目录
- 前言
- 总体设计
- 系统整体结构图
- 系统流程图
- 运行环境
- 模块实现
- 1. 数据预处理
- 2. 翻译
- 3. 格式转换
- 4. 音频切割
- 5. 语音识别
- 6. 文本切割
- 7. main函数
- 系统测试
- 工程源代码下载
- 其它资料下载
前言
本项目基于百度语音识别API，结合了语音识别、视频转换音频识别以及语句停顿分割识别等多种技术，从而实现了高效的视频字幕生成。
首先，我们采用百度语音识别API，通过对语音内容进行分析，将音频转换成文本。这个步骤使得我们能够从语音中提取出有意义的文本信息。
其次，我们运用视频转换音频识别技术，将视频中的音频部分提取出来，并进行同样的文本识别操作。这样，我们就可以对视频中的声音内容进行准确的文字化。
另外，我们还引入了语句停顿分割识别，用于识别语音中的语句边界和停顿，从而更准确地切分出每个语句的内容。
综合上述技术，我们成功地实现了视频字幕的生成。通过对视频中的语音内容进行逐帧识别、转换和分割，我们能够准确地将语音内容转化为文本，并在视频上生成相应的字幕。
本项目不仅能够为视频内容提供字幕，也为内容创作者提供了方便，使得他们能够更好地将视频内容传达给观众。同时，这也为包括听障人士在内的用户提供了更友好的观看体验。
总体设计
本部分包括系统整体结构图和系统流程图。
系统整体结构图
系统整体结构如图所示。
系统流程图
系统流程如图所示。
运行环境
在Windows环境下完成Python 3所需的配置，并运行代码即可。
模块实现
本项目包括7个模块：数据预处理、翻译、格式转换、音频切割、语音识别、文本切割和main函数，下面分别给出各模块的功能介绍及相关代码。
1. 数据预处理
基于百度语音API得到所需要的APP_ID、API_KEY、SECRET_KEY。进入百度语音官网地址为http://yuyin.baidu.com，在右上角单击“控制台”按钮，登录百度账号，如图所示。
在控制台左端单击“产品服务”-“语音技术”进入语音识别界面，如图所示。
进入后，可能会提示需要实名认证，填入相关信息，完成认证即可。
单击“创建应用”，根据需求填写项目名称、类型、所需接口、语音包名、应用描述等信息后即可创建成功，如图所示。
按下图，查看应用详情即可得到APP_ID、API_KEY、SECRET_KEY供后续调用，在此界面也可查看调用量限制等信息，如下两图所示。
注意：如果API接口状态为待开通付费的话，需要在左边“概览”页中，选择需要开通的API接口，进行开通。如下图所示。
本项目使用百度语音识别API接口，采用以下两种方法调用，最终采用后者。
(1) 下载使用SDK
根据pip工具使用pip install baidu-aip下载。
调用代码为：
from aip import AipSpeech
APP_ID = 'XXXXXXX'
API_KEY = '****************'
SECRET_KEY = '*********************'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
#读取文件
def get_file_content(file_path):
with open(file_path, 'rb') as fp:
return fp.read()
result=client.asr(get_file_content('test2.wav'),'wav',16000,{
'dev_pid': 1537,
})
print(type(result))
print(result)
(2)不需要下载SDK
首先，根据文档组装.url获取token；其次，处理本地音频以JSON格式POST到百度语音识别服务器，获得返回结果。
#合成请求token的URL
url = baidu_server + "grant_type=" + grant_type + "&client_id=" + client_id + "&client_secret=" + client_secret
#获取token
res = urllib.request.urlopen(url).read()
data = json.loads(res.decode('utf-8'))
token = data["access_token"]
print(token)
下载配置所需要的库相关操作如下：
(1)安装moviepy库
moviepy用于视频编辑Python库:切割、拼接、标题插入、视频合成、视频处理。moviepy依赖库有numpy、imageio、decorator、 tqdm。
在cmd使用命令pip install moviepy安装moviepy库。
安装时可能存在的问题:发生报错导致下载安装停止时，查看报错信息可能为依赖库的缺失。
如Anaconda中的Python未安装tqdm发生报错，使用conda list查看确认缺失该库，可通过conda install tqdm下载安装，其他库缺失问题也可依照类似方法解决。
(2)安装js2py库
爬虫时很多网站使用js加密技术，js2py可以在Python环境下运行Java代码，摆脱Java环境的瓶颈。制作中英文字幕时，涉及百度语音识别英文输出，需将其翻译为中文，因此，安装is2py库 爬虫调用百度翻译的JavaScript脚本。
(3)安装pydub库
根据音频的静默检测语句停顿，进行合理断句识别，pydub库使用pip工具安装，在cmd命令行输入pip insall pydub。
使用pydub)库 from pydub import AudioSegment， 验证安装是否成功可通过例程检测，若报错没有pydub库，则安装失败。
2. 翻译
将识别的英文结果使用爬虫调用百度翻译，得到对应的中文翻译。
class baidu_Translate():
def __init__(self):
self.js = js2py.eval_js('''
var i = null;
function n(r, o) {
for (var t = 0; t < o.length - 2; t += 3) {
var a = o.charAt(t + 2);
a = a >= "a" ? a.charCodeAt(0) - 87 : Number(a),
a = "+" === o.charAt(t + 1) ? r >>> a: r << a,
r = "+" === o.charAt(t) ? r + a & 4294967295 : r ^ a
}
return r
}
var hash = function e(r,gtk) {
var o = r.match(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g);
if (null === o) {
var t = r.length;
