Searching in podcast collection

using SimilaritySearch, SimSearchManifoldLearning, TextSearch, CodecZlib, JSON, DataFrames, Plots, StatsBase, DataFrames, Clustering, Markdown, Latexify
using Downloads: download

This example is about searching in a caption/subtitle collection, i.e., looking for passages in audiobooks, youtube videos, conferences, podcasts, etc. The audio should be translated with a speech to text model, i.e., Whisper of OpenAI.

Having a WebVTT set of files we need to load the corpus. The files we are using as dataset are WebVTT subtitles, which can be readed with the following code, note that this code is not part of the example and can be ignored.

mutable struct EntryVTT
    type::Symbol
    name::String
    tbegin::String
    tend::String
    data::Vector{String}
end

function webvtt!(filename, idfile, D)
    L = []
    B = nothing

    open(filename) do f
        lineno = 0
        while !eof(f)
            line = readline(f)
            lineno += 1
            if line == "WEBVTT"
                B = EntryVTT(:WEBVTT, "", "", "", String[])
                push!(L, B)
                continue
            end

            n = length(line)
            if n == 0 # flush
                if B.type === :caption
                    for caption in B.data
                        push!(D, (; idfile, B.name, B.tbegin, B.tend, caption))
                    end
                end
                B = nothing
                continue
            end

            if B === nothing
                m = match(r"^NOTE (.*)", line)
                if m !== nothing
                    B = EntryVTT(:NOTE, "", "", "", String[])
                    push!(L, B)
                    if length(m.captures[1]) > 0
                        push!(B.data, m.captures[1])
                    end

                    continue
                end

                if "REGION" == line
                    B = EntryVTT(:REGION, "", "", "", String[])
                    push!(L, B)
                    continue
                end

                if occursin("-->", line)
                    tbegin, tend = split(line)[[1, 3]]
                    B = EntryVTT(:caption, "", tbegin, tend, String[])
                    continue
                end

                B = EntryVTT(:caption, line, "", "", String[])
                push!(L, B)
            else
                if occursin("-->", line)
                    B.tbegin, B.tend = split(line)[[1, 3]]
                    continue
                end
                push!(B.data, line) # appends to the last
            end
        end
    end

    B !== nothing && push!(L, B)
    L, D
end

Now, we load the dataset

podcasts = sort!(readdir("/home/sadit/sites/SimilaritySearchDemos/podcast-vtt/", join=true))


D = DataFrame(idfile=String[], name=String[], tbegin=String[], tend=String[], caption=String[])

