如何基于Watson Speech-to-Text输出重构带时序的对话？

针对你用Watson Speech-to-Text得到的分词DataFrame，要把连续同说话人的词汇合并成组，我给你整理了一套简洁的实现方案，咱们直接上代码和解释：

首先，先把你的示例数据转换成DataFrame方便操作：

import pandas as pd

words = [['said', 0.01, 0.06, 0],['this', 0.06, 0.12, 0],['said', 0.12, 0.15, 1],['that', 0.15, 0.22, 1],['said', 0.22, 0.31, 0],['something', 0.31, 0.45, 0],['else', 0.45, 0.56, 0]]
df = pd.DataFrame(words, columns=['word', 'start_time', 'end_time', 'speaker'])

接下来关键的一步是生成分组标识：我们需要判断每一行的说话人和上一行是否不同，如果不同就开启一个新分组。用shift()对比当前行和上一行的speaker，再用cumsum()生成唯一的分组ID：

# 生成分组ID：当speaker变化时，分组号+1
df['group_id'] = (df['speaker'] != df['speaker'].shift()).cumsum()

然后就可以按group_id聚合了，聚合规则很明确：

• 词汇列：把同一组的word拼成列表
• start_time：取组内最小的起始时间（也就是第一个词的start）
• end_time：取组内最大的结束时间（也就是最后一个词的end）
• speaker：取组内任意一个即可（因为同一组speaker相同）

代码实现：

grouped_df = df.groupby('group_id').agg(
    words_list=('word', list),
    start_time=('start_time', 'min'),
    end_time=('end_time', 'max'),
    speaker=('speaker', 'first')
).reset_index(drop=True)

最后把聚合后的DataFrame转换成你需要的嵌套列表格式：

grouped_words = grouped_df.apply(lambda x: [x['words_list'], x['start_time'], x['end_time'], x['speaker']], axis=1).tolist()

运行完这些代码，grouped_words就是你想要的结果：

[[['said', 'this'], 0.01, 0.12, 0],
 [['said', 'that'], 0.12, 0.22, 1],
 [['said', 'something', 'else'], 0.22, 0.56, 0]]

补充说明 #

• 这个方法完美处理说话人多次切换的情况，哪怕同一个说话人在不同时间段出现，也会被分成不同的组（完全符合你要的“连续说出的词汇分组”需求）
• 如果你的原始DataFrame包含其他字段，只需要调整agg里的对应字段即可，核心逻辑完全通用

内容的提问来源于stack exchange，提问作者cookie1986