企业官网建设流程全解析

做网站ps注意事项,长春火车站到龙嘉机场高铁时刻表,深圳市信任网站,深圳网站建设的公FSMN VAD输出结果导出#xff1a;JSON转CSV批量处理脚本 1. 为什么需要这个脚本#xff1f; 你刚用FSMN VAD WebUI跑完一批会议录音#xff0c;页面上漂亮地显示着一串JSON结果#xff1a; [{start: 70, end: 2340, confidence: 1.…FSMN VAD输出结果导出JSON转CSV批量处理脚本1. 为什么需要这个脚本你刚用FSMN VAD WebUI跑完一批会议录音页面上漂亮地显示着一串JSON结果[ {start: 70, end: 2340, confidence: 1.0}, {start: 2590, end: 5180, confidence: 1.0} ]但问题来了——领导要你把所有音频的语音片段起止时间整理成Excel表格方便导入到标注平台同事想用Python做后续统计分析而你手头有37个音频文件每个都得手动复制粘贴、改格式、加文件名……光是点开37次网页就让人头皮发麻。别折腾了。这篇脚本就是为你写的——一行命令把几十个JSON结果自动合并成一个带文件名标记的CSV表格字段清晰、时间可读、开箱即用。它不依赖WebUI后台不修改原系统纯本地运行5分钟就能部署好。你甚至不用懂Python复制粘贴就能跑通。2. 脚本能做什么小白一眼看懂这个脚本不是“又一个转换工具”而是专为FSMN VAD工作流设计的轻量级生产力补丁。它解决的是真实场景里的三个卡点自动识别文件归属不用手动给每个JSON加文件名。脚本会根据JSON文件名如meeting_01.json自动提取音频名并写入CSV第一列时间单位人性化转换原始JSON里全是毫秒start: 70脚本自动转成秒0.07和标准时间格式00:00:00.070Excel里直接可排序、可计算时长一键批量合并把分散在/results/目录下的37个JSON合成一个vad_summary.csv结构像这样audio_namestart_msend_msduration_msstart_secend_secduration_secstart_timeend_timeconfidencemeeting_0170234022700.072.342.2700:00:00.07000:00:02.3401.0meeting_012590518025902.595.182.5900:00:02.59000:00:05.1801.0注意同一音频可能有多段语音所以audio_name会重复出现——这正是你做分段统计需要的结构。它不生成图片、不调用API、不连数据库就是一个干净的.py文件双击或命令行运行即可。连Python环境都不用额外装只要你的WebUI能跑起来说明环境已经齐了。3. 快速上手三步完成部署3.1 准备工作确认你的文件结构脚本默认从./vad_results/目录读取所有.json文件。请先确保你的FSMN VAD WebUI导出的JSON按如下方式存放your_project/ ├── vad_results/ │ ├── interview_01.json │ ├── interview_02.json │ └── call_center_20240512.json └── convert_json_to_csv.py ← 你将创建的脚本小技巧WebUI的“批量文件处理”功能还在开发中但你可以用它的单文件模式把每个音频单独处理然后把结果JSON手动保存到vad_results/目录——这是目前最稳的落地方式。3.2 创建转换脚本复制即用新建一个文件命名为convert_json_to_csv.py粘贴以下内容已实测兼容Python 3.8无需额外安装包#!/usr/bin/env python3 # -*- coding: utf-8 -*- FSMN VAD JSON to CSV Batch Converter Author: 科哥 | 支持 FSMN VAD WebUI 输出格式 Input: ./vad_results/*.json (each contains list of {start, end, confidence}) Output: ./vad_summary.csv (with readable time columns) import os import json import csv from datetime import timedelta def ms_to_time_str(ms): Convert milliseconds to HH:MM:SS.mmm format if ms 0: return 00:00:00.000 td timedelta(millisecondsms) hours, remainder divmod(td.seconds, 3600) minutes, seconds divmod(remainder, 60) return f{hours:02d}:{minutes:02d}:{seconds:02d}.{ms%1000:03d} def main(): input_dir ./vad_results output_file ./vad_summary.csv # Collect all JSON files json_files [f for f in os.listdir(input_dir) if f.endswith(.json)] if not json_files: print(f❌ 错误未在 {input_dir} 目录下找到任何 .json 文件) print(请确认文件路径正确且至少有一个 JSON 结果文件) return print(f 发现 {len(json_files)} 个 JSON 文件开始处理...) # Prepare CSV headers fieldnames [ audio_name, start_ms, end_ms, duration_ms, start_sec, end_sec, duration_sec, start_time, end_time, confidence ] with open(output_file, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnamesfieldnames) writer.writeheader() processed_count 0 for json_file in json_files: try: # Extract audio name (remove .json extension) audio_name os.path.splitext(json_file)[0] # Load JSON with