利用python将长视频、长语音转换成文字教程 ，非常好用 |
您所在的位置：网站首页 › 怎么把mp3文件转换成文字 › 利用python将长视频、长语音转换成文字教程 ，非常好用 |
利用python将长视频、长语音转换成文字教程 ，非常好用
|
原本自己想弄一个语音转文本的，但是发现很多博客都说的不是自己想要的，原因有以下几点：1、因为百度接口支持的语音是pcm格式，而自己的是.mp3格式的文件。 2、百度只支持60s内的文件格式，而自己想要的是长文件，并且希望能切割成60s内，满足百度语音识别的要求。 3、该文件能够生成.srt文件格式，这个也正是自己所想要的。所以花了好几天终于找到了一篇非常完美的博客，然后和大家一起分享，博客地址如下： 利用百度语音识别接口将语音转换成文字教程 - 诸子流 - 博客园 该博客针对的是mp3文件转成.srt文件的文本，首先放图给大家查看
如果你想通过视频文件来进行转换，可以将视频文件转成mp3文件，地址可以看我的上一篇博客利用Python将视频文件转成语音文件_一名不想学习的学渣的博客-CSDN博客 对于百度的APPID以及KEY_ID等获取，可以参考下面地址页面的控制台进行注册 https://ai.baidu.com/ai-doc/SPEECH/Bk4o0bmt3 注册完毕，可以点击下面页面的语音技术。然后进行创建任务，然后填写相关信息。最终会得到第二章图的页面。然后大家可以使用代码进行语音识别啦， 注意：这个百度接口不是免费的哦，后期是要钱的。。
主要代码如下： import base64 import json import os import time import shutil import requests class BaiduVoiceToTxt(): # 初始化函数 def __init__(self): # 定义要进行切割的pcm文件的位置。speech-vad-demo固定好的，没的选 self.pcm_path = ".\\speech-vad-demo\\pcm\\16k_1.pcm" # 定义pcm文件被切割后，分割成的文件输出到的目录。speech-vad-demo固定好的，没的选 self.output_pcm_path = ".\\speech-vad-demo\\output_pcm\\" # 百度AI接口只接受pcm格式，所以需要转换格式 # 此函数用于将要识别的mp3文件转换成pcm格式，并输出为.\speech-vad-demo\pcm\16k_1.pcm def change_file_format(self,filepath): file_name = filepath # 如果.\speech-vad-demo\pcm\16k_1.pcm文件已存在，则先将其删除 if os.path.isfile(f"{self.pcm_path}"): os.remove(f"{self.pcm_path}") # 调用系统命令，将文件转换成pcm格式，并输出为.\speech-vad-demo\pcm\16k_1.pcm change_file_format_command = f".\\ffmpeg\\bin\\ffmpeg.exe -y -i {file_name} -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {self.pcm_path}" os.system(change_file_format_command) # 百度AI接口最长只接受60秒的音视，所以需要切割 # 此函数用于将.\speech-vad-demo\pcm\16k_1.pcm切割 def devide_video(self): # 如果切割输出目录.\speech-vad-demo\output_pcm\已存在，那其中很可能已有文件，先将其清空 # 清空目录的文件是先删除，再创建 if os.path.isdir(f"{self.output_pcm_path}"): shutil.rmtree(f"{self.output_pcm_path}") time.sleep(1) os.mkdir(f"{self.output_pcm_path}") # vad-demo.exe使用相对路径.\pcm和.\output_pcm，所以先要将当前工作目录切换到.\speech-vad-demo下不然vad-demo.exe找不到文件 os.chdir(".\\speech-vad-demo\\") # 直接执行.\vad-demo.exe，其默认会将.\pcm\16k_1.pcm文件切割并输出到.\output_pcm目录下 devide_video_command = ".\\vad-demo.exe" os.system(devide_video_command) # 切换回工作目录 os.chdir("..\\") # 此函数用于将.\speech-vad-demo\output_pcm\下的文件的文件名的时间格式化成0:00:00,000形式 def format_time(self, msecs): # 一个小时毫秒数 hour_msecs = 60 * 60 * 1000 # 一分钟对应毫秒数 minute_msecs = 60 * 1000 # 一秒钟对应毫秒数 second_msecs = 1000 # 文件名的时间是毫秒需要先转成秒。