基于WENET制作AI字幕

已于 2022-04-09 10:34:26 修改
阅读量3.6k 收藏 8
点赞数 2
分类专栏： 语音识别 文章标签： 语音识别 人工智能 linux
于 2022-03-29 09:53:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ALL_BYA/article/details/123813237
版权

文档结构说明

# 初始目录结构
├── data # 存放数据
│   ├── vad_vedio # 存放切割后的wav数据
│   └── vedio # 存放mp4需要添加字幕的文件
|   └── wav_vedio # 转换wav格式的数据
├── decoder# 识别模块
├── model # 模型
│   ├── 20210618_u2pp_conformer_exp # 识别模型
│   │   ├── final.pt
│   │   ├── global_cmvn
│   │   ├── train.yaml
│   │   └── words.txt
│   └── vad_model # 切割模型
├── result # 字幕文件位置
└── run.sh # 整体脚本
└── vad # vad模块
    ├── __init__.py
    ├── utils
    │   ├── __init__.py
    │   ├── __pycache__
    │   │   ├── __init__.cpython-38.pyc
    │   │   └── utils_vad.cpython-38.pyc
    │   └── utils_vad.py
    └── vad.py
    
# 结束文档结构
├── Readme.md
├── data
│   ├── vad_vedio
│   │   ├── cs_106187.5_ms_112031.25_ms_.wav
│   │   ├── cs_114062.5_ms_127125.0_ms_.wav
│   │   ...
│   ├── vedio
│   │   └── cs.mp4
│   └── wav_vedio
│       └── cs.wav
├── decoder
│   ├── data_list
│   │   └── cs_data.list
│   ├── data_list.sh
│   ├── decoder.sh
│   ├── mkass.py
│   ├── recognize.py
│   ├── text
│   │   ├── cs_ass_text
│   │   └── cs_text
│   └── wenet -> /mnt/f/data/wenet/wenet/
├── model
│   ├── 20210618_u2pp_conformer_exp
│   │   ├── final.pt
│   │   ├── global_cmvn
│   │   ├── train.yaml
│   │   └── words.txt
│   └── vad_model
│       └── model.jit
├── result
│   └── cs.ass
├── run.sh
└── vad
    ├── __init__.py
    ├── utils
    │   ├── __init__.py
    │   ├── __pycache__
    │   │   ├── __init__.cpython-38.pyc
    │   │   └── utils_vad.cpython-38.pyc
    │   └── utils_vad.py
    └── vad.py

wenet环境配置

获取视频并转音频

安装处理视频工具

安装ffmpeg：https://blog.csdn.net/zhouyj6516/article/details/107416209

ffmpeg参数：https://www.cnblogs.com/mwl523/p/10856633.html

mp4转wav脚本

ffmpeg -i cs.mp4 -vn -ar 16000 -ac 1 -ab 192 -f wav cs.wav

脚本

#!/usr/bin/bash

# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/root/miniconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
	eval "$__conda_setup"
else
	if [ -f "/root/miniconda3/etc/profile.d/conda.sh" ]; then
		. "/root/miniconda3/etc/profile.d/conda.sh"
	else
		export PATH="/root/miniconda3/bin:$PATH"
	fi
fi
unset __conda_setup
# <<< conda initialize <<<

conda activate base

# 批量转wav
mp4_dir=/root/data/aizm/result/mp4 
step=0;
for item in `ls $mp4_dir` ; do
	# 截取字符串名字
	# filename=`echo $item | awk -F "." '{print $1}'`
	filename=${item%.*}
	echo $filename
	ffmpeg -i ${mp4_dir}/$item -vn -ar 16000 -ac 1 -ab 192 -f wav ./wavdata/$filename.wav
	echo "$item ok"
	file_wav=$filename.wav
	python3 vad.py ./wavdata/$file_wav $filename
	step=`expr $step + 1`
done	
echo "success all！，总共处理${step}个视频"

