AI最佳实践｜用腾讯云录音文件识别让无字幕视频自动生成字幕(ai实现)

南窗分类：IT技术人气：223 回帖：0 发布于1年前收藏

试想一下，当我们在观看一段视频时，如果遇上字幕缺失，观感是不是会大打折扣？

近些年，短视频、直播等线上娱乐方式快速发展，直接拉动了旅游、电商、影视创作等行业新风潮；而要呈现出一段好的视频效果，不仅仅考验好的拍摄技法，后期处理也是重中之重。以视频字幕为例，有字幕的视频总能“一气呵成”的顺畅看完，而无字幕的，总令人觉得缺失了一种味道。事实上，纯手工添加字幕，也费时费力，面对较大时长与批量化字幕处理的，多少有些苦不堪言，那有没有更智能化的方式呢？

接下来，本文将分享一下，如何借助录音文件识别服务给无字幕视频自动生成字幕。

一、分析调研

给无字幕视频自动生成字幕，其实就是先对视频文件导出的音频文件进行识别，得到识别文字，再根据识别得到的文字与短句的时间信息处理得到视频srt字幕文件，在视频文件中导入srt字幕文件即可得到效果。

实现思路如下：

1.借助ffmpeg从视频中提取音频

2.调用录音文件识别服务，对音频文件进行识别

3.对识别得到的文字与短句的时间信息进行处理得到视频srt字幕文件

4.将命名相同的视频文件与srt文件放在同一目录下，用暴风影音或其他播放器打开，即可得到有字幕的视频。

二、代码开发

1.借助ffmpeg从视频中提取音频

项目使用了ffmpeg依赖，需先下载安装，并设置环境变量。之后就可通过引入subprocess库，执行ffmpeg命令，启动一个新进程，完成对音频的提取。

import subprocess
def extract_audio(video, tmpAudio):
	ret = subprocess.run('ffmpeg -version', shell=True)
	if ret.returncode != 0:
		print("请先安装 ffmpeg 依赖 ，并设置环境变量")
		return
	ret = subprocess.check_call(['ffmpeg', '-i', video, '-vn', '-ar', "16000", tmpAudio], shell=False)
	if ret.returncode != 0:
		print("error:", ret)

2.识别音频文件

在这里笔者选择的录音文件识别服务是站长素材网ASR的录音文件识别，通过调研，站长素材网的录音文件识别，可以在调用时直接根据语句之间的停顿智能断句、加标点，无需再调用其他接口进行语句拆分，同时返回结果数据也可根据不同需求进行多种选择，如是否过滤脏词、是否过滤语气词等。

服务具体详细信息这里不再赘述，详情见官方文档见站长素材网ASR。

(1)要访问站长素材网的服务，则需要SecertId与SecretKey，该API密钥可在API密钥管理页面新建与查询，稍后配置到config文件中即可。

笔者项目配置在tencent/config.py当中

class Config(object):
	OUTPUT_PATH = '/XXX/video-srt/audio/' #输出文件目录
	APP_ID = '******' # 对应上述APPID
	SECRET_ID = '******' # 对应上述SecretId
	SECRET_KEY = '******' # 对应上述SecretKey

(2)使用官网提供的sdk

找到站长素材网语音识别服务下的录音文件识别的API文档，滑动到下方，找到开发者资源，这里笔者选择调用Python SDK。

可以看到录音文件识别是个异步服务，可通过CreateRecTask接口发送录音文件识别请求，之后可通过DescribeTaskStatus接口查询识别结果。

笔者项目中函数create_rec、函数query_rec_task分别对CreateRecTask接口和DescribeTaskStatus接口进行了封装。详细介绍如下：

CreateRecTask：

在请求时除需传入EngineModelType（引擎模型类型）、ChannelNum（识别声道数）、ResTextFormat（识别结果返回形式）、SourceType（语音数据来源）等这些必选参数外，还可根据需要传入FilterDirty（是否过滤脏词）、FilterModal（是否过滤语气词）等参数。

该请求成功后将返回RequestId、TaskId等信息。

def create_rec(engine_type, file_url):
	client = create_client(Config.SECRET_ID, Config.SECRET_KEY)
	req = models.CreateRecTaskRequest()
	params = {"ChannelNum": 1, "ResTextFormat": 2, "SourceType": 0, "ConvertNumMode": 1}
	req._deserialize(params)
	req.EngineModelType = engine_type
	req.Url = file_url
	try:
		resp = client.CreateRecTask(req)
		logger.info(resp)
		requesid = resp.RequestId
		taskid = resp.Data.TaskId
		return requesid, taskid
	except Exception as err:
		logger.info(traceback.format_exc())
		return None, None