t > 30 && (r = "" + r.substr(0, 10) + r.substr(Math.floor(t / 2) - 5, 10) + r.substr( - 10, 10))
} else {
for (var e = r.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/), C = 0, h = e.length, f = []; h > C; C++)"" !== e[C] && f.push.a pply(f, a(e[C].split(""))),C !== h - 1 && f.push(o[C]);
var g = f.length;
g > 30 && (r = f.slice(0, 10).join("")+f.slice(Math.floor(g/ 2) - 5, Math.floor(g / 2) + 5).join("") + f.slice( - 10).join(""))
}
var u = void 0,
u = null !== i ? i: (i = gtk || "") || "";
for (var d = u.split("."), m = Number(d[0]) || 0, s = Number(d [1]) || 0, S = [], c = 0, v = 0; v < r.length; v++) {
var A = r.charCodeAt(v);
128 > A ? S[c++] = A: (2048 > A ? S[c++] = A >> 6 | 192 : (55296 ===(64512 & A) && v + 1 < r.length && 56320 ===(64512&r.charCodeAt(v + 1)) ? (A = 65536 + ((1023 & A) << 10) + (1023 & r.charCodeAt(++v)), S[c++] = A >> 18 | 240, S[c++] = A >> 12 &63 | 128) : S[c++] = A >> 12 | 224,S[c++] = A >> 6 & 63 | 128), S[c++] = 63 & A | 128)
}
for (
var p = m,F = "+-a^+6", D = "+-3^+b+-f", b = 0;
b < S.length; b++) p += S[b],p = n(p, F);
return p = n(p, D),
p ^= s,
0 > p && (p = (2147483647 & p) + 2147483648),
p %= 1e6,
p.toString() + "." + (p ^ m)
}
''')
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.96 Safari/537.36', }
self.session = requests.Session()
self.session.get('https://fanyi.baidu.com', headers=headers)
response = self.session.get('https://fanyi.baidu.com', headers=headers)
self.token = re.findall("token: '(.*?)',", response.text)[0]
self.gtk = '320305.131321201' # re.findall("window.gtk = '(.*?)';", response.text, re.S)[0]
def translate(self, query, from_lang='en', to_lang='zh'):
#语言检测
self.session.post('https://fanyi.baidu.com/langdetect', data={'query': query})
#单击事件
self.session.get('https://click.fanyi.baidu.com/?src=1&locate=zh&actio n=query&type=1&page=1')
#翻译
data = {
'from': from_lang,
'to': to_lang,
'query': query,
'transtype': 'realtime',
'simple_means_flag': '3',
'sign': self.js(query, self.gtk),
'token': self.token
}
response = self.session.post('https://fanyi.baidu.com/v2transapi', data=data)
json = response.json()
if 'error' in json:
pass
#return 'error: {}'.format(json['error'])
else:
return response.json()['trans_result']['data'][0]['dst']
3. 格式转换
百度语音识别API有严格的参数要求，使用moviepy库完成从视频中提取音频工作。
def separate_audio(file_path, save_path):
#视频转音频，音频编码要求：.wav格式、采样率 16000、16bit 位深、单声道
audio_file = save_path + '\\tmp.wav'
audio = AudioFileClip(file_path)
audio.write_audiofile(audio_file, ffmpeg_params=['-ar', '16000', '-ac', '1'], logger=None)
return audio_file
4. 音频切割
使用pydub库，利用停顿时的音频分贝降低作为判定断句标准，设置停顿时的分贝阈值，拆分后的小音频不短于0.5s，不长于5s。
def cut_point(path, dbfs=1.25): #音频切割函数
sound = AudioSegment.from_file(path, format="wav")
tstamp_list = detect_silence(sound, 600, sound.dBFS * dbfs, 1)
timelist = []
for i in range(len(tstamp_list)):
if i == 0:
back = 0
else:
back = tstamp_list[i - 1][1] / 1000
timelist.append([back, tstamp_list[i][1] / 1000])
min_len = 0.5 #切割所得音频不短于0.5s，不长于5s
