使用智谱AI大模型翻译视频字幕

不久前，国内的头部大模型厂商智谱 AI ，刚刚推出了 glm-4-0520 模型，该模型被认为是当前平台最先进的模型，具备 128k 的上下文长度，并且相较于前一代模型，指令遵从能力大幅提升 18.6%。可以看出，智谱AI对于该模型寄予厚望。

为了验证这个大模型的性能，我们尝试用它来实现【视频字幕翻译】功能。目前很多视频网站（如B站）上面，大量优质内容都是英文的，并且也没有配备中文的字幕翻译，这对于很多人来说，大大降低了观看体验。因此，我们决定利用大模型，将视频的字幕翻译成中文，这样就可以快速理解视频的大致内容，大幅提升工作与学习效率。

下面，我们以 B站 上的视频为例，来实现这个功能。视频链接：https://www.bilibili.com/video/BV1g84y1R7oE/?vd_source=2fd71d56662056b97691b4d7bdf39151

话不多说，开始写代码。

现在很多视频网站都提供了 OpenAPI，支持获取视频和字幕等相关信息。为了方便开发，我们直接采用 LangChain 封装好的 BiliBiliLoader 来实现视频字幕的加载功能：

首先，我们需要在浏览器登录B站，并且浏览器的开发者工具，获取SESSDATA、JCT 和 BUVID3信息，并保存到环境变量中：

# B站相关配置
BiliBili_SESSDATA=xxx
BiliBili_JCT=xxx
BiliBili_BUVID3=xxx

接下来，我们通过 BiliBiliLoader 工具，加载该视频对应的字幕文本：

import os

import dotenv
from langchain_community.document_loaders import BiliBiliLoader

# 加载环境变量
dotenv.load_dotenv()

# 创建B站字幕文档加载器
loader = BiliBiliLoader(
    video_urls=["https://www.bilibili.com/video/BV1g84y1R7oE/"],
    sessdata=os.getenv("BiliBili_SESSDATA"),
    bili_jct=os.getenv("BiliBili_JCT"),
    buvid3=os.getenv("BiliBili_BUVID3"),
)

# 加载完整字幕
full_caption = loader.load()
print(f"完整字幕: {full_caption[0].page_content[:1000]}")

部分字幕内容如下：

完整字幕: Video Title: Let’s Learn English on a Hike! 🍂🚶🏼🎒 【英文字幕】, description: Have you ever learned English in nature? In this English lesson I take you to a hiking trail near me and teach you all of the words and phrases you’ll need to know to have a conversation about hiking.

In this free English class you’ll learn words and phrases like: trail, path, treacherous, view, sign, observation deck, gear, hiking boots, dangerous animals, racoon, skunk, and more.

…

为了便于后面的翻译，我们将完整的字幕长文本进行切割，拆分成多个字幕块：

# 创建文档分割器,将原始字幕文本分割成更小的片段
splitter = RecursiveCharacterTextSplitter(chunk_size=200,

chunk_overlap=10)

caption_chunks = splitter.split_documents(full_caption)
print(f"切割后的分块大小: {len(caption_chunks)}")

我们指定了每个文档分块大小为200，块之间的重叠为10，这样将原始的字幕分割成了46个文档片段。

下面，我们就可以利用智谱AI的 glm-4-0520 大模型，将原版的英文字幕翻译成中文：

# 构造Chain,将原版的英文字幕翻译成中文
llm = ChatZhipuAI(model="glm-4-0520", temperature=0)  # 使用智谱AIglm-4-0520大模型
chain = (
        {"content": lambda x: x.page_content}
        | ChatPromptTemplate.from_template("你是一个翻译专家,请将输入的英文翻译成中文: {content}")
        | llm
        | StrOutputParser()
)
chinese_captions = chain.batch(caption_chunks, config={"max_concurrency": 1})

full_english_caption = "\n".join([caption.page_content for caption in caption_chunks])
full_chinese_caption = "\n".join(chinese_captions)
print(f"原版英文字幕: \n{full_english_caption}")
print(f"翻译后的中文字幕: \n{full_chinese_caption}")

翻译后的中文字幕如下：

视频标题：让我们在徒步中学习英语吧！🍂🚶🏼🎒【英文字幕】

描述：你有没有在自然环境中学习过英语？在这个英语课程中，我将带你到我附近的一条徒步小径，教你所有的……（此处原文未给出完整内容，因此翻译也无法完整）

你需要知道的单词和短语，以便进行关于徒步旅行的对话。

在这个免费的英语课程中，你将学习到如下单词和短语：小径、路径、危险重重、景观、标志、观景台、装备、徒步靴、危险动物、浣熊、臭鼬等等。

…

大功告成！现在我们已经拿到了翻译后的中文字幕。大致看来，语义和文法还算比较通顺。但是这只是我们直观上的感受，有没有什么量化的方式，可以评估翻译的效果呢？还是有的，我们可以利用大模型的 Embedding 能力，计算下原版的英文字幕和翻译后的中文字幕在语言上的相似性，如果二者的相似度很高，则大概率可以说明翻译基本复现了原始的内容。当然还有更准确的评估方式，我们这里暂时不做展开了。

最后，我们可以利用智谱AI刚刚推出的 embedding-3 这个 Embedding 模型，计算下两个字幕的语义相似度：

# 计算原版英文字幕和翻译后的中文字幕在语义上的相似度
embeddings = ZhipuAIEmbeddings(model="embedding-3")
english_embedding = embeddings.embed_documents([full_english_caption])

chinese_embedding = embeddings.embed_documents([full_chinese_caption])

similarity = cosine_similarity(X=english_embedding,Y=chinese_embedding)[0]

print(f"两个字幕的语义相似度: {similarity}")

两个字幕的语义相似度: [0.73141426]

可以看出，最终两个字幕 Embedding 的余弦相似度超过了0.7，说明大模型的翻译效果还是不错的。

综上所述：针对语料的翻译工作，glm-4-0520 应该是一个不错的选择。