注意脚本运行必须在base环境下

通过vad切割音频

使用的github上的silero-vad

需要文件

model.jit
utils_vad.py

代码

from utils.utils_vad import *
import torchaudio
import sys

if len(sys.argv)==1:
    print("USage:python3 {} 0001.wav 0001".format(sys.argv[0]))
    print("arguments requires at least 1,get 0")
    assert False
model_path = "./model/vad_model/model.jit"
wav_path = sys.argv[1]
file_pre_name = ""
if len(sys.argv) == 3:
    file_pre_name = sys.argv[2]
    print("处理文件",file_pre_name)

# 加载视频
wav,sr = torchaudio.load(wav_path)
model = init_jit_model(model_path=model_path)
# trig_sum=0.1,neg_trig_sum=0.07
speeches = get_speech_ts(wav[0],model,trig_sum=0.1,neg_trig_sum=0.07,min_speech_samples=500,min_silence_samples=400)
# speeches = get_speech_timestamps(wav, model)

save_path = "./data/vad_vedio/%s"%(file_pre_name)
for i,item in enumerate(speeches):
    start = item['start']
    end = item['end']
    start_time = start / 16
    end_time = end / 16 
    torchaudio.save(save_path+"/"+file_pre_name+"_"+str(start_time)+"_ms_"+str(end_time)+"_ms_"+".wav", wav[0][start:end].unsqueeze(0), sr)
    pass

采用自适应VAD

from utils.utils_vad import *
import torchaudio
import sys

if len(sys.argv)==1:
    print("USage:python3 {} 0001.wav 0001".format(sys.argv[0]))
    print("arguments requires at least 1,get 0")
    assert False
model_path = "./model/vad_model/model.jit"
wav_path = sys.argv[1]
file_pre_name = ""
if len(sys.argv) == 3:
    file_pre_name = sys.argv[2]
    print("处理文件",file_pre_name)

# 加载视频
wav,sr = torchaudio.load(wav_path)
model = init_jit_model(model_path=model_path)
# trig_sum=0.1,neg_trig_sum=0.07
speeches = get_speech_ts_adaptive(wav[0],model,
    batch_size=200,
    step=500,
    num_samples_per_window=4000,
    min_speech_samples=10000,
    min_silence_samples=2000)
# speeches = get_speech_timestamps(wav, model)

save_path = "./data/vad_vedio/%s"%(file_pre_name)
for i,item in enumerate(speeches):
    start = item['start']
    end = item['end']
    start_time = start / 16
    end_time = end / 16 
    torchaudio.save(save_path+"/"+file_pre_name+"_"+str(start_time)+"_ms_"+str(end_time)+"_ms_"+".wav", wav[0][start:end].unsqueeze(0), sr)
    pass

参数调整

from utils.utils_vad import *
import torchaudio
import sys

if len(sys.argv)==1:
    print("USage:python3 {} 0001.wav 0001".format(sys.argv[0]))
    print("arguments requires at least 1,get 0")
    assert False
model_path = "./model/vad_model/model.jit"
wav_path = sys.argv[1]
file_pre_name = ""
if len(sys.argv) == 3:
    file_pre_name = sys.argv[2]
    print("处理文件",file_pre_name)

# 加载视频
wav,sr = torchaudio.load(wav_path)
model = init_jit_model(model_path=model_path)
# trig_sum=0.1,neg_trig_sum=0.07
# speeches = get_speech_ts(wav[0],model,trig_sum=0.1,neg_trig_sum=0.07,min_speech_samples=500,min_silence_samples=400)
speeches = get_speech_ts_adaptive(wav[0],model,
    batch_size=200,
    step=200,
    num_samples_per_window=2000,
    min_speech_samples=500,
    min_silence_samples=400)
'''
speeches = get_speech_ts_adaptive(wav[0],model,
    batch_size=200,
    step=200,
    num_samples_per_window=4000,
    min_speech_samples=10000,
    min_silence_samples=2000)    
'''
save_path = "./data/vad_vedio/%s"%(file_pre_name)
for i,item in enumerate(speeches):
    start = item['start']
    end = item['end']
    start_time = start / 16
    end_time = end / 16 
    torchaudio.save(save_path+"/"+file_pre_name+"_"+str(start_time)+"_ms_"+str(end_time)+"_ms_"+".wav", wav[0][start:end].unsqueeze(0), sr)
    pass