max_len = 5
result = []
add = 0
total = len(timelist)
for x in range(total):
if x + add < total:
into, out = timelist[x + add]
if out-into>min_len and out-into<max_len and x + add +1 < total:
add += 1
out = timelist[x + add][1]
result.append([into, out])
elif out - into > max_len:
result.append([into, out])
else:
break
return result
5. 语音识别
调用百度语音识别API进行操作，填写申请App所得信息，上传待识别音频，进行中文或英文识别，返回所得文本。
class baidu_SpeechRecognition(): #调用百度语音识别API进行操作
def __init__(self, dev_pid):
Speech_APP_ID = '19712136'
Speech_API_KEY = 'Loo4KbNtagchc2BLdCnHEnZl'
Speech_SECRET_KEY = 'DO4UlSnw7FzpodU2G3yXQSHLv6Q2inN8'
self.dev_pid = dev_pid
self.SpeechClient = AipSpeech(Speech_APP_ID, Speech_API_KEY, Speech_SECRET_KEY)
self.TranslClient = baidu_Translate()
def load_audio(self, audio_file): #读取加载音频文件
self.source = AudioSegment.from_wav(audio_file)
def speech_recognition(self, offset, duration, fanyi):
#语音识别，根据要求的参数进行设置
data = self.source[offset * 1000:duration * 1000].raw_data
result = self.SpeechClient.asr(data, 'wav', 16000, {'dev_pid': self.dev_pid, })
fanyi_text = ''
if fanyi:
try:
fanyi_text = self.TranslClient.translate(result['result'][0])
#调用translate()函数，将识别文本翻译或直接输出
except:
pass
try:
return [result['result'][0], fanyi_text] #返回所得文本
except:
#print('错误:',result)
return ['', '']
6. 文本切割
断句，避免同一画面内出现过多文字影响观感，将38设为阈值，小于38时正常显示，大于则切割，分段显示。
def cut_text(text, length=38):
#文本切割，即断句，一个画面最多单语言字数不超过38，否则将多出的加入下一画面
newtext = ''
if len(text) > length:
while True:
cutA = text[:length]
cutB = text[length:]
newtext += cutA + '\n'
if len(cutB) < 4:
newtext = cutA + cutB
break
elif len(cutB) > length:
text = cutB
else:
newtext += cutB
break
return newtext
return text
7. main函数
让模块(函数)可以自己单独执行，构造调用其他函数的入口，设置简单的交互功能，用户根据需要选择语言类型、字幕类型以及是否将字幕直接加入视频中，并可观察当前工作进度、推算所需时间、文件格式错误时报错。
if __name__ == '__main__':
def StartHandle(timeList, save_path, srt_mode=2, result_print=False):
index = 0
total = len(timeList)
a_font = r'{\fn微软雅黑\fs14}' #中、英字幕字体设置
b_font = r'{\fn微软雅黑\fs10}'
fanyi = False if srt_mode == 1 else True
file_write = open(save_path, 'a', encoding='utf-8')
for x in range(total):
into, out = timelist[x]
timeStamp=format_time(into - 0.2) +'--> '+ format_time(out- 0.2)
result=baidufanyi.speech_recognition(into+0.1,out - 0.1, fanyi)
if result_print:
if srt_mode == 0:
print(timeStamp, result[0])
else:
print(timeStamp, result)
else:
progressbar(total, x, '识别中...&& - {0}/{1}'.format('%03d' % (total), '%03d' % (x)), 44)
#将切割后所得的识别文本结果按顺序写入，中、英、中英双语不同
if len(result[0]) > 1:
index += 1
text = str(index) + '\n' + timeStamp + '\n'
if srt_mode == 0: # 仅中文
text += a_font + cut_text(result[1])
elif srt_mode == 1: # 仅英文
text += b_font + cut_text(result[0])
else: #中文+英文
text+=a_font+cut_text(result[1])+'\n'+b_font + result[0]
text = text.replace('\u200b', '') + '\n\n'
file_write.write(text)
file_write.close()
if not result_print:
progressbar(total,total,'识别中...&&-{0}/{1}'.format('%03d'% (total), '%03d' % (total)), 44)
os.system('cls')
