MyTTS

1. Извлечь текст из файла или нескольких файлов.
2. Форматировать текст: удалить лишние пробелы, разрывы строк и т.д. (если заданы соответствующие параметры).
3. Объединить текст в один файл (если задан соответствующий параметр).
4. Разбить текст на части (если заданы соответствующие параметры).
5. Применить правила коррекции произношения (если заданы соответствующие параметры).
6. Сохранить файл или файлы на диске.

• Улучшено распознавание кодировки для обычных текстовых файлов.

• Параметры для разбиения текста по оглавлению были разделены: если задан параметр -c, программа извлечет оглавление из электронного документа; если задан параметр -toc, программа создаст оглавление при помощи найденных в тексте ключевых слов ("глава", "том").
• Параметры -c и -toc могут использоваться вместе. В этом случае программа сначала извлечет оглавление из файла; если оглавление отсутствует, программа создаст новое оглавление.
• Исправлено извлечение текста из файлов формата PDF.

• Небольшие улучшения.

• Обновлено извлечение текста из файлов форматов DOCX, FB2 и ODT.
• Добавлен параметр --include-notes <число> для добавления сносок и примечаний внутрь текста. Возможные значения для числового параметра:
  • 0 - удалить ссылки на примечания из текста
  • 1 - сохранить текущие позиции сносок и примечаний в тексте (значение используется по умолчанию)
  • 2 - переместить сноски и примечания в конец предложений
  • 3 - переместить сноски и примечания в конец абзацев

• Обновлен метод деления текста на части.

• Обновлены сообщения об ошибках.
• Исправлено извлечение текста из файлов формата DjVu.

• Обновлено применение правил для коррекции произношения.

• Обновлено применение правил для коррекции произношения.

• Добавлены параметры для извлечения содержимого полей заголовка из файлов формата EML, а также параметр для извлечения всех файлов, прикрепленных к сообщению, в заданную папку.
• Добавлен параметр -out <имя_файла> для полного имени файла с извлеченным текстом. Параметр может быть полезен в тех случаях, когда утилита используется в составе другого программного продукта. (Если утилита применяется как внешняя программа для извлечения текста, команда запуска утилиты будет содержать имя входного файла и имя файла с извлеченным текстом.)
• Исправлено извлечение текста из файлов формата EML.

• Исправлено применение правил для коррекции произношения.

wasyaka писал(а): ↑

16 окт 2018 19:56

Словари используются впорядке написания?

• Общий список правил из словарей DIC сортируется так же, как в "Балаболке".
• Сначала применяются правила из словарей BXD, затем правила из словарей REX, затем DIC.

balabolka писал(а): ↑

17 окт 2018 14:37

Идея была такая: "одна строка - один параметр"

wasyaka писал(а): ↑

20 окт 2018 19:55

Так и не понял, как запустить файл конфигурации

wasyaka писал(а): ↑

20 окт 2018 19:55

Команду \*.* дополнить во вложенных папках - возможно?

for /d /r "e:\books" %%i in (*) do blb2txt -f "%%i\*.epub" -v "e:\text"

• Добавлен параметр -g <имя_папки> для извлечения графических файлов из документов.

balabolka писал(а): ↑

21 окт 2018 19:41

Добавлен параметр -g <имя_папки> для извлечения графических файлов из документов.

Lecron писал(а): ↑

22 окт 2018 15:08

Как понимаю, этот режим сделан в первую очередь для красоты прослушивания озвученных книг

balabolka писал(а): ↑

17 окт 2018 14:36

Два важных замечания:
Общий список правил из словарей DIC сортируется так же, как в "Балаболке".
Сначала применяются правила из словарей BXD, затем правила из словарей REX, затем DIC.

-f B:\blb2txt\Обработка\Серия - СМЕРШ - спецназ Сталина\*.* 
-v b:\blb2txt\пром 1\ 
-rs 
-rp 
-ocr 
-ls
-sfs
-in 2
-sn 
-d b:\Balabolka\dictionaries\1.0 corector.BXD 
-d b:\Balabolka\dictionaries\1.1 corector омо.BXD 
-d b:\Balabolka\dictionaries\1.2 Словарь Ё.DIC 
-f b:\blb2txt\пром 1\*.*
-v b:\blb2txt\пром 2\
-d b:\Balabolka\dictionaries\1.3 chisla.BXD 
-d b:\Balabolka\dictionaries\1.4 vse-vsyo.BXD 
-d b:\Balabolka\dictionaries\1.5 RGV.BXD 
-d b:\Balabolka\dictionaries\1.6 sample.BXD
-d b:\Balabolka\dictionaries\1.7 YandexTTS.DIC
-f b:\blb2txt\пром 2\*.*
-v B:\blb2txt\Готовые\Серия - СМЕРШ - спецназ Сталина\
-d b:\Balabolka\dictionaries\1.8 Yandex ОМО авто.BXD
-d b:\Balabolka\dictionaries\1.9 Yandex абривиатура.DIC
-d b:\Balabolka\dictionaries\2.0 Yandex слова.DIC 
-rs

wasyaka писал(а): ↑

31 окт 2018 14:24

1.по какому принципу последовательность обработки файлов в папке?

