weixinhum

本篇文章将逐一介绍解决这些遗留问题的方法，并把整个。对于编程小白，可以直接跳到文章的最后下载作者打包好的玩一玩。

最近在做神经网络的研究，偶然间看到OpenAI开源出了一个多国语音转文字的模型，脑海里突然想到余大嘴在华为发布会发布实时语音翻译时满屏弹幕的“？？？”和“！！！”，于是决定做一个多国语音转简体中文字幕的软件来玩一玩。想法是这样的：通过OpenAI最新发布的翻译模型whisper（可以翻译200多种语言，且其中部分语言的翻译效果已然接近甚至超过人类的神器）加上自己写的一点点程序，做一个傻瓜化的多国语言转中文字幕的软件。

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。