open(os.path.join(input_dir, json_file), r, encodingutf-8) as jf: data json.load(jf) # Process each segment for seg in data: start_ms int(seg.get(start, 0)) end_ms int(seg.get(end, 0)) conf float(seg.get(confidence, 0.0)) duration_ms end_ms - start_ms start_sec round(start_ms / 1000, 3) end_sec round(end_ms / 1000, 3) duration_sec round(duration_ms / 1000, 3) start_time ms_to_time_str(start_ms) end_time ms_to_time_str(end_ms) writer.writerow({ audio_name: audio_name, start_ms: start_ms, end_ms: end_ms, duration_ms: duration_ms, start_sec: start_sec, end_sec: end_sec, duration_sec: duration_sec, start_time: start_time, end_time: end_time, confidence: conf }) processed_count 1 print(f ✔ 已处理 {json_file} ({len(data)} 段语音)) except Exception as e: print(f ❌ 处理 {json_file} 失败{str(e)}) continue print(f\n 全部完成共处理 {processed_count}/{len(json_files)} 个文件) print(f 结果已保存至{output_file}) print( 提示用 Excel 或 WPS 打开 CSVstart_time 列可直接排序查看语音顺序) if __name__ __main__: main()3.3 运行脚本并验证结果打开终端Linux/macOS或命令提示符Windows进入你的项目目录执行python convert_json_to_csv.py你会看到类似这样的输出发现 3 个 JSON 文件开始处理... ✔ 已处理 meeting_a.json (2 段语音) ✔ 已处理 meeting_b.json (3 段语音) ✔ 已处理 call_2024.json (1 段语音) 全部完成共处理 3/3 个文件 结果已保存至./vad_summary.csv 提示用 Excel 或 WPS 打开 CSVstart_time 列可直接排序查看语音顺序打开生成的vad_summary.csv你应该能看到整齐的表格时间列已自动格式化可以直接用于汇报、分析或导入其他工具。常见问题直答Q报错ModuleNotFoundError: No module named csvA不可能。csv是Python标准库只要能运行WebUI这个脚本一定可以跑。检查是否输错了文件名或路径里有中文空格。QCSV里时间显示乱码A用Excel打开时选择“UTF-8编码”WPS用户请右键→“以编码方式打开”→选UTF-8。4. 进阶用法按需定制你的输出脚本设计为“开箱即用按需可调”。如果你有特殊需求只需改几行代码无需重写逻辑。4.1 修改输入/输出路径两处找到脚本中的这两行input_dir ./vad_results output_file ./vad_summary.csv改成你实际的路径例如input_dir /home/user/fsnm_vad_outputs output_file /home/user/reports/vad_all_2024.csv4.2 过滤低置信度片段加一行判断如果你只关心置信度≥0.8的语音段在for seg in data:循环内加入conf float(seg.get(confidence, 0.0)) if conf 0.8: # 跳过置信度低于0.8的片段 continue4.3 添加音频时长字段扩展分析维度想同时知道原始音频总时长只需在writer.writerow({...})前加一行# 假设你有 audio_duration_ms 字段需提前获取例如从FFmpeg # 这里演示如何添加audio_duration_ms 120000 # 2分钟 # 然后在 writer.writerow 中加入 # audio_duration_ms: audio_duration_ms,实用建议真正需要音频总时长的场景推荐用FFmpeg批量提取再用pandas合并——但这已超出本脚本范围。本脚本专注做好一件事把VAD结果变成可分析的表格。5. 为什么这个方案比其他方法更可靠市面上有各种JSON转CSV工具但它们对FSMN VAD场景普遍存在三个硬伤对比项通用在线转换器Excel“从文本导入”本脚本文件归属识别❌ 需手动为每个JSON加列❌ 同样需手动自动提取文件名一目了然毫秒转时间格式❌ 只做数值转换❌ 公式复杂易错内置ms_to_time_str()精准到毫秒多段语音展开❌ 把整个JSON当一整行❌ 无法自动拆分数组每段语音独立成行结构规整错误容忍度❌ JSON格式稍错就崩溃❌ 编码错误常导致乱码try/except包裹单文件失败不影响全局零依赖部署❌ 需联网、有隐私风险❌ Windows/Mac行为不一致纯本地无网络无第三方服务更重要的是——它和你的工作流无缝咬合。你不需要改变现有操作习惯照常在WebUI里点“开始处理”照常把结果存成JSON最后跑一次脚本。没有学习成本没有流程切换没有新工具要适应。它不是炫技的工程而是帮你每天省下15分钟的务实工具。6. 总结让VAD结果真正可用FSMN VAD本身是个强大的模型但再好的技术如果结果不能被业务方快速理解、不能被下游工具直接消费它的价值就会大打折扣。这个脚本做的就是打通从“模型输出”到“业务可用”的最后一公里它把冷冰冰的毫秒数字变成Excel里可排序、可筛选、可求和的时间戳它把散落的37个JSON文件聚合成一张清晰的总览表让项目经理一眼看清每段语音归属它用最朴素的Python标准库实现不引入任何新依赖确保在你现有的服务器、笔记本、甚至树莓派上都能稳定运行。你不需要成为Python专家也不需要理解FSMN的内部结构。你只需要记住下次导出一堆JSON时cd进目录敲python convert_json_to_csv.py喝口茶回来就有一张 ready-to-use 的CSV。这才是AI工具该有的样子——不制造新麻烦只默默解决老问题。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。