wasyaka писал(а): 2.В процессе обработки - изменения содержания словарей, для ещё не обработаных файлов - сработает?

wasyaka писал(а): 3.И есть ли возможность добавить команду выключить комп по окончанию обработок?

shutdown /s

balabolka писал(а): ↑

31 окт 2018 15:35

Создайте файл с расширением *.BAT. Первая строка файла - вызов утилиты blb2txt.exe, вторая строка будет выглядеть так:
shutdown /s

• Добавлено извлечение текста из файлов формата FB3.
• Добавлен параметр -cvr <имя_папки> для извлечения обложки книги.
• Обновлено извлечение текста из файлов формата FB2.
• Параметр --skip-fb2-summary (-sfs) переименован в --skip-summary (-ss).

• Страницы извлекаются из документа формата DjVu как графические файлы формата TIFF.

balabolka писал(а): ↑

10 ноя 2018 20:13

как графические файлы формата TIFF.

set ffmpeg=D:\Program\_Media\_Codecs\ffmpeg_x64\bin\ffmpeg.exe

%ffmpeg% -i %1 %1.bmp

%ffmpeg% -i %1.bmp %1.tiff
%ffmpeg% -i %1.bmp %1.png

%ffmpeg% -i %1.tiff %1.tiff.bmp
%ffmpeg% -i %1.png %1.png.bmp

fc /b %1.bmp %1.png.bmp
fc /b %1.tiff.bmp %1.png.bmp

D:\Var\Temp\test>fc /b 0156.jpg.bmp 0156.jpg.png.bmp
Сравнение файлов 0156.jpg.bmp и 0156.JPG.PNG.BMP
FC: различия не найдены

D:\Var\Temp\test>fc /b 0156.jpg.tiff.bmp 0156.jpg.png.bmp
Сравнение файлов 0156.jpg.tiff.bmp и 0156.JPG.PNG.BMP
FC: различия не найдены

wasyaka писал(а): ↑

15 ноя 2018 10:45

не удаляет антонацию,

wasyaka писал(а): ↑

15 ноя 2018 10:45

не срабатывает словарь 1.1.1 corector омо.dic (замена Заглавной в омографах на прописную )

balaamster писал(а): ↑

15 ноя 2018 15:16

тоже на ram-диске программу держите?

• Добавлен параметр -rpn для удаления номеров страниц.
• Страницы извлекаются из документа формата DjVu как графические файлы формата PNG.

• Добавлен параметр --remove-comments (-rc) для удаления комментариев (однострочных и многострочных).

• Добавлен параметр --remove-round-brackets (-rrb) для удаления текста внутри круглых скобок.

• Добавлен параметр -hh текст для вставки текста перед заголовками (например: ## Глава 1).
• Исправлены мелкие ошибки.

• Добавлено извлечение текста из файлов формата PPTX.

• Добавлено извлечение текста из файлов форматов ODP и PPT.

wasyaka писал(а): ↑

14 фев 2019 19:45

Команды входящие в группу форматирования имеют приоритет ?
А в очередь поставить?

1. --remove-page-numbers
2. --fix-letter-spacing
3. --remove-square-brackets
4. --remove-curly-brackets
5. --remove-angle-brackets
6. --remove-round-brackets
7. --remove-comments
8. --remove-spaces
9. --remove-hyphens
10. --remove-linebreaks
11. --remove-empty-lines
12. --replace-empty-lines
13. --fix-ocr-errors

balabolka писал(а): ↑

14 фев 2019 21:45

А что, в этом есть необходимость?

• Добавлена настройка --add-period (-ap): добавить точку, если вслед за последним словом абзаца нет знака препинания.

• При разбиении текста заданное число обозначает не количество килобайтов, а количество символов (включая пробелы, знаки препинания, символы перевода строки и возврата каретки).
• Добавлен параметр для минимального размера части текста при разбиении.
• Параметр -m переименован в -j.

• Обновлено извлечение текста из файлов форматов DOCX, CHM, EPUB, HTML, ODP, ODT и PPTX.
• Исправлено извлечение текста из файлов формата CHM.

• Небольшие улучшения.