使用Python和百度語音識別生成視訊字幕的實現
阿新 • • 發佈：2020-04-10
從視訊中提取音訊
安裝 moviepy
pip install moviepy
相關程式碼：
audio_file = work_path + '\\out.wav' video = VideoFileClip(video_file) video.audio.write_audiofile(audio_file,ffmpeg_params=['-ar','16000','-ac','1'])
根據靜音對音訊分段
使用音訊庫 pydub，安裝：
pip install pydub
第一種方法：
# 這裡silence_thresh是認定小於-70dBFS以下的為silence，發現小於 sound.dBFS * 1.3 部分超過 700毫秒，就進行拆分。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 = 0
for i in range(len(sounds)):
s = len(sounds[i])
sec += s
print('split duration is ',sec)
print('dBFS: {0},max_dBFS: {1},duration: {2},split: {3}'.format(round(sound.dBFS,2),round(sound.max_dBFS,sound.duration_seconds,len(sounds)))
感覺分割的時間不對，不好定位，我們換一種方法：
# 通過搜尋靜音的方法將音訊分段
# 參考：https://wqian.net/blog/2018/1128-python-pydub-split-mp3-index.html
timestamp_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},len(timestamp_list)))輸出結果如下：
感覺這樣好處理一些
使用百度語音識別
現在百度智慧雲平臺建立一個應用，獲取 API Key 和 Secret Key：
獲取 Access Token
使用百度 AI 產品需要授權，一定量是免費的，生成字幕夠用了。
'''
百度智慧雲獲取 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 資料進行合成
這裡使用百度語音極速版來合成文字，因為官方介紹專有GPU服務叢集，識別響應速度較標準版API提升2倍及識別準確率提升15%。適用於近場短語音互動，如手機語音搜尋、聊天輸入等場景。 支援上傳完整的錄音檔案，錄音檔案時長不超過60秒。實時返回識別結果
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}
#測試自訓練平臺需要開啟以下資訊
#params = {'cuid': CUID,'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
生成字幕其實就是語音識別的應用，將識別後的內容按照 srt 字幕格式組裝起來就 OK 了。具體字幕格式的內容可以參考上面的文章，程式碼如下：
idx = 0
for 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
我在視訊網站下載了一個視訊來作測試，極速模式從速度和識別率來說都是最好的，感覺比網易見外平臺還好用。
到此這篇關於使用Python和百度語音識別生成視訊字幕的文章就介紹到這了,更多相關Python 百度語音識別生成視訊字幕內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！