for filename in podcasts
    webvtt!(filename, basename(filename), D)
end

D

21013×5 DataFrame

20988 rows omitted

Row	idfile	name	tbegin	tend	caption
	String	String	String	String	String
1	tres-patines-y-la-tremenda-corte_0000.vtt		00:00.000	00:11.000	Audiencia pública, el tremendo juez de la tremenda corte va a resolver un tremendo caso.
2	tres-patines-y-la-tremenda-corte_0000.vtt		00:11.000	00:13.000	Buenas noches, secretario.
3	tres-patines-y-la-tremenda-corte_0000.vtt		00:15.000	00:18.000	Buenas noches, señor juez. ¿Cómo se siente hoy?
4	tres-patines-y-la-tremenda-corte_0000.vtt		00:18.000	00:25.000	Campana. Hoy me siento panetela. De manera que vamos a ver si acabamos pronto que esta noche me voy de rumba.
5	tres-patines-y-la-tremenda-corte_0000.vtt		00:25.000	00:27.000	No me digas. ¿Se va usted de rumba?
6	tres-patines-y-la-tremenda-corte_0000.vtt		00:27.000	00:30.000	Sí, tengo un carrito ahí que es algo serio.
7	tres-patines-y-la-tremenda-corte_0000.vtt		00:30.000	00:32.000	Ah, oígame. ¿Jóven?
8	tres-patines-y-la-tremenda-corte_0000.vtt		00:32.000	00:36.000	Un pollito. No tiene más que 46 años.
9	tres-patines-y-la-tremenda-corte_0000.vtt		00:36.000	00:40.000	¿Y una mujer de 46 años le llama a usted pollito todavía?
10	tres-patines-y-la-tremenda-corte_0000.vtt		00:40.000	00:42.000	Claro que sí. ¿Qué número es gallina en la bola?
11	tres-patines-y-la-tremenda-corte_0000.vtt		00:42.000	00:43.000	54.
12	tres-patines-y-la-tremenda-corte_0000.vtt		00:43.000	00:45.000	Entonces hasta los 53 sigue siendo un pollito.
13	tres-patines-y-la-tremenda-corte_0000.vtt		00:45.000	00:47.000	Ah, bueno. ¿Y es bonita?
⋮	⋮	⋮	⋮	⋮	⋮
21002	tres-patines-y-la-tremenda-corte_0050.vtt		16:26.080	16:26.880	¿Por qué?
21003	tres-patines-y-la-tremenda-corte_0050.vtt		16:26.880	16:28.200	Porque no tuvieron éxito.
21004	tres-patines-y-la-tremenda-corte_0050.vtt		16:28.200	16:29.800	Escriba ahí, secretario.
21005	tres-patines-y-la-tremenda-corte_0050.vtt		16:29.840	16:31.400	Venga la sentencia.
21006	tres-patines-y-la-tremenda-corte_0050.vtt		16:31.400	16:35.040	El tribunal dictamina que ustedes han hecho leña a la finca de
21007	tres-patines-y-la-tremenda-corte_0050.vtt		16:35.040	16:37.440	Nananina perjudicando a su dueña.
21008	tres-patines-y-la-tremenda-corte_0050.vtt		16:37.440	16:40.520	Y por todo ese estropicio que parece obra de locos,
21009	tres-patines-y-la-tremenda-corte_0050.vtt		16:40.520	16:44.040	pagarán 5,000 cocos más las costas de este juicio.
21010	tres-patines-y-la-tremenda-corte_0050.vtt		16:44.040	16:47.720	Escucha el siguiente programa de La Tremenda Corte con Leopoldo
21011	tres-patines-y-la-tremenda-corte_0050.vtt		16:47.720	16:50.920	Fernández, Mimí Cali y Aníbal de Mar por esta emisora.
21012	tres-patines-y-la-tremenda-corte_0050.vtt		16:50.920	16:53.720	Hasta entonces, Manolo Iglesias, que les habla,
21013	tres-patines-y-la-tremenda-corte_0050.vtt		16:53.720	16:56.360	les dice, muy buena suerte, amigos.

Functions create to encode texto into bag-of-word vectors

textconfig = TextConfig(
    group_usr=true,
    group_url=true,
    del_diac=true,
    lc=true,
    group_num=true,
    nlist=[1],
    qlist=[])

# corpus here can be a sample to avoid double parsing
voc = Vocabulary(textconfig, D.caption) 
model = VectorModel(IdfWeighting(), TfWeighting(), voc)
# model = VectorModel(EntropyWeighting(), BinaryLocalWeighting(), voc, D.text, D.klass; smooth=1.0)
#model = VectorModel(IdfWeighting(), TfWeighting(), voc)
model = filter_tokens(model) do t
    t.weight >= 0.05
end

vectors = vectorize_corpus(model, D.caption)

UMAP projections

UMAP projection can take a while, even on multithreading systems. Note that we are creating 2d and 3d projections.

1e2, e3 = let min_dist=0.5f0,
             k=16,
             n_epochs=75,
             neg_sample_rate=3,
             tol=1e-3,
             layout=SpectralLayout(),
             indexsize=2048,
             dist=NormalizedCosineDistance()

    index = ExhaustiveSearch(; db=rand(vectors, indexsize), dist)
    @time U2 = fit(UMAP, index; k, neg_sample_rate, layout, n_epochs, tol, min_dist)
    @time U3 = fit(U2, 3; neg_sample_rate, n_epochs, tol)
    @time e2 = clamp.(predict(U2, vectors), -10f0, 10f0)
    @time e3 = clamp.(predict(U3, vectors), -10f0, 10f0)
    e2, e3
end

