语音识别使用录音文件识别实现视频自动生成字幕-实践教程-文档中心-腾讯云

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”顺畅地看完，而无字幕总令人觉得缺失了一种味道。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。
本文将介绍如何借助录音文件识别服务给无字幕视频自动生成字幕。
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，再通过对文字进行时间信息处理，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。
代码开发
步骤一：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)
步骤二：识别音频文件
这里选择的录音文件识别服务是腾讯云 ASR 的录音文件识别，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、添加标点符号，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。录音文件识别接口详情请参见 录音文件识别请求。
1. 访问腾讯云的服务，需要使用 API 密钥（SecertId 与 SecretKey），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。
﻿

本项目配置在 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
获取腾讯云语音识别服务提供的 SDK，详情请参见录音文件识别请求 > 开发者资源，本项目调用 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。
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：
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。
﻿
﻿
SourceType：语音数据来源分为两种，分别是语音 URL和语音数据（post body），这里选用的是语音 URL，具体实现为，将本地音频上传到腾讯云的 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。
步骤三：处理识别结果生成 srt 字幕文件
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
﻿
﻿

srt 文件最终生成的位置与 Config 文件中的 OUTPUT_PATH 相关。
步骤四：得到有字幕的视频
1. 原视频文件的名称需与 srt 文件相同。
﻿
﻿
2. 选择打开方式。
﻿
﻿
3. 有字幕的视频。
﻿
﻿
至此，给无字幕视频生成字幕已经实现，完整工程代码放在附录中，除去修改一些配置，使用起来较为简便。
附录
工程代码：地址
使用录音文件识别实现视频自动生成字幕

本页目录：

分析调研

代码开发

步骤一：借助 ffmpeg 从视频中提取音频

步骤二：识别音频文件

步骤三：处理识别结果生成 srt 字幕文件

步骤四：得到有字幕的视频

附录
