概述
本教程希望可以识别出目前活跃的视频平台(例如抖音、快手等)中视频文案中蕴含的实体信息,首先有两条技术路径:
- 直接提取视频帧,之后实现逐帧的字幕识别,最后合并为视频文案。
优点:准确性高;
缺点:首先不是所有视频都有字幕,另外对计算资源要求很高,逐帧识别非常耗时。
tips:有的视频会对重点字幕使用另外的颜色,或者放大字体等方式。 - 视频先转为音频文件,音频文件使用接口再转为中文文本。
优点:速度快,成本低。
缺点:准确性较差,首先依赖于语音转文字的准确率,对于特有名词等,以及方言
口音的识别较差,很难完全准确识别。 - 可以在理论上考虑两者方法的合并。
必备第三方库
moviepy
:用于处理视频和音频文件。SpeechRecognition
:用于将音频转换为文字。
在开始之前,请确保你已经安装了这两个库;如果没有安装,请使用 pip install 语句进行安装。