1: The UMAP algorithm has a lot of hyperparameters; min_dist controls the distance between projected points, k is the number of neighbors to be used in the underlying \(k\)nn graph, n_epochs the number of epochs used to optimize the projection, neg_sample_rate means for the number of negative examples used in the optimization process, tol the tolerance to converge, layout

Visualizations

function normcolors(V)
    min_, max_ = extrema(V)
    V .= (V .- min_) ./ (max_ - min_)
    V .= clamp.(V, 0, 1)
end

normcolors(@view e3[1, :])
normcolors(@view e3[2, :])
normcolors(@view e3[3, :])

C = [RGB(c[1], c[2], c[3]) for c in eachcol(e3)]

X = @view e2[1, :]
Y = @view e2[2, :]
scatter(X, Y, color=C, fmt=:png, alpha=0.2, size=(600, 600), ma=0.3, ms=2, msw=0, label="")

plot!()

dbscanresult = dbscan(e2, 0.035, min_cluster_size=10);

display(length(dbscanresult.clusters))

plot()
for (i, c) in enumerate(dbscanresult.clusters)
    X = @view e2[1, c.core_indices]
    Y = @view e2[2, c.core_indices]
    scatter!(X, Y, c=:auto, fmt=:png, size=(600, 600), ma=0.3, a=0.3, ms=1, msw=0, label="")
    if rand() < 0.1  # just to show some examples 
        X = c.core_indices
        sampled = ""
        if length(X) > 20
            sampled = "-- showing a small sample"
            X = rand(X, 20)
        end
        display(Markdown.parse("## Cluster $i with $(length(c.core_indices)) elements $sampled"))
        display(latexify(D[X, :], env=:mdtable, latex=false))
    end
end

plot!()

Cluster 2 with 93 elements – showing a small sample

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0045.vtt		03:30.000	03:32.000	me das pena, pobrecito.
tres-patines-y-la-tremenda-corte_0002.vtt		11:07.000	11:08.000	No me digas, ¿tú eres la sala?
tres-patines-y-la-tremenda-corte_0031.vtt		09:15.000	09:17.000	Me tiraron flores.
tres-patines-y-la-tremenda-corte_0020.vtt		00:27.000	00:28.000	Me peleé.
tres-patines-y-la-tremenda-corte_0042.vtt		04:22.500	04:24.500	No me digas, ¿tú estuviste en París?
tres-patines-y-la-tremenda-corte_0042.vtt		02:55.000	02:57.500	No me digas, empezó a salir un fantasma.
tres-patines-y-la-tremenda-corte_0042.vtt		06:18.500	06:19.500	No me digas.
tres-patines-y-la-tremenda-corte_0045.vtt		13:29.000	13:31.000	Calma, Ruedesindo, no me digas nada.
tres-patines-y-la-tremenda-corte_0045.vtt		13:17.000	13:18.000	No me digas.
tres-patines-y-la-tremenda-corte_0023.vtt		09:28.600	09:29.600	No me digas.
tres-patines-y-la-tremenda-corte_0046.vtt		07:47.000	07:48.000	¡No me digas!
tres-patines-y-la-tremenda-corte_0009.vtt		12:19.000	12:20.000	No me digas.
tres-patines-y-la-tremenda-corte_0043.vtt		05:41.000	05:42.000	No me digas.
tres-patines-y-la-tremenda-corte_0050.vtt		11:18.600	11:19.600	No me digas.
tres-patines-y-la-tremenda-corte_0030.vtt		08:42.440	08:44.440	No me digas.
tres-patines-y-la-tremenda-corte_0030.vtt		09:00.440	09:02.440	¡No me digas! Mire, háganme el favor
tres-patines-y-la-tremenda-corte_0043.vtt		04:46.000	04:48.000	Le digo, no me digas, es una exclamación, señor.
tres-patines-y-la-tremenda-corte_0050.vtt		13:50.600	13:52.680	No me digas, ¿y los frijoles colorados?
tres-patines-y-la-tremenda-corte_0016.vtt		00:21.480	00:22.360	No me digas.
tres-patines-y-la-tremenda-corte_0001.vtt		07:44.000	07:45.000	No me digas.

