從視頻中提取音頻

安裝 moviepy

pip install moviepy

相關(guān)代碼：

audio_file = work_path + ’out.wav’video = VideoFileClip(video_file)video.audio.write_audiofile(audio_file,ffmpeg_params=[’-ar’,’16000’,’-ac’,’1’])

根據(jù)靜音對(duì)音頻分段

使用音頻庫(kù) pydub，安裝：

pip install pydub

第一種方法：

# 這里silence_thresh是認(rèn)定小于-70dBFS以下的為silence，發(fā)現(xiàn)小于 sound.dBFS * 1.3 部分超過 700毫秒，就進(jìn)行拆分。這樣子分割成一段一段的。sounds = split_on_silence(sound, min_silence_len = 500, silence_thresh= sound.dBFS * 1.3)sec = 0for i in range(len(sounds)): s = len(sounds[i]) sec += sprint(’split duration is ’, sec)print(’dBFS: {0}, max_dBFS: {1}, duration: {2}, split: {3}’.format(round(sound.dBFS,2),round(sound.max_dBFS,2),sound.duration_seconds,len(sounds)))

感覺分割的時(shí)間不對(duì)，不好定位，我們換一種方法：

# 通過搜索靜音的方法將音頻分段# 參考：https://wqian.net/blog/2018/1128-python-pydub-split-mp3-index.htmltimestamp_list = detect_nonsilent(sound,500,sound.dBFS*1.3,1) for i in range(len(timestamp_list)): d = timestamp_list[i][1] - timestamp_list[i][0] print('Section is :', timestamp_list[i], 'duration is:', d)print(’dBFS: {0}, max_dBFS: {1}, duration: {2}, split: {3}’.format(round(sound.dBFS,2),round(sound.max_dBFS,2),sound.duration_seconds,len(timestamp_list)))

輸出結(jié)果如下：

感覺這樣好處理一些

使用百度語音識(shí)別

現(xiàn)在百度智能云平臺(tái)創(chuàng)建一個(gè)應(yīng)用，獲取 API Key 和 Secret Key：

獲取 Access Token

使用百度 AI 產(chǎn)品需要授權(quán)，一定量是免費(fèi)的，生成字幕夠用了。

’’’百度智能云獲取 Access Token’’’def fetch_token(): params = {’grant_type’: ’client_credentials’, ’client_id’: API_KEY, ’client_secret’: SECRET_KEY} post_data = urlencode(params) if (IS_PY3): post_data = post_data.encode( ’utf-8’) req = Request(TOKEN_URL, post_data) try: f = urlopen(req) result_str = f.read() except URLError as err: print(’token http response http code : ’ + str(err.errno)) result_str = err.reason if (IS_PY3): result_str = result_str.decode() print(result_str) result = json.loads(result_str) print(result) if (’access_token’ in result.keys() and ’scope’ in result.keys()): print(SCOPE) if SCOPE and (not SCOPE in result[’scope’].split(’ ’)): # SCOPE = False 忽略檢查 raise DemoError(’scope is not correct’) print(’SUCCESS WITH TOKEN: %s EXPIRES IN SECONDS: %s’ % (result[’access_token’], result[’expires_in’])) return result[’access_token’] else: raise DemoError(’MAYBE API_KEY or SECRET_KEY not correct: access_token or scope not found in token response’)

使用 Raw 數(shù)據(jù)進(jìn)行合成

這里使用百度語音極速版來合成文字，因?yàn)楣俜浇榻B專有GPU服務(wù)集群，識(shí)別響應(yīng)速度較標(biāo)準(zhǔn)版API提升2倍及識(shí)別準(zhǔn)確率提升15%。適用于近場(chǎng)短語音交互，如手機(jī)語音搜索、聊天輸入等場(chǎng)景。 支持上傳完整的錄音文件，錄音文件時(shí)長(zhǎng)不超過60秒。實(shí)時(shí)返回識(shí)別結(jié)果

def asr_raw(speech_data, token): length = len(speech_data) if length == 0: # raise DemoError(’file %s length read 0 bytes’ % AUDIO_FILE) raise DemoError(’file length read 0 bytes’) params = {’cuid’: CUID, ’token’: token, ’dev_pid’: DEV_PID} #測(cè)試自訓(xùn)練平臺(tái)需要打開以下信息 #params = {’cuid’: CUID, ’token’: token, ’dev_pid’: DEV_PID, ’lm_id’ : LM_ID} params_query = urlencode(params) headers = { ’Content-Type’: ’audio/’ + FORMAT + ’; rate=’ + str(RATE), ’Content-Length’: length } url = ASR_URL + '?' + params_query # print post_data req = Request(ASR_URL + '?' + params_query, speech_data, headers) try: begin = timer() f = urlopen(req) result_str = f.read() # print('Request time cost %f' % (timer() - begin)) except URLError as err: # print(’asr http response http code : ’ + str(err.errno)) result_str = err.reason if (IS_PY3): result_str = str(result_str, ’utf-8’) return result_str

生成字幕

字幕格式： https://www.cnblogs.com/tocy/p/subtitle-format-srt.html

生成字幕其實(shí)就是語音識(shí)別的應(yīng)用，將識(shí)別后的內(nèi)容按照 srt 字幕格式組裝起來就 OK 了。具體字幕格式的內(nèi)容可以參考上面的文章，代碼如下：

idx = 0for i in range(len(timestamp_list)): d = timestamp_list[i][1] - timestamp_list[i][0] data = sound[timestamp_list[i][0]:timestamp_list[i][1]].raw_data str_rst = asr_raw(data, token) result = json.loads(str_rst) # print('rst is ', result) # print('rst is ', rst[’err_no’][0]) if result[’err_no’] == 0: text.append(’{0}n{1} --> {2}n’.format(idx, format_time(timestamp_list[i][0]/ 1000), format_time(timestamp_list[i][1]/ 1000))) text.append( result[’result’][0]) text.append(’n’) idx = idx + 1 print(format_time(timestamp_list[i][0]/ 1000), 'txt is ', result[’result’][0])with open(srt_file,'r+') as f: f.writelines(text)

總結(jié)

我在視頻網(wǎng)站下載了一個(gè)視頻來作測(cè)試，極速模式從速度和識(shí)別率來說都是最好的，感覺比網(wǎng)易見外平臺(tái)還好用。

到此這篇關(guān)于使用Python和百度語音識(shí)別生成視頻字幕的文章就介紹到這了,更多相關(guān)Python 百度語音識(shí)別生成視頻字幕內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！