保存视频格式：start-time_ms_end-time_ms.wav

再次处理音频

ffmpeg -i x.wav -vn -ar 16000 -ac 1 -ab 192 -f wav text.wav

通过wenet解码

├── data_list
│   └── cs_data.list
├── data_list.sh
├── decoder.sh
├── mkass.py
├── recognize.py
├── text
│   └── cs_ass_text
└── wenet -> /home/asr/data/wenet/wenet # wenet工具的软连接

制作data.list

{"key": "BAC009S0764W0121", "wav": "/BAC009S0764W0121.wav", "txt": "甚至出现交的情况"}

filename=$1
wav=/mnt/f/data/AIzimu/data/vad_vedio/$filename
# 对内容按数字大小排序
wav_list=`ls $wav | sort -t "_" -k 2  -n`
# echo $wav_list
# exit 1
for item in $wav_list;do
	echo "{\"key\":\"${item%.*}\",\"wav\":\"${wav}/${item}\",\"txt\":\"\"}"
done

通过预训练模型解码

需要文件

# words.txt
<blank> 0
<unk> 1
' 2
( 3
) 4
Ａ 5
𫖯 6
...

# train.yaml
训练时候的配置文件

# global_cmvn
均值方差归一化

# 文件夹
tools -> /root/data/aizm/wenet/tools

# 
wenet -> /root/data/aizm/wenet/wenet

train.yaml

accum_grad: 1
cmvn_file:  ../model/20210815_unified_conformer_exp/global_cmvn # global_cmvn 路径
dataset_conf:
    filter_conf:

得到解码结果

CS_781_ms_6906_ms_ 好的那么我们就开始录制这个视频
CS_7406_ms_11156_ms_ 首先的话按照上捷克的所说
CS_11093_ms_15187_ms_ 我就念这一段的话九K
CS_15968_ms_17031_ms_ 好吧
CS_18218_ms_24656_ms_ 住房和城乡建设部会配合有关部门
CS_25375_ms_28906_ms_ 强化地方调控主体责任
CS_30062_ms_36875_ms_ 及时调整了限购差别化信贷等方面的政策
CS_36968_ms_47281_ms_ 支持居民合理的住房消费总体上保持了房地产市场平稳运行
CS_49218_ms_56031_ms_ 住建部新闻发言人近日表示
...

制作ASS字幕文件

mkass.py

import os
import sys

# print(sys.argv[1])

def get_time(time):
    time_cost=float(time)/1000
    h = time_cost // 3600
    m = time_cost % 3600 // 60
    s = time_cost % 60 
    return "%d:%d:%.2f"%(h,m,s)

path = sys.argv[1]
header = """
[Script Info] 
 ScriptType: v4.00+
PlayResX: 1920
 PlayResY: 1080
WrapStyle: 2
 
[V4+ Styles]
 Format: Name, Fontname, Fontsize, PrimaryColour, SecondaryColour, OutlineColour, BackColour, Bold, Italic, Underline, StrikeOut, ScaleX, ScaleY, Spacing, Angle, BorderStyle, Outline, Shadow, Alignment, MarginL, MarginR, MarginV, Encoding

Style: Original,FandolHei,93,&H00F8F8FF,&Hffffffff,&Hntrepansra,&H000000,0,0,0,0,100,100,0.0,0,0,0,1,2,10,10,10,0

[Events] 
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
"""
print(header)

with open(file=path,mode='r',encoding='utf-8') as file:
    for line in file.readlines():
        line = line.split(" ")
        start,end,content = line[0],line[1],line[3].strip("\n")
        start = str(get_time(start))
        end = str(get_time(end))
        if content == "":
            continue
        print("Dialogue: 3,%s,%s,Original,,78,78,78,,%s"%(start,end,content))