这里需要注意两个参数：

一是，ResTextFormat。识别结果返回形式有三种，这里笔者因在后续生成srt文件时，还根据单句识别结果的标点进行了一层分隔，所以选用了“词级别粒度的详细识别结果(包含标点、语速值)”的形式，若是不需要多一层划分，可直接选用“识别结果文本(含分段时间戳)”的形势。

二是，SourceType。语音数据来源分为两种，分别是语音 URL和语音数据（post body），笔者这里选用的是语音 URL，具体实现为，将本地音频上传到站长素材网的cos存储桶中，则语音URL为固定地址+音频文件名，即可实现调用。也可通过其他方式得到音频的url。

import subprocess
def upload_file(tmpAudio):
	objectName = tmpAudio.split('/')[-1]
	ret = subprocess.run(['coscmd', '-s', 'upload', tmpAudio, objectName], shell=False)
	if ret.returncode != 0:
		print("error:", ret)

DescribeTaskStatus：

在请求时需传入TaskId。

该请求成功后将返回RequestId和识别结果。

def query_rec_task(taskid):
	client = create_client(Config.SECRET_ID, Config.SECRET_KEY)
	req = models.DescribeTaskStatusRequest()
	params = '{"TaskId":' + str(taskid) + '}'
	req.from_json_string(params)
	result = ""
	while True:
	try:
		resp = client.DescribeTaskStatus(req)
		resp_json = resp.to_json_string()
		logger.info(resp_json)
		resp_obj = json.loads(resp_json)
		if resp_obj["Data"]["StatusStr"] == "success":
			result = resp_obj["Data"]["ResultDetail"]
			break
		if resp_obj["Data"]["Status"] == 3:
			return False, ""
		time.sleep(1)
	except TencentCloudSDKException as err:
		logger.info(err)
		return False, ""
	return True, result

这里笔者将根据ResultDetail的信息生成srt文件，所以函数query_rec_task的返回值为DescribeTaskStatus接口返回的data中的ResultDetail。

3.处理识别结果生成srt字幕文件

笔者这里生成的srt文件除了根据调用接口已自动划分的句子进行时间的标注外，当自动划分的句子的长度较长时，还会根据当前句子的标点，结合ResultDetail中的OffsetEndMs、StartMs、EndMs等信息对句子进行再一次分割，避免字幕一行展示过多的情况。

def to_srt(src_txt):
	flag_word = ["。", "？", "！", "，"]
	basic_line = 15
	srt_txt = ""
	count = 1
	    for i in range(len(src_txt)):
        current_sentence = src_txt[i]["FinalSentence"]
        last_time = ms_to_hours(src_txt[i]["StartMs"])
        len_rec = len(current_sentence)
        if len_rec > basic_line:
            start_rec = 0
            last_time = ms_to_hours(src_txt[i]["StartMs"]) 
            while(len_rec > basic_line):
                flag = True
                for j in flag_word: 
                    if j in current_sentence[start_rec:start_rec+basic_line]:  
                        loc_rec = current_sentence.index(j, start_rec, start_rec+basic_line) + 1 
                        flag = False
                        break
                if flag:
                    loc_rec = start_rec + basic_line
                current_txt = current_sentence[start_rec:loc_rec] + "\n" 
                start_time = last_time
                end_time = ms_to_hours(src_txt[i]["Words"][loc_rec]["OffsetEndMs"]+src_txt[i]["StartMs"])
                if current_sentence[start_rec:] != "" and current_sentence[start_rec:] != None:
                    srt_txt = srt_txt + str(count) + "\n" + start_time + "-->" + end_time + "\n" + current_txt + "\n"
                    count += 1
                start_rec = loc_rec
                last_time = end_time
                len_rec = len(current_sentence[loc_rec:])
            current_txt = current_sentence[start_rec:] + "\n"
            start_time = last_time
            end_time = ms_to_hours(src_txt[i]["EndMs"])
            if current_sentence[start_rec:] != "" and current_sentence[start_rec:] != None:
                srt_txt = srt_txt + str(count) + "\n" + start_time + "-->" + end_time + "\n" + current_txt + "\n"
                count += 1
        else:
            start_time = last_time
            end_time = ms_to_hours(src_txt[i]["EndMs"])
            srt_txt = srt_txt + str(count) + "\n" + start_time + "-->" + end_time + "\n" + current_sentence + "\n"+"\n"
            count += 1
	return srt_txt