category
tags
type
status
slug
date
summary
icon
password
前言
用python实现将视频的声音对白转换成文字，可有以下两种方案：
- 提取视频字幕
往往视频作者都会在视频底部加上字幕，以提升观看体验。我们可以利用这点，通过python的图像库截取视频画面，再通过文字OCR识别图像上字幕，转写成文字。
- 视频→音频→文字
有的视频是没有字幕的，我们可以利用python的媒体库，将视频源文件转成音频格式，再对音频格式进行语音识别文字。
功能实现
1.整体思路
- 读取媒体文件
- 根据媒体文件类型统一转成WAV格式的音频
- 将音频分割成30秒以内的短音频(有利于提高调用成功率，并支持多线程以提高效率)
- 调用语音转文字服务，将音频转为文字，存入txt文本中
- 将多个文本按照顺序合并
2.借助的工具
- python
speech_recognition语音识别库；支持 google、ibm、bing等多家的语音转写开放接口，本文使用的 Google Web Speech API。
SpeechRecognition 自身附带了 Google Web Speech API 的默认 API 密钥，可直接使用它。其他几个 API 都需要申请密钥或用户名/密码组合进行身份验证。
这几个库中只有
recognition_sphinx 与CMU Sphinx 支持引擎脱机工作，其他六个都要连接互联网。pydub， 音频格式转换；
VideoFileClip， 视频格式转换；
3.项目代码实现
以下是主方法代码片段：
详情请访问Github源码 https://github.com/tangly1024/Video2Text
4.已知缺陷
- 需要科学上网，否则无法使用谷歌音频转写接口
- 文字分段突兀，由于音频被按照30秒强行切开的，而不是按照断句分割，所以最好手动校对结果。
- 没有标点符号。
调用演示
具体可以下载开源代码，在自己的电脑上运行，这里简单演示运行正确的过程 ：
安装启动步骤
- 下载安装社区版本即可
- 安装 一路Next即可
安装截图
- 导入代码
导入截图，从Github下载代码导入
3.设置编译环境 venv
venv 是一个虚拟环境，设置虚拟环境后，此项目的所有依赖都会独立地被安装在当前虚拟环境下；有助于将本项目依赖与电脑上的全局环境隔离，确保系统环境干净。
点击File->Setting，如图：
在Project Interpreter 中点击 Add Interpreter 并点击 Add Local Interpreter
在弹出框中，Pycharm会自动在当前项目下创建一个venv虚拟的python环境，如图：
直接点击OK即可，我这里因为已经创建过了，所以OK按钮不能点击
点击下拉框，将当前环境设置为刚创建的虚拟环境，如图：
4.在虚拟环境中安装第三方依赖
上面切换环境后，重启一下Pycharm，不然会读取失败
在底部，terminal中 输入
安装过程截图：
转换效果
- 将源文件的mp4,mp3等文件统一转wav音频
- 将音频文件分割成多个
- 批量调用API转换文字
- 输出结果
如图：在output目录下会生成一个与你的原视频同名的音频文件和文本文件。而在/output/split目录下是被分割后的文件。
最后
这个python小程序的转换效果还有很大的优化空间，另外，网上有提供一些在线视频转文字的服务，使用体验都很不错：
剪映专业版
这是一个视频剪辑的神器，步骤很简单，将素材拖入轨道，然后点击文本-智能字幕-开始识别即可。
选择 文件 - 导出 - 然后仅勾选字幕导出即可。
微信小程序抖乐推小助手
微信轻抖小程序提取视频文案
创作猫App支持粘贴视频链接直接转文字
蜜蜂剪辑的在线视频转文字。