获取字幕内容

`cat text | awk -F '_' '{ print $2,$4,$6 }' > text1 `
python3 mkass.py
echo "字幕生成完成"

生成字幕文件

。、

代码汇总

#!/usr/bin/bash


# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/home/asr/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
    eval "$__conda_setup"
else
    if [ -f "/home/asr/anaconda3/etc/profile.d/conda.sh" ]; then
        . "/home/asr/anaconda3/etc/profile.d/conda.sh"
    else
        export PATH="/home/asr/anaconda3/bin:$PATH"
    fi
fi
unset __conda_setup
# <<< conda initialize <<<



conda activate base
# 需要替换的项目所在路径
root=`pwd`
# 批量转wav
mp4_dir=$root/data/vedio
# wav存放的文件
mp42wav_dir=$root/data/wav_vedio
# 存放data_list文件夹
decode=$root/decoder
data_list_dir=data_list
text=text
echo "初始化"
`rm -rf data/vad_vedio/*`
`rm -rf decoder/text`
`rm -rf decoder/data_list`
`rm -rf result`
echo "初始化完成"
# wavdata=./wavdata
ass=$root/result

mkdir -p $ass
# mkdir -p $wavdata && echo "create wavdata flord"
mkdir -p $mp42wav_dir && echo "create mp42wav flord"
mkdir -p $decode/$data_list_dir && echo "create decode/data_list flord"
mkdir -p $decode/$text && echo "create text flord"

step=0;
for item in `ls $mp4_dir` ; do
  echo "===========================================${step}==========================================="
  # 截取字符串名字
  # filename=`echo $item | awk -F "." '{print $1}'`
  _filename=${item%.*}
  echo "正在处理${_filename}文件"
  filename=$(echo ${_filename} | sed s/'_'//g)
  echo "文件重命名${filename}"
  # 创建对应存放wav格式的文件
  ffmpeg -i ${mp4_dir}/$item -vn -ar 16000 -ac 1 -ab 192 -f wav $mp42wav_dir/${filename}.wav -y 1>/dev/null 2>&1 
  echo "$item 转wav ok"
  file_wav=${filename}.wav
  # 激活wenet环境
  conda activate wenet
  # 传入wav文件 以及文件名称
  mkdir -p ./data/vad_vedio/$filename
  python3 ./vad/vad.py ./data/wav_vedio/${file_wav} $filename 
  echo "vad切割${filename}完成"
  
  cd $decode
  sh data_list.sh $filename > $decode/${data_list_dir}/${filename}_data.list 
  # 解码生成data.list文件
  sh decoder.sh ${data_list_dir}/${filename}_data.list ${text}/${filename}_text # 传入文件名
  echo "==============解码完成============"
  echo "${text}/${filename}_text"
  # 生成需要制作字幕的关键信息：开始时间，结束时间，文字
  `cat $text/${filename}_text | awk -F '_' '{ print $2,$4,$6 }' > ${text}/${filename}_ass_text`
  echo ${text}/${filename}_ass_text
  python3 mkass.py ${text}/${filename}_ass_text > ${ass}/${filename}.ass || exit 1
  echo "${filename}字幕生成完成"
  step=`expr $step + 1`
  cd ..
  echo "===========================================${step}==========================================="
  conda activate base
done  
echo "success all！，总共处理${step}个视频，生成了${step}个字幕文件"

decoder.sh


# 根目录
root=..
data_type=raw
# 预训练模型位置
model=${root}/model/20210815_unified_conformer_exp
dict=${model}/words.txt
train_set=train
decode_checkpoint=${model}/final.pt

decoding_chunk_size=
ctc_weight=0.5
reverse_weight=0.0



# 测试的语音内容{key,wavscp,text}
# list_name=$1
data_list_dir=$1
text=$root/decoder

python recognize.py \
  --mode "attention_rescoring" \
  --config $model/train.yaml \
  --data_type $data_type \
  --test_data ${data_list_dir} \
  --checkpoint $decode_checkpoint \
  --beam_size 10 \
  --batch_size 1 \
  --penalty 0.0 \
  --dict $dict \
  --ctc_weight $ctc_weight \
  --reverse_weight $reverse_weight \
  --result_file $2 \
  ${decoding_chunk_size:+--decoding_chunk_size $decoding_chunk_size}