wav_path = os.environ.get('TEMP')
#语音模型，1536为普通话+简单英文，1537为普通话，1737为英语，1637为粤语，1837川话，1936普通话远场
pid_list = 1536, 1537, 1737, 1637, 1837, 1936
#设置参数
print('[ 百度语音识别字幕生成器 - by Teri ]\n')
__line__print__('1 模式选择')
input_dev_pid = input('请选择识别模式:\n'
'\n (1)普通话,'
'\n (2)普通话+简单英语,'
'\n (3)英语,'
'\n (4)粤语,'
'\n (5)四川话,'
'\n (6)普通话-远场'
'\n\n请输入一个选项(默认3):')
__line__print__('2 字幕格式')
input_srt_mode = input('请选择字幕格式:\n'
'\n (1)中文,'
'\n (2)英文,'
'\n (3)中文+英文，'
'\n\n请输入一个选项(默认3):')
__line__print__('3 实时输出')
input_print = input('是否实时输出结果到屏幕? (默认:否/y:输出):').upper()
#处理参数，根据用户输入给出相应参数
dev_pid = int(input_dev_pid) if input_dev_pid else 3
dev_pid -= 1
srt_mode = int(input_srt_mode) if input_srt_mode else 3
srt_mode -= 1
re_print = True if input_print == 'Y' else False
#输入文件
__line__print__('4 打开文件')
input_file = input('请拖入一个文件或文件夹并按回车:').strip('"')
video_file = []
if not os.path.isdir(input_file):
video_file = [input_file]
else:
file_list = file_filter(input_file)
for a, b in file_list:
video_file.append(a + '\\' + b)
#执行确认
select_dev = ['普通话', '普通话+简单英语', '英语', '粤语', '四川话', '普通话-远场']
select_mode = ['中文', '英文', '中文+英文']
__line__print__('5 确认执行')
input('当前的设置:\n识别模式: {0}, 字幕格式: {1}, 输出结果: {2}\n当前待处理文件 {3} 个\n请按下回车开始处理...'.format(
select_dev[dev_pid],
select_mode[srt_mode],
'是' if re_print else '否',
len(video_file)
))
#批量处理，调用所设函数进行处理工作
total_file = len(video_file)
total_time = time.time()
baidufanyi = baidu_SpeechRecognition(pid_list[dev_pid])
for i in range(total_file): #在所给文件范围内循环运行
item_time = time.time() #项目时间
file_name = video_file[i].split('\\')[-1]
print('\n>>>>>>>> ...正在处理音频... <<<<<<<<', end='')
audio_file = separate_audio(video_file[i], wav_path) #视频转音频
timelist = cut_point(audio_file, dbfs=1.15) #音频切割
if timelist:
print('\r>>>>>>>> 当前:{} 预计:{} <<<<<<<<'.format(
'%03d' % (i),
countTime(len(timelist) * 5, now=False)
))
srt_name = video_file[i][:video_file[i].rfind('.')] + '.srt'
#根据时间将输出循环写入字幕文件
baidufanyi.load_audio(audio_file)
StartHandle(timelist, srt_name, srt_mode, re_print)
print('\n{} 处理完成, 本次用时{}'.format(file_name, countTime(item_time)))
else:
print('音频参数错误')
#执行完成，统计所用时间
input('全部完成, 处理了{}个文件, 全部用时{}'.format(total_file, countTime(total_time)))
#本部分包括活动类、模块的相关函数、主函数代码
from moviepy.editor import AudioFileClip
from pydub import AudioSegment
from pydub.silence import detect_silence
from aip import AipSpeech
import os
import time
import re
import requests
import js2py
class baidu_Translate():
def __init__(self):
self.js = js2py.eval_js('''
var i = null;
function n(r, o) {
for (var t = 0; t < o.length - 2; t += 3) {
var a = o.charAt(t + 2);
a = a >= "a" ? a.charCodeAt(0) - 87 : Number(a),
a = "+" === o.charAt(t + 1) ? r >>> a: r << a,
r = "+" === o.charAt(t) ? r + a & 4294967295 : r ^ a
}
return r
}
var hash = function e(r,gtk) {
var o = r.match(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g);
if (null === o) {
var t = r.length;
t > 30 && (r = "" + r.substr(0, 10) + r.substr(Math.floor(t / 2) - 5, 10) + r.substr( - 10, 10))
