Время речи каждого говорящего: как посчитать интервалы CSV без двойного счёта

Сначала определите, что считается речью

По тексту с одним стартовым таймкодом нельзя точно определить длительность реплики. Следующая метка может включать паузу, а начало другого говорящего не всегда означает конец первого. Для расчёта нужны проверенные начало и конец каждого отрезка и правила включения пауз.

В этой статье start и end — секунды от начала одной записи. Поле speaker обозначает подтверждённую метку человека. Если ваш CSV содержит только text и timecode, сначала подготовьте интервальную разметку по аудио. Не утверждайте, что сервис автоматически выдал точные границы, если такой результат не проверен. Текстовую основу можно получить через Транскрибатор.

Различайте сумму и объединённую длительность

У одного говорящего отрезки 0–5 и 4–8 секунд имеют сумму 9 секунд, но покрывают 8 секунд записи. Общая часть 4–5 не должна считаться дважды. Отрезок 10–12 добавляет ещё 2: итог объединения равен 10 секундам, простая сумма — 11.

Если говорят два человека одновременно, этот момент входит во время обоих. Сумма длительностей людей может быть больше длительности аудио. Это не обязательно ошибка. Не превращайте долю времени в оценку участия или качества ответа: короткая реплика может содержать ключевое решение, а длинный отрезок — чтение документа.

Посчитайте оба показателя и сохраните проверку

Подготовьте speech-intervals.csv с колонками speaker,start,end. В учебной схеме используется десятичная точка: 12.5, а не строка 00:12,500. Сохраните код как speaker_time.py и выполните python speaker_time.py. Результат speaker-duration.csv создаётся в режиме x.

Код запрещает отрицательное начало, конец не позже начала, пустую метку и бесконечные значения. Сначала сортируются интервалы каждого говорящего; соприкасающиеся и перекрывающиеся объединяются. Округление происходит только при записи итогов до трёх знаков. Все группы хранятся в памяти.

import csv, math
from pathlib import Path
from collections import defaultdict

groups = defaultdict(list)
with Path("speech-intervals.csv").open(encoding="utf-8-sig", newline="") as file:
    reader = csv.DictReader(file)
    fields = reader.fieldnames or []
    if not {"speaker", "start", "end"} <= set(fields) or len(fields) != len(set(fields)):
        raise ValueError("Проверьте колонки")
    for row in reader:
        if None in row or any(v is None for v in row.values()):
            raise ValueError("Неполные записи или лишние поля")
        speaker = row["speaker"]
        a, b = float(row["start"]), float(row["end"])
        if not speaker.strip() or not all(map(math.isfinite, (a,b))) or not 0 <= a < b:
            raise ValueError("Неверный говорящий или интервал")
        groups[speaker].append((a,b))

def union_duration(intervals):
    merged = []
    for a,b in sorted(intervals):
        if merged and a <= merged[-1][1]:
            merged[-1][1] = max(merged[-1][1], b)
        else:
            merged.append([a,b])
    return sum(b-a for a,b in merged)

with Path("speaker-duration.csv").open("x", encoding="utf-8-sig", newline="") as file:
    writer = csv.writer(file)
    writer.writerow(["speaker", "intervals", "sum_seconds", "union_seconds"])
    for speaker, intervals in groups.items():
        writer.writerow([speaker, len(intervals), round(sum(b-a for a,b in intervals), 3),
                         round(union_duration(intervals), 3)])
print("Результат описывает размеченные интервалы, не важность выступлений")

Проверьте расхождения по аудио

Сравните sum_seconds и union_seconds. Большое расхождение у одного человека — повод изучить дубли интервалов, неверное имя или перекрывающуюся разметку. Совпадение показателей не подтверждает точность границ. Прослушайте начало, конец и спорные смены говорящих, а также проверьте, что end не выходит за фактический конец источника.

Для таблицы с разными интервью сначала выполните разделение по источнику. Числа секунд разных записей не принадлежат одному таймлайну. При ошибках колонок поможет проверка CSV.

В отчёте укажите, включены ли паузы внутри реплики, как обработана неразборчивая речь и кто проверял метки. Алгоритм не выделяет речь из аудио, не определяет личность и не исправляет диаризацию. Он лишь считает уже заданные интервалы по явному правилу.