Cluster 3 with 240 elements – showing a small sample

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0038.vtt		12:54.000	12:55.000	Ah, ¿y qué más?
tres-patines-y-la-tremenda-corte_0001.vtt		14:08.000	14:09.000	Ah, sí.
tres-patines-y-la-tremenda-corte_0045.vtt		11:38.000	11:40.000	Ah, son de barca pesquera, chicos.
tres-patines-y-la-tremenda-corte_0031.vtt		02:49.000	02:50.000	¿Ah, no?
tres-patines-y-la-tremenda-corte_0043.vtt		08:40.000	08:42.000	Ah, pero hay que pagar el seguro suyo.
tres-patines-y-la-tremenda-corte_0023.vtt		11:14.600	11:15.600	Ah, no.
tres-patines-y-la-tremenda-corte_0031.vtt		11:49.000	11:50.000	Ah, va.
tres-patines-y-la-tremenda-corte_0001.vtt		02:20.000	02:22.000	Ah, tú no trajiste a abogado tampoco.
tres-patines-y-la-tremenda-corte_0031.vtt		07:02.000	07:03.000	Ah, eso sí.
tres-patines-y-la-tremenda-corte_0011.vtt		05:58.000	05:59.000	Ah, sí.
tres-patines-y-la-tremenda-corte_0008.vtt		07:19.000	07:20.000	¿Ah, tiene tubería?
tres-patines-y-la-tremenda-corte_0002.vtt		05:35.000	05:36.000	Ah, arruleciendo.
tres-patines-y-la-tremenda-corte_0006.vtt		04:46.000	04:47.000	Ah, dijiste vigente.
tres-patines-y-la-tremenda-corte_0031.vtt		14:21.000	14:22.000	¿Ah, sí?
tres-patines-y-la-tremenda-corte_0041.vtt		12:57.120	12:58.120	¿Ah, sí?
tres-patines-y-la-tremenda-corte_0008.vtt		15:46.000	15:48.000	Ah, sí, pues estaba lleno de fruta.
tres-patines-y-la-tremenda-corte_0031.vtt		01:17.000	01:18.000	Ah, qué bambaridad.
tres-patines-y-la-tremenda-corte_0011.vtt		10:56.000	10:57.000	Ah, ¿y cómo yo no lo sentí?
tres-patines-y-la-tremenda-corte_0047.vtt		09:31.000	09:33.000	Ah, todavía piensa dispararme más.
tres-patines-y-la-tremenda-corte_0033.vtt		10:16.000	10:18.000	Ah, esto es aparte de Cucúsita

