Ted subtitle merge

這東西有什麼用？(What)

此專案是用合併 Ted 的中英字幕， 會輸出 中英字幕合併之後的結果：

[  
   {  
      "en":"How do you explain when things don't go as we assume?",
      "zh-tw":"你會怎麼解釋當事情不如我們所想的一般時？"
   },
   {  
      "en":"Or better, how do you explain",
      "zh-tw":"或者更好的是，你如何解釋"
   },
   {  
      "en":"when others are able to achieve things that seem to defy all of the assumptions?",
      "zh-tw":"當其他人能夠完成似乎違反所有假設的事時？"
   }
]

為什麼需要這個？(Why)

因為想要中英字幕對照一起看，但是從 Ted 拿到的中英字幕，發現沒辦法很容易的把中英字幕集結起來，因為有些話英文講可能要三句，中文只要一句，例如 Simon Sinek 的 How great leaders inspire action

我們可以先透過解析 html 去拿到 talk id ：

curl -s https://www.ted.com/talks/simon_sinek_how_great_leaders_inspire_action | grep al:ios:ur  | awk -F '/' '{print $4}'  | awk -F '?' '{print $1}'
// 848

再用 talk id 去拿到該 talk 的中英字幕：

https://www.ted.com/talks/subtitles/id/848/lang/en
https://www.ted.com/talks/subtitles/id/848/lang/zh-tw

就可以拿到中英字幕：

{  
   "captions":[  
      {  
         "duration":2000,
         "content":"你會怎麼解釋",
         "startOfParagraph":true,
         "startTime":1000
      },
      {  
         "duration":2000,
         "content":"當事情不如我們所想的一般時？",
         "startOfParagraph":false,
         "startTime":3000
      },
      {  
         "duration":3000,
         "content":"或者更好的是，你如何解釋",
         "startOfParagraph":false,
         "startTime":5000
      },
      {  
         "duration":2000,
         "content":"當其他人能夠完成似乎",
         "startOfParagraph":false,
         "startTime":8000
      },
      {  
         "duration":2000,
         "content":"違反所有假設的事時？",
         "startOfParagraph":false,
         "startTime":10000
      }
   ]
}

{  
   "captions":[  
      {  
         "duration":3976,
         "content":"How do you explain\nwhen things don't go as we assume?",
         "startOfParagraph":true,
         "startTime":1000
      },
      {  
         "duration":2976,
         "content":"Or better, how do you explain",
         "startOfParagraph":false,
         "startTime":5000
      },
      {  
         "duration":3976,
         "content":"when others are able to achieve things\nthat seem to defy all of the assumptions?",
         "startOfParagraph":false,
         "startTime":8000
      }
   ]
}

其中各欄位的意義：

欄位名稱	意義
duration	這句話講了多久，單位為毫秒
content	講什麼
startOfParagraph	是不是段落的開始
startTime	開始講的時間，單位為毫秒

這個例子可以看出同樣的話，中文的字幕是六句；而英文是三句。
而這個程式的功能就是將兩個字幕合併，將同樣的話對齊：

[  
   {  
      "en":"How do you explain when things don't go as we assume?",
      "zh-tw":"你會怎麼解釋當事情不如我們所想的一般時？"
   },
   {  
      "en":"Or better, how do you explain",
      "zh-tw":"或者更好的是，你如何解釋"
   },
   {  
      "en":"when others are able to achieve things that seem to defy all of the assumptions?",
      "zh-tw":"當其他人能夠完成似乎違反所有假設的事時？"
   }
]

要怎麼做到合併呢？(How)

首先先觀察 startOfParagraph 能不能當作合併的條件， 要先搜尋中英字幕的"startOfParagraph":true 的個數，
因為 "startOfParagraph":true 代表這是一個段落的開始，
搜尋此 talk 發現中文的個數是 24 個，英文是 30 個，
所以不能單純用這個來做合併條件。

所以剩下幾個有用的資訊：

1. startTime
2. duration

目前是根據這兩個資訊來做合併的條件，大致上分為兩個步驟：

1. 找出英文幾句話是一個段落。

• 偵測到句尾有 .、?，就可能是一個段落，會得到一個段落的 startTimeOfParagraph 跟 durationOfParagraph。

2. 找出中文哪個段落 是 對應剛剛找到的英文段落。

• 將中文字幕一句一句的 duration 加起來，等於剛剛英文的 durationOfParagraph 就是中文的一個段落。

如何使用

pip install requests # 先裝 requests 套件

mkdir output # 建立輸出的資料夾

合併字幕 (使用 Talk id 指定 talk)

./Main.py 848 # 執行程式，後方參數為 talk id

合併字幕 (使用 網址 指定 talk)

curl -s https://www.ted.com/talks/simon_sinek_how_great_leaders_inspire_action | grep al:ios:ur  | awk -F '/' '{print $4}'  | awk -F '?' '{print $1}' | xargs ./Main.py

最後輸出的檔案路徑是：

output/848.json
output/848.srt