python-根据语音识别让无字幕视频自动生成字幕，附srt字幕文件

问题

各大平台都有长语音转写的服务，但是收费昂贵，而且有次数和时间限制。
因此我想到了一个白嫖的好办法。将长音频根据语句停顿切割得到短音频，使用他们提供的短音频识别服务来识别长音频不是更好吗？粗略计算了下，可以使用的时长为50000分钟，（提供的短音频识别服务次数以及时长远大于长音频）白嫖。
至于视频声音的停顿时间也是很容易得到的。
最后根据文字与文字出现的时间很容易就得到了视频的srt字幕

解决

工程路径：https://download.csdn.net/download/lidashent/15453846
注意字幕导出的地址，自己修改一下，原理都讲清楚了，有需求根据自己的需求改就行了。
有疑问留言，我必解释好吧

思路

1. 导出视频声音，根据声音停顿得到短句，同时导出短句的时间信息
2. 将长音频切割得到的多个短句文件分别进行语音识别，得到识别文字
3. 识别得到的文字与短句的时间信息处理得到视频srt字幕文件
   导入srt字幕文件即可得到效果，如图
   播放器推荐暴风影音或者迅雷，文字可以调节变色，大小，位置都比较方便。
   
   原先视频是没有字幕的，经过上述处理得到srt文件就如同看字幕电影一样了。
   得到的srt文件如图
   
   接下来就一步一步开始吧，srt文件格式原理是什么，看我另一篇有关视频声音转为字幕的。那篇使用的长录音转文字接口，优惠力度不大，用几次就没了，所以特意写了这一篇可以白嫖而且时间非常长的，用个几个月都没有问题。
   只需要关注srt格式就可以了
   https://blog.csdn.net/lidashent/article/details/113987349

导出音频分片，导出音频时间信息

先将视频声音导出，设定标准为16bit,8000hz,这里使用的au,adobe audition
（—解释—：）【这是短语音识别要求的】
（—解释—：）【这里需要注意的是，虽然切片对人声进行了保留，但是不乏切割到的音频有的是空白，因此需要一个大小判断，低于100kb可以默认为无声，当然条件自己设定吧】

自动识别停顿，对声音切片

效果-诊断-标记音频
设置静默阈值，时长越低分片越多，反向同理
声音阈值，时长越长，分片越少，反向同理
设置合适的阈值，注意自动分割的音频片，极限60s，最好不要超过45s
有音频片长度过长也不行，影响字幕观看，你不想看视频的时候视频上都是字幕吧？我一般看到分片间隔差不多10s就够了，这意味着10s左右会自动切换到下一个视频字幕信息
然后点击扫描，
再点击全部标记，就会显示灰色的标记信息

点击到标记条，可以看到分片信息，
ctrl a全选，然后右键选择导出音频，导出csv

得到声音的发音时间，得到这段发音时间内的音频

编写函数，对语音分片实现语音识别，得到文字信息

import os
from aip import AipSpeech#这是百度的aip包,
def get_need_music_file(file_path):
    file_list=os.listdir(file_path)
    real_list=[]
    for i in file_list:
        if i[-3:]=="wav":
            real_list.append(i)
    real_name_sort=sorted(real_list)
    file_real=[]
    for i in real_name_sort:
        new_path=file_path+"\\"+i
        if os.path.getsize(new_path)/1024<100:
            pass
        else:
            file_real.append(new_path)
    return file_real
def get_txt(file_music):
    #百度语音的id，key,申请一个，5万条呢
    APP_ID = ''
    API_KEY = ''
    SECRET_KEY = ''
    client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
    get_voice_file = open(file_music, "rb")
    voice_text = get_voice_file.read()
    # try:
    result = client.asr(voice_text, 'wav', 16000, {
     'dev_pid': '1537', })
    # print(result)
    if result['err_no'] == 0:
        return result['result'][0]
    else:
        return "识别错误"

对csv文件处理，得到编写srt文件需要的信息

import time_format
import datetime
def get_csv_info(file_path):
    a=open(file_path,'r', encoding='UTF-8')
    basic_data=a.read()
    b=basic_data.split("\n")
    b=b[1:]
    music_name=[]
    music_start=[]
    music_ed=[]
    for i in b:
        if i:
            new_list=i.split("\t")
            # print(new_list)
            music_name.append(new_list[0])
            start_time,stop_time=time_format.get_start_stop_time(new_list[1],new_list[2])
            music_start.append(start_time)
            music_ed.append(stop_time)
    dic_name_to_start=dict(zip(music_name,music_start))
    dic_start_to_long=dict(zip(music_start,music_ed))
    return dic_name_to_start,dic_start_to_long
def split_txt(a):
    flag_word=["，","。","？","！"]
    basic_line=28
    basic_step=10
    word=""
    loc_rec=0
    len_rec=len(a)
    temp_data=a
    while(len_rec>basic_line+basic_step):
        a=temp_data
        #设定的基础线会影响语句长度显示
        for i in flag_word:
            if i in a[basic_line:basic_line+basic_step]:
                temp_len=a[basic_line:basic_line+basic_step]
                loc_rec=temp_len.index(i)
                break
        word=word+a[:basic_line+loc_rec+1]+"\n"
        temp_data=a[basic_line + loc_rec+1:]
        print(temp_data)
        len_rec=len(temp_data)
    return word+temp_data
def make_srt(myword,file_name):
    # nowTime_str = datetime.datetime.strftime(datetime.datetime.now(), '%Y-%m-%d %H-%M-%S')
    path_file = r"C:\Users\Administrator.DESKTOP-KMH7HN6\Desktop\video_text\%s.srt" % (file_name)
    f = open(path_file, 'w')
    f.write(myword)
    f.write('\n')
    f.close()
    print('已经识别完成，见%s.srt文件'%(file_name))
    input("按任意键结束")