Cluster 16 with 32 elements – showing a small sample

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0043.vtt		11:25.000	11:26.000	él.
tres-patines-y-la-tremenda-corte_0023.vtt		05:42.600	05:43.600	Y déjeme acabar de leer.
tres-patines-y-la-tremenda-corte_0001.vtt		11:10.000	11:11.000	No, es bravo, pero es así.
tres-patines-y-la-tremenda-corte_0030.vtt		08:08.440	08:10.440	que le... El manco del espanto, del espanto, lo que le espanta
tres-patines-y-la-tremenda-corte_0006.vtt		07:30.000	07:34.000	¿Nosotros nos quedamos en que la casa la barreríamos un día sí, un día no?
tres-patines-y-la-tremenda-corte_0046.vtt		00:11.000	00:16.000	con Leopardo Fernández, Aníbal Demar, Mimi Cal y Miguel Ángel Herrera
tres-patines-y-la-tremenda-corte_0023.vtt		08:42.600	08:43.600	¿Para dónde?
tres-patines-y-la-tremenda-corte_0046.vtt		00:11.000	00:16.000	con Leopardo Fernández, Aníbal Demar, Mimi Cal y Miguel Ángel Herrera
tres-patines-y-la-tremenda-corte_0043.vtt		11:25.000	11:26.000	él.
tres-patines-y-la-tremenda-corte_0000.vtt		02:26.000	02:28.000	¿Y entonces por qué dice que no lo trajiste?
tres-patines-y-la-tremenda-corte_0008.vtt		10:35.000	10:36.000	¿Y entonces qué bicicleta fue la que dobló por Velacoini?
tres-patines-y-la-tremenda-corte_0049.vtt		02:58.000	02:59.000	Mitad caballo y mitad oso, chico.
tres-patines-y-la-tremenda-corte_0033.vtt		10:11.000	10:12.000	No, eso era...
tres-patines-y-la-tremenda-corte_0046.vtt		00:11.000	00:16.000	con Leopardo Fernández, Aníbal Demar, Mimi Cal y Miguel Ángel Herrera
tres-patines-y-la-tremenda-corte_0001.vtt		07:03.000	07:04.000	¿Entonces usted no conoce de carrera?
tres-patines-y-la-tremenda-corte_0022.vtt		13:39.100	13:41.900	y porque estaban hechos con un aceite magnífico.
tres-patines-y-la-tremenda-corte_0005.vtt		11:42.000	11:44.000	Con el único que hay, con el que usted le robó al rudecinto.
tres-patines-y-la-tremenda-corte_0012.vtt		13:22.720	13:24.720	porque meterlo es fácil, pero para sacarlo
tres-patines-y-la-tremenda-corte_0044.vtt		05:02.000	05:03.000	El itinerario.
tres-patines-y-la-tremenda-corte_0019.vtt		07:20.000	07:21.000	No, yo con las...

Cluster 40 with 303 elements – showing a small sample

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0023.vtt		04:15.600	04:16.600	Sí.
tres-patines-y-la-tremenda-corte_0044.vtt		06:00.000	06:01.000	Sí.
tres-patines-y-la-tremenda-corte_0019.vtt		02:53.000	02:54.000	Sí.
tres-patines-y-la-tremenda-corte_0019.vtt		02:53.000	02:54.000	Sí.
tres-patines-y-la-tremenda-corte_0006.vtt		11:02.000	11:03.000	Sí.
tres-patines-y-la-tremenda-corte_0039.vtt		07:18.100	07:18.600	Sí.
tres-patines-y-la-tremenda-corte_0045.vtt		09:00.000	09:01.000	si las podíamos mandar.
tres-patines-y-la-tremenda-corte_0007.vtt		12:24.000	12:25.000	Sí.
tres-patines-y-la-tremenda-corte_0028.vtt		09:33.000	09:34.000	Sí.
tres-patines-y-la-tremenda-corte_0035.vtt		07:08.000	07:09.000	Sí.
tres-patines-y-la-tremenda-corte_0048.vtt		12:44.000	12:45.000	Sí.
tres-patines-y-la-tremenda-corte_0006.vtt		11:34.000	11:35.000	Sí.
tres-patines-y-la-tremenda-corte_0020.vtt		00:59.000	01:00.000	Sí.
tres-patines-y-la-tremenda-corte_0003.vtt		14:57.320	14:58.320	Yo sí.
tres-patines-y-la-tremenda-corte_0012.vtt		15:04.040	15:06.040	Sí.
tres-patines-y-la-tremenda-corte_0047.vtt		08:21.000	08:22.000	Sí.
tres-patines-y-la-tremenda-corte_0015.vtt		11:03.000	11:04.000	Sí.
tres-patines-y-la-tremenda-corte_0031.vtt		02:07.000	02:08.000	Sí.
tres-patines-y-la-tremenda-corte_0019.vtt		06:31.000	06:32.000	Sí.
tres-patines-y-la-tremenda-corte_0028.vtt		07:03.000	07:04.000	Sí.

