识别字幕一直是很有用的技术，但是这个技术一般都是网站提供接口，要么交钱要么有限制，这种关键技术被卡脖子就非常难受，我一直希望有离线的语音识别软件，不用看大公司的脸色。直到我偶然发现了这个
《音频转文字小工具，离线版来了，无限用！》然后因为我是win7，就没下，而且这个只是翻译，翻译得还不快，距离生成字幕也还有段距离，但是因此认识到PaddleSpeech框架，走起。
百度的PaddleSpeech框架属于飞桨，这个飞桨还挺大方。每天可以用8个小时，就相当于免费的云电脑（不过限制大，要懂代码），不要用免费的，直接起步用1点/小时那个或者更高的，否则会出些奇怪的问题，估计性能也差，反正点数也不能累加不用省。
《【超简单】之基于PaddleSpeech搭建个人语音听写服务》可以看成上面那个小工具的原型，直接运行复制，是可以跑得通的。
只需要修改少量代码，就可以生成“Region 1: 00:00:03,000 --> 00:00:04,500”这种格式的数据和翻译出来的语句，其实这种就和
引用
1
00:00:03,000 --> 00:00:04,500
在国外呢
这样的字幕非常像。
而代码需要的wav音频可以用格式工厂转化得来。
我目前修改的版本就是生成result和result2，result是翻译出来的字，result2是对应的时间轴，可以看出翻译和时间轴的行数是一致的。
目前的烦恼就是，我不太会python，所以不能直接生成srt字幕文件，只能复制粘贴，用我熟悉的JQ去解决两个文件合成字幕字符串的工作。如果有大佬能直接改成生成字幕文件那就太好了，反正都是些处理字符串的工作。
还有就是，“00:00:03,000”逗号后面是毫秒，我不知道如何用python传入秒数生成毫秒这样的格式。
另外不知道怎么分享飞桨工程，不知道怎么离开服务器后固化已经安装的
我的一些经验：
1.生成字幕后，用ffmpeg写入字幕，MP4格式的软字幕需要一些播放器支持，用MKV格式的软字幕就比较好，也可以直接MP4写入硬字幕
复制代码- （MP4软字幕，需调）: ffmpeg -i 03.mp4 -i 8.srt -c copy -c:s mov_text 2.mp4
- （MP4硬字幕，需重新编码）: ffmpeg -i 03.mp4 -vf subtitles=8.srt out.mp4
- （封装MKV）: ffmpeg -i 03.mp4 -i 8.srt -c copy output.mkv
|
2.飞桨上上传的文件限制为150MB，一个小时以上的WAV妥妥的超了，此时可以用zip分包成小于150MB的上传，在服务器合并解压，下列3个“outpath”要写对
复制代码- cat outpath.* > outpath_all.zip
- !unzip outpath_all.zip
|
3.1小时的音频大概转8-9分钟，可以接受，而且可以挂着干别的，反正飞桨的服务器又不是自己的电脑。
4.封装python（据说一定要64位，3.7版本以上）离线版我本来想用aardio，不过似乎aardio只支持32位，我还去知乎请教了该软件作者怎么用python64位，他说了一堆管道调用吧啦吧啦，结果今天作者愤而出走知乎，把帖子全删了
我的期望就是，把这玩意封装成一个win7能用的离线版，一键生成字幕就好了（“超简单”作者的另一个不是离线版的）。现在可以处理中文，理论上应该很容易处理英文，那未来处理日文也是可以期待的，据我理解，都是机器学习的事，期待有大佬能实现这些功能吧！
我的代码：
此帖售价 0 SP币,已有 18 人购买
若发现会员采用欺骗的方法获取财富,请立刻举报,我们会对会员处以2-N倍的罚金,严重者封掉ID!
