[].speechTranscriptions[].alternatives[] | {startTime: .words[0].startTime, segment: .transcript }'

上面的命令将打印出每个段的startTime，以及段本身。 jq-output.json

{
  "time": "6.400s",
  "segment": "Hi, my name is Melinda Smith from Noble works. ...snip"
}
{
  "time": "30s",
  "segment": " Any Graham as a tool for personal and organizational ...snip"
}

我的目标是在我的 jq 输出中包含 speakerTagfor 每个段。

这是我卡住的地方...开始，.alternatives[] 中的每个数组都包含 .transcript 一个包含该段的字符串，.confidence 和 .words[] 一个数组，其中包含该段的每个单词和说话的时间。

JSON 的那部分是我获得输出第一部分的方式。然后，在遍历记录的每一段之后，在底部，它有一个最后一个 .alternatives[] 数组，包含（再次）整个记录中的每个单词，一次一个，以及它的 startTime、endTime 和 speakerTag .

这是我的意思的简化示例：

speechTranscriptions:
  alternatives:
    transcript: "Example transcript segment"
    words:
      word: "Example"; startTime: 0s;
      word: "transcript"; startTime: 1s;
      word: "segment"; startTime: 2s;
  alternatives:
    transcript: "Another transcript segment"
    words:
      word: "Another"; startTime: 3s;
      word: "transcript"; startTime: 4s;
      word: "segment"; startTime: 5s;
  alternatives:
    words:
      word: "Example"; startTime: 0s; speakerTag: 1;
      word: "transcript"; startTime: 1s; speakerTag: 1;
      word: "segment"; startTime: 2s; speakerTag: 1;
      word: "Another"; startTime: 3s; speakerTag: 2;
      word: "transcript"; startTime: 4s; speakerTag: 2;
      word: "segment"; startTime: 5s; speakerTag: 2;

我的想法是以某种方式通过jq-output.json，并将每个startTime 与原始视频智能API 输出中对应的speakerTag 匹配。

.response.annotationResults[].speechTranscriptions[].alternatives[] | ( if .words[].speakerTag then {time: .words[].startTime, speaker: .words[].speakerTag} else empty end)

我尝试了一些变体，目的是只打印开始时间和扬声器标签，然后在下一步中匹配这些值。我的问题是不了解如何仅在 startTime 具有相应的 speakerTag 时打印它。

如 cmets 中所述，最好在一个命令中生成此结果，但我只是试图将问题分解为我可以尝试理解的部分。

Answer 1

我的问题是不了解如何仅在 startTime 具有相应的 speakerTag 时才打印它。

这可以使用过滤器来完成：

.response.annotationResults[].speechTranscriptions[].alternatives[].words[]
 | select(.speakerTag)
 | {time: .startTime, speaker: .speakerTag}

所以也许以下是主要问题的解决方案（或至少接近解决方案）：

.response.annotationResults[].speechTranscriptions[].alternatives[]
| (INDEX(.words[] | select(.speakerTag); .startTime) | map_values(.speakerTag)) as $dict
| {startTime: .words[0].startTime, segment: .transcript}
| . + {speaker: $dict[.startTime]}