PR 到 Quick Cut - Githubissues

HaujetZhao commented 4 years ago

Quick Cut 是我的一个 GUI 的视频处理工具箱：https://github.com/HaujetZhao/QuickCut

它支持阿里和腾讯的语音转字幕。

从一个说希望我添加谷歌引擎的 issue 找到了这里，我有点懒，因为阿里云的引擎够我用，不想再挖坑了，就想来作者问下有没有兴趣将 AutoSub 整合到 GUI Quick Cut 里。

BingLingGroup commented 4 years ago

我看了下，实际上你那边基本都是长语音识别，能返回时间戳的，我这边是短语音识别，没时间戳，即使用了新的识别方法也不是很完善

另外如果你有兴趣添加google web speech的白嫖api，也可以通过以下思路进行优化：

获得长语音识别的句子时间戳
使用这个句子时间戳，或者输出空字幕（目前autosub大概只支持空ass，不支持空srt，所以建议输出空ass）给autosub用这个空轴，然后根据空轴向google web speech发送请求，可能会得到比原来的结果更好的结果（我并未实际测试，大概也就是英语之类google原先就擅长的语言会有更好结果，像中文大概会劣化）
输出字幕

autosub可支持外部输入时间轴，该选项为-er

关于google web speech部分的代码，见

这部分代码并不多，大部分改自原版autosub，你想加就加，我就不pr了

BingLingGroup commented 4 years ago

另外别忘了加个设置代理的功能理论上设置环境变量就可以让requests走代理 https://github.com/BingLingGroup/autosub/blob/dev/autosub/__init__.py#L47-L51

HaujetZhao commented 4 years ago

想到一个用 python 白嫖讯飞输入法、搜狗输入法语音识别转字幕的方法。

讯飞输入法电脑版是有语音识别的，它的快捷键是f6 ，也可以改成其他快捷键。

讯飞输入法在按下快捷键之后，就会从麦克风输入声音，转换成文字，当松开快捷键的时候，文字就生成了。

在WINDOWS上自带一个麦克风混合立体音，其实就是将扬声器的输出作为麦克风的输入。

python 的 keyboard 模块可以控制键盘。

auditok 可以将音频按照声音分段。

这样我们就可以首先将麦克风设备设置为混音立体音，再将需要识别的音频分段，记录下这些段落的时间戳，然后用一个 for 循环：

最后将生成的字幕（片段时间戳以及对应的文本）写入文件。

我先把这个做出来。

BingLingGroup commented 4 years ago

哈哈，这个的问题是速度比较慢，等于说几乎是实时的，但是google那个不是实时的，你可以并发很多个而且它处理的速度也很快我觉得还是算了吧2333333我下一步的计划是对接长语音识别，然后加点对文本的功能，也就是已知文本，根据自动字幕，将其自动填入时间轴其他的暂时没计划

HaujetZhao commented 4 years ago

做完了。最新发行版就有了。

BingLingGroup / autosub