语音不识别
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
神经网络实用工具（整活）系列---使用silero-vad标注语音中的人物对话
weixinhum
06-02 2406
当我们使用神经网络来进行音频转文字的操作时，往往需要先把存在语音的音频片段筛选出来再送到音频转文字的神经网络中去筛选，否则总会出现奇奇怪怪的问题。在本篇文章中，我们介绍一种比较常用的做法，也就是用pytorch提供的silero-vad语音活性检测网络来标记出语音中存在人物对话的部分。废话不多说，直接上代码（代码的操作很简单，就是将一个名为1.mp3的音频文件进行语音活性检测，然后将检测到的语音片段存在一个叫做1的文件夹中，文件名包含了片段开始的时间戳。
pyaudio silero_vad实现实时录制语音加VAD检测没人说话自动停止录制
weixin_42357472的博客
04-27 428
【代码】pyaudio silero_vad实现实时录制语音加VAD检测没人说话自动停止录制。
ai自动生成字幕_使用AI对您的会议进行现场字幕
weixin_26630173的博客
09-03 2598
ai自动生成字幕Many people rely on captions every day. Unfortunately, not everything has captions; this often includes simple things, like that webinar you’re attending, or more advanced systems like Mozilla...
silero-vad：Silero VAD：经过培训的企业级语音活动和数字检测器
02-12
Silero VAD Silero VAD：经过培训的企业级语音活动检测器（VAD），数字检测器和语言分类器。 企业级语音产品变得非常简单（请参阅我们的模型）。 当前，除WebRTC语音活动检测器（）外，几乎没有任何高质量/现代/免费/公共语音活动检测器。 WebRTC虽然开始显示其年龄，但遭受许多误报。 同样在某些情况下，能够使大型口语语料库匿名（即删除个人数据）也至关重要。 如果个人数据包含（i）名称（ii）某些私人ID，则通常被认为是私人/敏感的。 名称识别是一个非常主观的问题，它取决于语言环境和业务案例，但是语音活动和号码检测是非常常规的任务。 主要特点： 现代，便携； 低内存占用； 优于WebRTC的指标； 在庞大的语音语料库和噪音/声音库上受过训练； 比WebRTC慢，但对于IOT /边缘/移动应用程序足够快； 与WebRTC（大多数情况下会从声音中分辨出静
开源asr
weixin_42264992的博客
06-15 477
开源asr
人工智能AI系列 - java SDK - AI语音活动检测(Voice Activity Detection,VAD)
weixin_39355136的博客
09-04 278
语音活动检测(Voice Activity Detection,VAD)又称语音端点检测,语音边界检测。目的是从声音信号流里识别和消除长时间的静音期， 静音抑制可以节省宝贵的带宽资源，可以有利于减少用户感觉到的端到端的时延。单个CPU线程可以在不到1ms的时间内处理一个音频块（30+ ms）。Silero VAD在包括100多种语言的大型语料库上进行训练，并且在具有各种背景噪声和质量水平的不同领域的音频上表现良好。Silero VAD支持8000 Hz和16000 Hz的采样率。
基于whisper的AI字幕提取工具
最新发布
05-07
如果觉得自己编译环境搞不定，可以去官网下载完全编译好的版本体验。官网版本和开源版本的区别在于官网版本需要微信扫码登录，开源版本完全剥离掉了登录认证的流程。 1.安装 1.1 安装npm依赖 npm install ...
基于AI（人工智能）智能运维可视化平台解决方案.ppt
06-23
基于AI人工智能的应用行业方案
基于AI（人工智能）的智慧社区可视化整体解决方案.ppt
06-23
基于AI人工智能的应用行业方案
2022年基于AI(人工智能)社会综治整体解决方案.pptx
11-03
"2022年基于AI（人工智能）社会综治整体解决方案" 本解决方案旨在通过人工智能技术构建一个智能化的社会综治系统，旨在提高公共安全、交通管理、环境保护、卫生等多个方面的管理效率和服务水平。该系统基于AI技术，...