Cluster 68 with 18 elements

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0001.vtt		04:17.000	04:18.000	De nada.
tres-patines-y-la-tremenda-corte_0001.vtt		12:56.000	12:57.000	Le dio una cos.
tres-patines-y-la-tremenda-corte_0006.vtt		10:45.000	10:47.000	Sí, pero de la parte de atrás nada más.
tres-patines-y-la-tremenda-corte_0010.vtt		04:44.000	04:45.000	De nada.
tres-patines-y-la-tremenda-corte_0010.vtt		04:50.000	04:51.000	De nada.
tres-patines-y-la-tremenda-corte_0011.vtt		08:44.000	08:47.000	Con la mosca que venía a posarse otra vez el hombro.
tres-patines-y-la-tremenda-corte_0012.vtt		10:17.640	10:19.640	En la escalera.
tres-patines-y-la-tremenda-corte_0013.vtt		07:12.000	07:16.000	Y cuando todo el mundo se llevó a la fuga, pues él se apoderó de los cuatrocientos
tres-patines-y-la-tremenda-corte_0014.vtt		09:12.000	09:13.000	De nada
tres-patines-y-la-tremenda-corte_0027.vtt		02:26.000	02:29.000	Yo vengo aquí en calidad de testigo, nada más.
tres-patines-y-la-tremenda-corte_0028.vtt		08:41.000	08:42.000	De nada.
tres-patines-y-la-tremenda-corte_0028.vtt		15:04.000	15:07.000	Tampoco, porque mi gato nunca ha sido piche ni nada de esto.
tres-patines-y-la-tremenda-corte_0031.vtt		14:29.000	14:30.000	te repito otra vez,
tres-patines-y-la-tremenda-corte_0033.vtt		02:29.000	02:32.000	Digo que soy inocente y me voy para casa
tres-patines-y-la-tremenda-corte_0045.vtt		05:54.000	05:56.000	Porque voy a conocerla.
tres-patines-y-la-tremenda-corte_0046.vtt		08:51.000	08:55.000	Se levantaron de la mesa y se fueron sin pagar
tres-patines-y-la-tremenda-corte_0047.vtt		14:22.000	14:24.000	Tú has visto, chicos, qué coincidencia.
tres-patines-y-la-tremenda-corte_0049.vtt		06:50.000	06:51.000	¿Y cuándo me toque mi turno?

Cluster 104 with 59 elements – showing a small sample

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0048.vtt		11:34.000	11:35.000	¡Eso es lo mismo!
tres-patines-y-la-tremenda-corte_0029.vtt		14:14.000	14:16.000	¡Muy buena suerte, amigos!
tres-patines-y-la-tremenda-corte_0008.vtt		10:06.000	10:07.000	¡No!
tres-patines-y-la-tremenda-corte_0033.vtt		01:58.000	01:59.000	¡Preciente!
tres-patines-y-la-tremenda-corte_0004.vtt		01:02.000	01:05.000	¡Luz María Nananina!
tres-patines-y-la-tremenda-corte_0040.vtt		02:18.000	02:20.000	¡A la reja!
tres-patines-y-la-tremenda-corte_0034.vtt		00:03.000	00:04.000	¡Silencio!
tres-patines-y-la-tremenda-corte_0015.vtt		08:54.000	08:55.000	¡Y entonces!
tres-patines-y-la-tremenda-corte_0045.vtt		08:00.000	08:01.000	¡180 días!
tres-patines-y-la-tremenda-corte_0010.vtt		02:43.000	02:44.000	¡Gosa!
tres-patines-y-la-tremenda-corte_0022.vtt		05:55.000	05:56.000	¡Bindito Dios!
tres-patines-y-la-tremenda-corte_0044.vtt		13:39.000	13:40.000	Y a los diez minutos, ¡pan!
tres-patines-y-la-tremenda-corte_0002.vtt		12:32.000	12:33.000	¡Oh, ray! ¡Oh, ray!
tres-patines-y-la-tremenda-corte_0018.vtt		06:11.000	06:12.000	¡Minucipio!
tres-patines-y-la-tremenda-corte_0013.vtt		04:59.000	05:00.000	¡No!
tres-patines-y-la-tremenda-corte_0002.vtt		12:32.000	12:33.000	¡Oh, ray! ¡Oh, ray!
tres-patines-y-la-tremenda-corte_0041.vtt		12:27.120	12:30.120	una gallina vino volando y ¡pam!
tres-patines-y-la-tremenda-corte_0030.vtt		09:16.440	09:18.440	¡Obre! Los mosqueteros del rey.
tres-patines-y-la-tremenda-corte_0038.vtt		05:50.000	05:51.000	¡Oh, manilla!
tres-patines-y-la-tremenda-corte_0048.vtt		15:51.000	15:53.000	¡Muy buena suerte, amigos!

