快捷導(dǎo)航

使用Python和百度語(yǔ)音識(shí)別生成視頻字幕的實(shí)現(xiàn)

更新時(shí)間：2020年04月09日 10:50:17 作者：孫亖

這篇文章主要介紹了使用Python和百度語(yǔ)音識(shí)別生成視頻字幕，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

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(guò) 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 = 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,2),sound.duration_seconds,len(sounds)))

感覺(jué)分割的時(shí)間不對(duì)，不好定位，我們換一種方法：

# 通過(guò)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.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}, 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(jué)這樣好處理一些

使用百度語(yǔ)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(yǔ)音極速版來(lái)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(yǔ)音交互，如手機(jī)語(yǔ)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(guò)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(yǔ)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(lái)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 = 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(jié)

我在視頻網(wǎng)站下載了一個(gè)視頻來(lái)作測(cè)試，極速模式從速度和識(shí)別率來(lái)說(shuō)都是最好的，感覺(jué)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(yǔ)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(yǔ)音識(shí)別生成視頻字幕內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: