生成视频字幕是许多视频处理任务的核心需求。本文将指导你使用 OpenAI 的 Whisper 模型为视频文件（如电视剧《Normal People》或电影《花样年华》）生成字幕（SRT 格式）。我们将从提取音频开始，逐步实现字幕生成，并提供一个 Python 脚本实现批量处理。此外，我们还将探讨如何处理非英语音频（如中文）并优化字幕质量。
前提条件
在开始之前，请确保安装以下工具：
1. FFmpeg：用于从视频提取音频。
- 安装：Windows：下载 FFmpeg 并添加到系统路径。macOS：
brew install ffmpegLinux：sudo apt-get install ffmpeg（Ubuntu/Debian）或 sudo dnf install ffmpeg（Fedora）2. Python 3.8+ ：用于运行脚本和 Whisper。
- 安装 Python：python.org。
3. Whisper：OpenAI 的语音转文字模型。
- 通过 pip 安装：
pip install openai-whisper4. uv（可选） ：用于管理 Python 项目环境。
- 安装：
pip install uv5. 视频文件：准备 MP4 或 MKV 格式的视频文件（如《Normal People》或《花样年华》）。
步骤 1：提取音频
第一步是从视频文件中提取音频。我们使用 FFmpeg 将视频的音频流保存为 AAC 格式。
示例命令
为《Normal People》第1季第1集提取音频：
ffmpeg -i /path/to/Normal.People.S01E01.mp4 -vn -acodec copy /path/to/audio/Normal.People.S01E01.aac-i：输入视频文件路径。-vn：禁用视频流（仅提取音频）。-acodec copy：直接复制音频流，不重新编码，保持原始质量。输出：保存为 /path/to/audio/Normal.People.S01E01.aac。注意事项
- 确保输出目录（如
/path/to/audio/）存在。替换 /path/to/ 为实际文件路径。步骤 2：生成字幕
使用 Whisper 模型将音频文件转换为 SRT 格式的字幕文件。Whisper 支持多种模型（如 tiny、base、small、medium、large 和 turbo），turbo 速度快，适合快速测试。
示例命令
为提取的音频生成字幕：
whisper /path/to/audio/Normal.People.S01E01.aac --model turbo --output_format srt --output_dir /path/to/generated_subs/--model turbo：使用 turbo 模型（快速但可能牺牲精度）。--output_format srt：输出 SRT 格式字幕。--output_dir：指定字幕输出目录。输出：生成 /path/to/generated_subs/Normal.People.S01E01.srt。示例输出
生成的前几条字幕可能如下：
1 00:00:00,000 --> 00:00:24,000 It's a simple game. You have 15 players. Give one of them the ball. Get it into the net. 2 00:00:24,000 --> 00:00:26,000 Very simple. Isn't it? 步骤 3：批量处理脚本
手动为多个视频生成字幕效率低下。以下 Python 脚本自动处理目录中的所有视频文件，提取音频并生成字幕。
完整脚本
import os import subprocess import argparse defextract_audio(input_dir, output_dir): """Extract audio from video files in input_dir and save to output_dir.""" ifnot os.path.exists(output_dir): os.makedirs(output_dir) for filename in os.listdir(input_dir): if filename.endswith(('.mp4', '.mkv')): input_path = os.path.join(input_dir, filename) audio_filename = os.path.splitext(filename)[0] + '.aac' output_path = os.path.join(output_dir, audio_filename) command = [ 'ffmpeg', '-i', input_path, '-vn', '-acodec', 'copy', output_path ] print(f"Extracting audio: {command}") try: subprocess.run(command, check=True) except subprocess.CalledProcessError as e: print(f"Error extracting audio from {filename}: {e}") defgenerate_subtitles(input_dir, output_dir): """Generate subtitles for audio files using Whisper.""" ifnot os.path.exists(output_dir): os.makedirs(output_dir) for filename in os.listdir(input_dir): if filename.endswith('.aac'): input_path = os.path.join(input_dir, filename) command = [ 'whisper', input_path, '--model', 'turbo', '--output_format', 'srt', '--output_dir', output_dir ] print(f"Generating subtitles: {command}") try: subprocess.run(command, check=True) except subprocess.CalledProcessError as e: print(f"Error generating subtitles for {filename}: {e}") if __name__ == "__main__": parser = argparse.ArgumentParser(description="Extract audio and generate subtitles.") parser.add_argument("input_dir", help="Directory containing video files.") parser.add_argument("audio_dir", help="Directory to save extracted audio files.") parser.add_argument("subtitle_dir", help="Directory to save generated subtitles.") args = parser.parse_args() extract_audio(args.input_dir, args.audio_dir) generate_subtitles(args.audio_dir, args.subtitle_dir)
使用方法
- 保存脚本为
generate_subtitles.py。运行脚本，指定目录路径：python generate_subtitles.py /path/to/videos /path/to/audio /path/to/generated_subs
步骤 4：优化字幕质量
生成的字幕可能存在以下问题，我们提供优化方法：
问题 1：时间戳不准确
解决方法：
- 使用
--max_line_width 50 和 --max_line_count 2 限制字幕长度。后处理调整时间戳（示例代码）：import pysrt subs = pysrt.open('subtitles.srt') for sub in subs: if sub.start.seconds < 18: sub.shift(seconds=18) subs.save('adjusted_subtitles.srt')
问题 2：字幕过长
解决方法：
- 使用 NLTK 分句（示例代码）：
import nltk nltk.download('punkt') from nltk.tokenize import sent_tokenize def split_long_subtitle(text): return sent_tokenize(text) long_text = "It's a simple game. You have 15 players. Give one of them the ball." sentences = split_long_subtitle(long_text) # 输出：['It's a simple game.', 'You have 15 players.', ...]
问题 3：标点不一致
解决方法：
- 使用
--append_punctuations ".,!?" 参数。使用 spaCy 后处理添加标点（示例代码）：import spacy nlp = spacy.load("en_core_web_sm") text = "It's a simple game You have 15 players" doc = nlp(text) punctuated_text = " ".join(token.text_with_ws for token in doc) # 输出：It's a simple game. You have 15 players.
步骤 5：处理非英语音频（如中文）
示例命令
生成中文字幕并翻译为英文：
whisper /path/to/In.the.Mood.for.Love.mp4 --model large --output_format srt --output_dir /path/to/generated_subs --language zh --task transcribe 优化建议
- 使用 large 模型：非英语音频需更高精度。指定方言：如粤语使用
--language yue。预处理音频：降噪命令示例：ffmpeg -i input.mp4 -af "afftdn" -vn -acodec copy output.aac
注意事项
- 性能考虑：large 模型需更多计算资源。文件格式：确保兼容 MP4、MKV、AAC 等格式。调试：使用
--verbose 查看详细日志。总结
通过 FFmpeg 和 Whisper，可以轻松为视频生成高质量字幕。批量处理脚本自动化了提取音频和生成字幕的过程，优化时间戳、字幕长度和标点的方法进一步提升了字幕质量。对于非英语音频（如中文），使用 large 模型、预处理音频和分离转录翻译是关键。