Cluster 119 with 23 elements – showing a small sample

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0004.vtt		06:59.000	07:00.000	¿Dónde?
tres-patines-y-la-tremenda-corte_0005.vtt		01:34.000	01:35.000	¿Entonces qué se mete usted?
tres-patines-y-la-tremenda-corte_0045.vtt		11:37.000	11:38.000	¿Y de qué son entonces?
tres-patines-y-la-tremenda-corte_0012.vtt		13:16.280	13:18.280	¿Qué me cuenta? ¿Usted no tiene más que
tres-patines-y-la-tremenda-corte_0040.vtt		10:42.000	10:43.000	¿Cuál es lo que pasó?
tres-patines-y-la-tremenda-corte_0007.vtt		10:49.000	10:50.000	¿Por qué su tío no está en buena posición?
tres-patines-y-la-tremenda-corte_0030.vtt		10:48.440	10:50.440	¿Y en España? La conga llegó.
tres-patines-y-la-tremenda-corte_0029.vtt		09:13.000	09:15.000	¿Usted quiere decir los gastos?
tres-patines-y-la-tremenda-corte_0025.vtt		12:04.760	12:06.320	¿Se ha fijado?
tres-patines-y-la-tremenda-corte_0007.vtt		10:49.000	10:50.000	¿Por qué su tío no está en buena posición?
tres-patines-y-la-tremenda-corte_0023.vtt		10:59.600	11:02.600	¿Y entonces con qué se pronuncian las consonantes? ¿Con las orejas?
tres-patines-y-la-tremenda-corte_0005.vtt		01:34.000	01:35.000	¿Entonces qué se mete usted?
tres-patines-y-la-tremenda-corte_0009.vtt		14:47.000	14:48.000	¿Qué pasó entonces?
tres-patines-y-la-tremenda-corte_0009.vtt		14:47.000	14:48.000	¿Qué pasó entonces?
tres-patines-y-la-tremenda-corte_0007.vtt		10:49.000	10:50.000	¿Por qué su tío no está en buena posición?
tres-patines-y-la-tremenda-corte_0007.vtt		10:49.000	10:50.000	¿Por qué su tío no está en buena posición?
tres-patines-y-la-tremenda-corte_0014.vtt		05:07.000	05:09.000	El que responde la firma que responde
tres-patines-y-la-tremenda-corte_0021.vtt		13:49.000	13:51.000	¿Y qué, señora, no se ría?
tres-patines-y-la-tremenda-corte_0014.vtt		05:07.000	05:09.000	El que responde la firma que responde
tres-patines-y-la-tremenda-corte_0021.vtt		13:49.000	13:51.000	¿Y qué, señora, no se ría?

Cluster 139 with 10 elements

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0006.vtt		11:44.000	11:46.000	Bueno, entonces la cosa es que no les dejan usar
tres-patines-y-la-tremenda-corte_0008.vtt		01:10.000	01:11.000	¿Quién salió perdiendo?
tres-patines-y-la-tremenda-corte_0023.vtt		09:22.600	09:24.600	Oye, ¿y cómo se pronuncia entonces?
tres-patines-y-la-tremenda-corte_0042.vtt		02:01.000	02:03.000	Entonces, lo trae asando maíz.
tres-patines-y-la-tremenda-corte_0046.vtt		10:18.000	10:19.000	¿Quién?
tres-patines-y-la-tremenda-corte_0047.vtt		00:57.000	00:58.000	¿Y a quién se la robaron?
tres-patines-y-la-tremenda-corte_0047.vtt		06:59.000	07:01.000	¿Quién es el acusado entonces?
tres-patines-y-la-tremenda-corte_0047.vtt		08:31.000	08:32.000	¿Quién?
tres-patines-y-la-tremenda-corte_0048.vtt		05:50.000	05:51.000	¿Quién?
tres-patines-y-la-tremenda-corte_0049.vtt		13:31.000	13:32.000	¿Y de quién es la receta, entonces?

