使用 Whisper 生成视频字幕：从提取音频到批量处理

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 ffmpeg
• Linux：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-whisper

4. uv（可选）：用于管理 Python 项目环境。

• 安装：pip install uv

5. 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

1. 保存脚本为 generate_subtitles.py。
2. 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

1. 使用 large 模型：非英语音频需更高精度。
2. 指定方言：如粤语使用 --language yue。
3. 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

1. 性能考虑：large 模型需更多计算资源。
2. 文件格式：确保兼容 MP4、MKV、AAC 等格式。
3. 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。