基于AI（人工智能）的智慧校园建设方案.ppt
06-23
基于AI人工智能的应用行业方案
silero-models:Silero模型
03-16
Silero模型 Silero模型：经过培训的企业级STT模型和基准。 企业级STT令人耳目一新（非常重要，请参阅）。 我们提供的质量可与Google的STT媲美（有时甚至更高），而我们不是Google。 作为奖励： 没有卡尔迪 没有编译； 没有20个步骤的指示； 入门 所有提供的模型都在文件中列出。 任何元数据和较新版本都将添加到此处。 当前，我们提供以下检查点： 火炬 昂尼克斯 TensorFlow 量化 质量 合作实验室 英文（en_v2） :check_mark: :check_mark: :check_mark: :hourglass_done: 德文（de_v1） :check_mark: :check_mark: :check_mark: :hourglass_done: 西班牙语（es_v1） :check_mark: :check_mark: :check_mark: :hourglass_done: 乌克兰文（ua_v3） :check_mark: :check_mark: :hourgl
Silero模型
02-14
Silero模型 Silero模型：经过培训的企业级STT模型和基准。 企业级STT令人耳目一新（非常重要，请参阅）。 我们提供的质量可与Google的STT媲美（有时甚至更高），而我们不是Google。 作为奖励： 没有卡尔迪 没有编译； 没有20个步骤的指示； 入门 所有提供的模型都在文件中列出。 任何元数据和较新版本都将添加到此处。 当前，我们提供以下检查点： 火炬 ONNX TensorFlow 量化 质量 合作实验室 英文（en_v1） :check_mark: :check_mark: :check_mark: :hourglass_done: 德语（de_v1） :check_mark: :check_mark: :check_mark: :hourglass_done: 西班牙语（es_v1） :check_mark: :check_mark: :check_mark: :hourglass_done: 依存关系 所有示例： 火炬（用于在tf和onnx示例中克隆存储库） 火炬音频 声音文件 欧米茄 O
从AI学到的音频检测知识，原来完整的音频可以随意切割，但音频流就不一定了
dalaomanzou的博客
11-04 218
因此，您可以将音频数据分为较小的子块，而不需要担心音频流的持续时间或数据传输问题。设置为512，因为音频数据已经预先加载到内存中，您可以将音频数据分为较小的子块，而不需要担心音频流的持续时间或数据传输问题。设置为512是合适的，因为音频数据已经预先加载到内存中，您可以将音频数据分为较小的子块，而不需要担心音频流的持续时间或数据传输问题。更改为1536时，您实际上是将音频流分为与模型期望的输入样本数相匹配的子块，这使得模型能够正常处理这些子块并避免输入溢出错误。然而，在实时处理音频流时，您可能需要将。
python使用VAD去除wav音频中的静音
weixin_42264992的博客
04-24 3121
python使用VAD去除wav音频中的静音
OpenVoice本地部署教程与踩坑记录
Print_lin的博客
01-09 7341
Github目前最火的点赞超10k的OpenVoice音频克隆项目部署入门。本文介绍了OpenVoice的基本概念，并描述了本地部署OpenVoice的步骤与一些常见错误。将可能用到的资源重新上传，方便无法过墙的伙伴。OpenVoice是一种多功能的即时声音克隆方法，它只需要参考发言者的一小段音频片段，就可以复制他们的声音并用多种语言生成语音。快来成为第一波吃螃蟹的人吧！！！
wenet实战系列-双声道音频语音识别
HoyTra0
01-08 1773
双声道音频语音识别demo，ASR模型使用wenet，VAD模型使用WebRTC VAD，可用于客服电话场景等
人工智能-图像处理-基于红外热图像处理的真空绝热板在线检测系统的研究.pdf
07-03
人工智能-图像处理-基于红外热图像处理的真空绝热板在线检测系统的研究.pdf

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

语音不识别

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值