Python根据语音识别让无字幕视频自动生成字幕！强不强？

 

问题

各大平台都有长语音转写的服务，但是收费昂贵，而且有次数和时间限制。

因此我想到了一个白嫖的好办法。将长音频根据语句停顿切割得到短音频，使用他们提供的短音频识别服务来识别长音频不是更好吗？粗略计算了下，可以使用的时长为50000分钟，白嫖。

至于视频声音的停顿时间也是很容易得到的。

最后根据文字与文字出现的时间很容易就得到了视频的srt字幕

 

解决

工程路径：voice_to_text.zip-互联网文档类资源-CSDN下载

注意字幕导出的地址，自己修改一下，你要是直接复制控制台信息我也无话可说

 

思路

导出视频声音，根据声音停顿得到短句，同时导出短句的时间信息

短句语音识别得到识别文字

识别文字与短句的时间信息处理得到视频srt字幕文件

导入srt字幕文件即可得到效果，如图

播放器推荐暴风影音，文字可以调节变色，大小，位置都比较方便。

 

原先视频是没有字幕的，经过上述处理得到srt文件就如同看字幕电影一样了。

得到的srt文件如图

 

接下来就一步一步开始吧，srt文件格式原理是什么，看我另一篇有关视频声音转为字幕的。那篇使用的长录音转文字接口，优惠力度不大，用几次就没了，所以特意写了这一篇可以白嫖而且时间非常长的，用个几个月都没有问题。

只需要关注srt格式就可以了

python-视频声音根据语音识别自动转为带时间的srt字幕文件_lidashent的博客-CSDN博客

导出音频分片，导出音频时间信息

先将视频声音导出，设定标准为16bit,8000hz,这里使用的au,adobe audition

（—解释—：）【这是短语音识别要求的】

（—解释—：）【这里需要注意的是，虽然切片对人声进行了保留，但是不乏切割到的音频有的是空白，因此需要一个大小判断，低于100kb可以默认为无声】

 

 

自动识别停顿，对声音切片

效果-诊断-标记音频

设置静默阈值，时长越低分片越多，反向同理

声音阈值，时长越长，分片越少，反向同理

设置合适的阈值，注意自动分割的音频片，极限60s，最好不要超过45s

有音频片长度过长也不行，影响字幕观看，你不想看视频的时候视频上都是字幕吧？我一般看到分片间隔10s就够了

然后点击扫描，

再点击全部标记，就会显示灰色的标记信息

 

点击到标记条，可以看到分片信息，

ctrl a全选，然后右键选择导出音频，导出csv

 

 

 

 

编写函数，对语音分片实现语音识别，得到文字信息

import os

from aip import AipSpeech#这是百度的aip包,

def get_need_music_file(file_path):

file_list=os.listdir(file_path)

real_list=[]

for i in file_list:

if i[-3:]=="wav":

real_list.ap