} else {
for (var e = r.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/), C = 0, h = e.length, f = []; h > C; C++)"" !== e[C] && f.push.apply(f, a(e[C].split(""))),
C !== h - 1 && f.push(o[C]);
var g = f.length;
g > 30 && (r = f.slice(0, 10).join("") + f.slice(Math.floor(g / 2) - 5, Math.floor(g / 2) + 5).join("") + f.slice( - 10).join(""))
}
var u = void 0,
u = null !== i ? i: (i = gtk || "") || "";
for (var d = u.split("."), m = Number(d[0]) || 0, s = Number(d[1]) || 0, S = [], c = 0, v = 0; v < r.length; v++) {
var A = r.charCodeAt(v);
128 > A ? S[c++] = A: (2048 > A ? S[c++] = A >> 6 | 192 : (55296 === (64512 & A) && v + 1 < r.length && 56320 === (64512 & r.charCodeAt(v + 1)) ? (A = 65536 + ((1023 & A) << 10) + (1023 & r.charCodeAt(++v)), S[c++] = A >> 18 | 240, S[c++] = A >> 12 & 63 | 128) : S[c++] = A >> 12 | 224, S[c++] = A >> 6 & 63 | 128), S[c++] = 63 & A | 128)
}
for (
var p = m,F = "+-a^+6", D = "+-3^+b+-f", b = 0;
b < S.length; b++) p += S[b],p = n(p, F);
return p = n(p, D),
p ^= s,
0 > p && (p = (2147483647 & p) + 2147483648),
p %= 1e6,
p.toString() + "." + (p ^ m)
}
''')
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.96 Safari/537.36', }
self.session = requests.Session()
self.session.get('https://fanyi.baidu.com', headers=headers)
response = self.session.get('https://fanyi.baidu.com', headers=headers)
self.token = re.findall("token: '(.*?)',", response.text)[0]
self.gtk = '320305.131321201' # re.findall("window.gtk = '(.*?)';", response.text, re.S)[0]
def translate(self, query, from_lang='en', to_lang='zh'):
#语言检测
self.session.post('https://fanyi.baidu.com/langdetect', data={'query': query})
#单击事件 self.session.get('https://click.fanyi.baidu.com/?src=1&locate=zh&action=query&type=1&page=1')
#翻译
data = {
'from': from_lang,
'to': to_lang,
'query': query,
'transtype': 'realtime',
'simple_means_flag': '3',
'sign': self.js(query, self.gtk),
'token': self.token
}
response =self.session.post('https://fanyi.baidu.com/v2transapi', data=data)
json = response.json()
if 'error' in json:
pass
#return 'error: {}'.format(json['error'])
else:
return response.json()['trans_result']['data'][0]['dst']
class baidu_SpeechRecognition():
def __init__(self, dev_pid):
#百度语音识别API
Speech_APP_ID = '19712136'
Speech_API_KEY = 'Loo4KbNtagchc2BLdCnHEnZl'
Speech_SECRET_KEY = 'DO4UlSnw7FzpodU2G3yXQSHLv6Q2inN8'
self.dev_pid = dev_pid
self.SpeechClient = AipSpeech(Speech_APP_ID, Speech_API_KEY, Speech_SECRET_KEY)
self.TranslClient = baidu_Translate()
def load_audio(self, audio_file):
self.source = AudioSegment.from_wav(audio_file)
def speech_recognition(self, offset, duration, fanyi):
data = self.source[offset * 1000:duration * 1000].raw_data
result = self.SpeechClient.asr(data, 'wav', 16000, {'dev_pid': self.dev_pid, })
fanyi_text = ''
if fanyi:
try:
fanyi_text = self.TranslClient.translate(result['result'][0])
except:
pass
try:
return [result['result'][0], fanyi_text]
except:
#print('错误:',result)
return ['', '']