处理时间格式的代码

# coding=utf-8
def time_format(a):
    basic_format="00:00:00,000"
    a=a.replace(".",",")
    temp=a.split(",")[1]
    if len(temp)<3:
        a=a.split(",")[0]+",0"+temp
    basic_format_len=len(basic_format)
    if len(a)<basic_format_len:
        a=basic_format[:-len(a)]+a
    return a
def get_hmsmil(a):
    mymillis_a=int(a.split(",")[1])
    hms_a_basic=a.split(",")[0].split(":")
    mys_a=int(hms_a_basic[2])
    mym_a=int(hms_a_basic[1])
    myh_a=int(hms_a_basic[0])
    return myh_a,mym_a,mys_a,mymillis_a
def judg_over(a,b,over):
    c=int((a+b)/over)
    return c,a+b-over*c
def get_format_time(num):
    if len(str(num))>1:
        return str(num)
    else:
        return "0"+str(num)
def get_end_time(a,b):
    a_h,a_m,a_s,a_ms=get_hmsmil(a)
    b_h,b_m,b_s,b_ms=get_hmsmil(b)
    c_h,c_m,c_s,c_ms=get_hmsmil(a)
    flag_s_change=0
    num_wave=0#数据溢出的波动
    if judg_over(a_ms,b_ms,1000)[0]>0:
        c_s=judg_over(a_ms, b_ms, 1000)[0]+a_s
        c_ms=judg_over(a_ms, b_ms, 1000)[1]
        flag_s_change=1
    else:
        c_ms=a_ms+b_ms
    flag_m_change=0
    #如果s改变了
    #判断分钟是否因此发生改变
    if judg_over(c_s, b_s, 60)[0] > 0:
        #分钟改变了，重新得到新的分钟,秒也会因此改变
        c_m=judg_over(c_s, b_s, 60)[0]+a_m
        print(c_m)
        c_s=judg_over(c_s, b_s, 60)[1]
        flag_m_change=1
    else:
        #否则
        c_s=c_s+b_s
    flag_h_change=0
    #检测分钟是否发生变化
    if judg_over(c_m, b_m, 60)[0] > 0:
        #分钟改变了，重新得到新的小时,分钟也会因此改变
        c_h=judg_over(c_m, b_m, 60)[0]+a_h
        c_m=judg_over(c_m, b_m, 60)[1]
        flag_h_change=1
    else:
        #否则
        c_m=c_m+b_m
    c_h=c_h+b_h
    return c_h,c_m,c_s,c_ms
def get_start_stop_time(a,b):
    a=time_format(a)
    b=time_format(b)
    ed=get_end_time(a,b)
    end_time="%s:%s:%s,%s"%(get_format_time(ed[0]),get_format_time(ed[1]),get_format_time(ed[2]),\
                            get_format_time(ed[3]))
    return a,end_time

主文件调用，并主导srt文件生成

# coding=utf-8
import sys
import time
sys.path.append(r"C:\Users\Administrator.DESKTOP-KMH7HN6\AppData\Local\Temp\python_pgm\video_text\baidu")
import csv_info
import time_format
import voice_be_text
import datetime
#如果不输入音频路径，则选择默认路径，其他同理
music_file_path=input("音频路径：").replace("\\",'/')
if music_file_path:
    pass
else:
    music_file_path=r"C:\Users\Administrator.DESKTOP-KMH7HN6\Desktop\adobe\au\music_temp"
csv_file_path=input("csv路径：").replace("\\",'/')
if csv_file_path:
    pass
else:
    csv_file_path=r"C:\Users\Administrator.DESKTOP-KMH7HN6\Desktop\adobe\au\music_temp\csv_temp\标记.csv"
srt_file_name=input("srt文件命名：")
#如果不为要生成的srt文件命名，则根据时间自动命名
if srt_file_name:
    pass
else:
    nowTime_str = datetime.datetime.strftime(datetime.datetime.now(), '%Y-%m-%d %H-%M-%S')
    srt_file_name=nowTime_str
my_csv_name,my_csv_start=csv_info.get_csv_info(csv_file_path)
print(my_csv_name)
print(my_csv_start)
real_music=voice_be_text.get_need_music_file(music_file_path)
print(real_music)
all_len=len(real_music)
#已根据大小过滤空白的音频文件
print("无效音频已过滤，当前音频切割%d个，开始识别..."%(all_len))
i_num=1
error_file=0
global all_srt
all_srt=""
def put_txt_srt(i,myword,num):
    global all_srt
    file_name = i.split("\\")[-1][:-4]
    print(file_name)
    mystart_time=my_csv_name[file_name]
    mystop_time=my_csv_start[mystart_time]
    newword = str(num)+"\n"+mystart_time + " --> " + mystop_time + '\n' + csv_info.split_txt(myword) + "\n\n\n"
    all_srt+=newword
for i in real_music:
    print(i)
    time.sleep(1)
    word_result=voice_be_text.get_txt(i)
    # word_result ="aaaaaaaaaaaaa"*3
    if word_result!="识别错误":
        put_txt_srt(i,word_result,i_num)
    else:
        error_file+=1
    print("\n"+"--"*30+"已经完成了%.2f"%(i_num*100/all_len)+"--"*20)
    i_num+=1
print(all_srt)
# all_srt="""00:01:02,430 --> 00:01:03,610
# 庄 你这次再把轮胎弄坏"""
print("输出完成，共有音频切割%d个，识别错误%d个"%(all_len,error_file))
csv_info.make_srt(all_srt,srt_file_name)

输出会附带进度信息。
得到srt文件导入对应视频就可以看到字幕效果了。