Cluster 152 with 10 elements

idfile	name	tbegin	tend	caption
tres-patines-y-la-tremenda-corte_0018.vtt		02:14.000	02:16.000	Usted no puede pedir eso, Rubesindo.
tres-patines-y-la-tremenda-corte_0020.vtt		15:32.000	15:35.000	Como usted le dijo que su mamita tenía una pierna muy mala y que no sabía qué hacer con ella.
tres-patines-y-la-tremenda-corte_0026.vtt		03:28.000	03:36.000	Bueno, eso de llevarse la hija para su casa lo podrán hacer algunas, pero mi suegra no lo puede hacer porque no tiene casa.
tres-patines-y-la-tremenda-corte_0035.vtt		03:27.000	03:28.000	Será porque tiene usted ganas.
tres-patines-y-la-tremenda-corte_0035.vtt		09:58.000	10:01.000	Porque usted tiene un idioma particular.
tres-patines-y-la-tremenda-corte_0040.vtt		09:31.000	09:32.000	Porque uno lo tiene bastante.
tres-patines-y-la-tremenda-corte_0041.vtt		06:33.120	06:36.120	¿Y esto tiene algo que ver con la historia natural?
tres-patines-y-la-tremenda-corte_0041.vtt		07:04.120	07:07.120	No, doctor, lo que sintió nananina fue un toletazo
tres-patines-y-la-tremenda-corte_0049.vtt		14:29.000	14:33.000	Bueno, tres patines, ¿y usted vende esa sambumbia como si fuera gasolina?
tres-patines-y-la-tremenda-corte_0050.vtt		02:19.000	02:22.000	Sí, pero no se dice servidera, sino servidora.

Environment and dependencies

Julia Version 1.10.9
Commit 5595d20a287 (2025-03-10 12:51 UTC)
Build Info:
  Official https://julialang.org/ release
Platform Info:
  OS: Linux (x86_64-linux-gnu)
  CPU: 64 × Intel(R) Xeon(R) Silver 4216 CPU @ 2.10GHz
  WORD_SIZE: 64
  LIBM: libopenlibm
  LLVM: libLLVM-15.0.7 (ORCJIT, cascadelake)
Threads: 64 default, 0 interactive, 32 GC (on 64 virtual cores)
Environment:
  JULIA_NUM_THREADS = auto
  JULIA_PROJECT = .
  JULIA_LOAD_PATH = @:@stdlib
Status `~/sites/SimilaritySearchDemos/Project.toml`
  [aaaa29a8] Clustering v0.15.8
  [944b1d66] CodecZlib v0.7.8
  [a93c6f00] DataFrames v1.7.0
  [c5bfea45] Embeddings v0.4.6
  [f67ccb44] HDF5 v0.17.2
  [b20bd276] InvertedFiles v0.8.0 `~/.julia/dev/InvertedFiles`
  [682c06a0] JSON v0.21.4
  [23fbe1c1] Latexify v0.16.6
  [eb30cadb] MLDatasets v0.7.18
  [06eb3307] ManifoldLearning v0.9.0
⌃ [ca7969ec] PlotlyLight v0.11.0
  [91a5bcdd] Plots v1.40.11
  [27ebfcd6] Primes v0.5.7
  [ca7ab67e] SimSearchManifoldLearning v0.3.0 `~/.julia/dev/SimSearchManifoldLearning`
  [053f045d] SimilaritySearch v0.12.0 `~/.julia/dev/SimilaritySearch`
⌅ [2913bbd2] StatsBase v0.33.21
  [f3b207a7] StatsPlots v0.15.7
  [7f6f6c8a] TextSearch v0.19.0 `~/.julia/dev/TextSearch`
Info Packages marked with ⌃ and ⌅ have new versions available. Those with ⌃ may be upgradable, but those with ⌅ are restricted by compatibility constraints from upgrading. To see why use `status --outdated`