def cut_point(path, dbfs=1.25):
sound = AudioSegment.from_file(path, format="wav")
tstamp_list = detect_silence(sound, 600, sound.dBFS * dbfs, 1)
timelist = []
for i in range(len(tstamp_list)):
if i == 0:
back = 0
else:
back = tstamp_list[i - 1][1] / 1000
timelist.append([back, tstamp_list[i][1] / 1000])
min_len = 0.5
max_len = 5
result = []
add = 0
total = len(timelist)
for x in range(total):
if x + add < total:
into, out = timelist[x + add]
if out-into>min_len and out - into < max_len and x + add + 1 < total:
add += 1
out = timelist[x + add][1]
result.append([into, out])
elif out - into > max_len:
result.append([into, out])
else:
break
return result
def cut_text(text, length=38):
newtext = ''
if len(text) > length:
while True:
cutA = text[:length]
cutB = text[length:]
newtext += cutA + '\n'
if len(cutB) < 4:
newtext = cutA + cutB
break
elif len(cutB) > length:
text = cutB
else:
newtext += cutB
break
return newtext
return text
def progressbar(total, temp, text='&&', lenght=40): #定义进度栏
content = '\r' + text.strip().replace('&&', '[{0}{1}]{2}%')
percentage = round(temp / total * 100, 2)
a = round(temp / total * lenght)
b = lenght - a
print(content.format('■' * a, '□' * b, percentage), end='')
def format_time(seconds): #定义时间格式
sec = int(seconds)
m, s = divmod(sec, 60)
h, m = divmod(m, 60)
fm = int(str(round(seconds, 3)).split('.')[-1])
return "%02d:%02d:%02d,%03d" % (h, m, s, fm)
def separate_audio(file_path, save_path): #定义音频间隔
audio_file = save_path + '\\tmp.wav'
audio = AudioFileClip(file_path)
audio.write_audiofile(audio_file, ffmpeg_params=['-ar', '16000', '-ac', '1'], logger=None)
return audio_file
def file_filter(path, alldir=False): #定义文件过滤
key = ['mp4', 'mov']
if alldir:
dic_list = os.walk(path)
else:
dic_list = os.listdir(path)
find_list = []
for i in dic_list:
if os.path.isdir(i[0]):
header = i[0]
file = i[2]
for f in file:
for k in key:
if f.rfind(k) != -1:
find_list.append([header, f])
else:
for k in key:
if i.rfind(k) != -1:
find_list.append([path, i])
if find_list:
find_list.sort(key=lambda txt: re.findall(r'\d+', txt[1])[0])
return find_list
def countTime(s_time, now=True): #定义累计时间
if now: s_time = (time.time() - s_time)
m, s = divmod(int(s_time), 60)
return '{}分{}秒'.format('%02d' % (m), '%02d' % (s))
def __line__print__(txt='-' * 10): #定义打印
print('\n' + '-' * 10 + ' ' + txt + ' ' + '-' * 10 + '\n')
if __name__ == '__main__': #主函数
def StartHandle(timeList, save_path, srt_mode=2, result_print=False):
index = 0
total = len(timeList)
a_font = r'{\fn微软雅黑\fs14}'
b_font = r'{\fn微软雅黑\fs10}'
fanyi = False if srt_mode == 1 else True
file_write = open(save_path, 'a', encoding='utf-8')
for x in range(total):
into, out = timelist[x]
timeStamp = format_time(into - 0.2) + ' --> ' + format_time(out - 0.2)
result = baidufanyi.speech_recognition(into + 0.1, out - 0.1, fanyi)
if result_print:
if srt_mode == 0:
print(timeStamp, result[0])
else:
print(timeStamp, result)
else:
progressbar(total, x, '识别中...&& - {0}/{1}'.format('%03d' % (total), '%03d' % (x)), 44)
if len(result[0]) > 1:
index += 1
text = str(index) + '\n' + timeStamp + '\n'
if srt_mode == 0: #仅中文
text += a_font + cut_text(result[1])
elif srt_mode == 1: #仅英文
text += b_font + cut_text(result[0])
else: #中文+英文
text += a_font + cut_text(result[1]) + '\n' + b_font + result[0]
text = text.replace('\u200b', '') + '\n\n'
file_write.write(text)
file_write.close()
if not result_print:
progressbar(total, total, '识别中...&& - {0}/{1}'.format('%03d' % (total), '%03d' % (total)), 44)
os.system('cls')
wav_path = os.environ.get('TEMP')
#语音模型
pid_list = 1536, 1537, 1737, 1637, 1837, 1936
#设置参数
print('[ 百度语音识别字幕生成器 - by 谷健&任家旺 ]\n')
__line__print__('1 模式选择')
input_dev_pid = input('请选择识别模式:\n'
'\n (1)普通话,'
'\n (2)普通话+简单英语,'
'\n (3)英语,'
'\n (4)粤语,'
'\n (5)四川话,'
'\n (6)普通话-远场'
'\n\n请输入一个选项(默认3):')
__line__print__('2 字幕格式')
input_srt_mode = input('请选择字幕格式:\n'
'\n (1)中文,'
'\n (2)英文,'
'\n (3)中文+英文，'
'\n\n请输入一个选项(默认3):')
__line__print__('3 实时输出')
input_print = input('是否实时输出结果到屏幕? (默认:否/y:输出):').upper()
#处理参数
dev_pid = int(input_dev_pid) if input_dev_pid else 3
dev_pid -= 1
srt_mode = int(input_srt_mode) if input_srt_mode else 3
srt_mode -= 1
re_print = True if input_print == 'Y' else False
#输入文件
__line__print__('4 打开文件')
input_file = input('请拖入一个文件或文件夹并按回车:').strip('"')
video_file = []
if not os.path.isdir(input_file):
video_file = [input_file]
else:
file_list = file_filter(input_file)
for a, b in file_list:
video_file.append(a + '\\' + b)
#执行确认
select_dev = ['普通话', '普通话+简单英语', '英语', '粤语', '四川话', '普通话-远场']
select_mode = ['中文', '英文', '中文+英文']
__line__print__('5 确认执行')
input('当前的设置:\n识别模式: {0}, 字幕格式: {1}, 输出结果: {2}\n当前待处理文件 {3} 个\n请按下回车开始处理...'.format(
select_dev[dev_pid],
select_mode[srt_mode],
'是' if re_print else '否',
len(video_file)
))
#批量处理
total_file = len(video_file)
total_time = time.time()
baidufanyi = baidu_SpeechRecognition(pid_list[dev_pid])
for i in range(total_file):
item_time = time.time()
file_name = video_file[i].split('\\')[-1]
print('\n>>>>>>>> ...正在处理音频... <<<<<<<<', end='')
audio_file = separate_audio(video_file[i], wav_path)
timelist = cut_point(audio_file, dbfs=1.15)
if timelist:
print('\r>>>>>>>> 当前:{} 预计:{} <<<<<<<<'.format(
'%03d' % (i),
countTime(len(timelist) * 5, now=False)
))
srt_name = video_file[i][:video_file[i].rfind('.')] + '.srt'
baidufanyi.load_audio(audio_file)
StartHandle(timelist, srt_name, srt_mode, re_print)
print('\n{} 处理完成, 本次用时{}'.format(file_name, countTime(item_time)))
else:
print('音频参数错误')
#执行完成
input('全部完成, 处理了{}个文件, 全部用时{}'.format(total_file, countTime(total_time)))
系统测试
运行Python代码，根据提示进行交互选择。选择待识别视频语言，如图1所示；选择需要的字幕语言，如图2所示。
选择是否实时输出字幕结果，选择文件路径: (需要在英文输入法下使用双引号)确认需求，如图所示。
本次运行的设置：
识别模式英语(3)，字幕格式为中文+英文(3)是否实时输出字幕为(y) 。结果：实时查看字幕输出，如图所示。
生成.srt字幕文件，如图所示。
在播放器中选择打开或关闭字幕，当生成多个字幕文件(如英文/中文/英文+中文)时也可在播放器中设置更换字幕文件。
使用记事本打开字幕文件，如图所示。
查看字幕文件加入视频的效果，原无字幕视频，如图所示。
加入生成字幕后的视频，如图所示。
工程源代码下载
详见本人博客资源下载页
其它资料下载
如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。