+500是为了四舍五入，//是整除 # msecs = (msecs + 500) // 1000 # 小时 hour = msecs // hour_msecs if hour < 10: hour = f"0{hour}" # 扣除小时后剩余毫秒数 hour_left_msecs = msecs % hour_msecs # 分钟 minute = hour_left_msecs // minute_msecs # 如果不足10分钟那在其前补0凑成两位数格式 if minute < 10: minute = f"0{minute}" # 扣除分钟后剩余毫秒数 minute_left_msecs = hour_left_msecs % minute_msecs # 秒 second = minute_left_msecs // second_msecs # 如果秒数不足10秒，一样在其前补0凑足两位数格式 if second < 10: second = f"0{second}" # 扣除秒后剩余毫秒数 second_left_msecs = minute_left_msecs % second_msecs # 如果不足10毫秒或100毫秒，在其前补0凑足三位数格式 if second_left_msecs < 10: second_left_msecs = f"00{second_left_msecs}" elif second_left_msecs < 100: second_left_msecs = f"0{second_left_msecs}" # 格式化成00:00:00,000形式，并返回 time_format = f"{hour}:{minute}:{second},{second_left_msecs}" return time_format # 此函数用于申请访问ai接口的access_token def get_access_token(self): # 此变量赋值成自己API Key的值 client_id = 'f3wT23Otc8jXlDZ4HGtS4jfT' # 此变量赋值成自己Secret Key的值 client_secret = 'YPPjW3E0VGPUOfZwhjNGVn7LTu3hwssj' auth_url = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret response_at = requests.get(auth_url) # 以json格式读取响应结果 json_result = json.loads(response_at.text) # 获取access_token access_token = json_result['access_token'] return access_token # 此函数用于将.\speech-vad-demo\output_pcm\下的单个文件由语音转成文件 def transfer_voice_to_srt(self,access_token,filepath): # 百度语音识别接口 url_voice_ident = "http://vop.baidu.com/server_api" # 接口规范，以json格式post数据 headers = { 'Content-Type': 'application/json' } # 打开pcm文件并读取文件内容 pcm_obj = open(filepath,'rb') pcm_content_base64 = base64.b64encode(pcm_obj.read()) pcm_obj.close() # 获取pcm文件大小 pcm_content_len = os.path.getsize(filepath) # 接口规范，则体函义见官方文件，值得注意的是cuid和speech两个参数的写法 post_data = { "format": "pcm", "rate": 16000, "dev_pid": 1737, "channel": 1, "token": access_token, "cuid": "1111111111", "len": pcm_content_len, "speech": pcm_content_base64.decode(), } proxies = { 'http':"127.0.0.1:8080" } # 调用接口，进行音文转换 response = requests.post(url_voice_ident, headers=headers, data=json.dumps(post_data)) # response = requests.post(url_voice_ident,headers=headers,data=json.dumps(post_data),proxies=proxies) return response.text if __name__ == "__main__": # 实例化 baidu_voice_to_srt_obj = BaiduVoiceToTxt() # 自己要进行音文转换的音视存放的文件夹 video_dir = ".\\video\\" all_video_file =[] all_file = os.listdir(video_dir) subtitle_format = "{\\fscx75\\fscy75}" # 只接受.mp3格式文件。因为其他格式没研究怎么转成pcm才是符合接口要求的 for filename in all_file: if ".mp3" in filename: all_video_file.append(filename) all_video_file.sort() i = 0 video_file_num = len(all_video_file) print(f"当前共有{video_file_num}个音频文件需要转换，即将进行处理请稍等...") # 此层for循环是逐个mp3文件进行处理 for video_file_name in all_video_file: i += 1 print(f"当前转换{video_file_name}({i}/{video_file_num})") # 将音视翻译成的内容输出到同目录下同名.txt文件中 video_file_srt_path = f".\\video\\{video_file_name[:-4]}.srt" # 以覆盖形式打开.txt文件 video_file_srt_obj = open(video_file_srt_path,'w+') filepath = os.path.join(video_dir, video_file_name) # 调用change_file_format将mp3转成pcm格式 baidu_voice_to_srt_obj.change_file_format(filepath) # 将转换成的pcm文件切割成多个小于60秒的pcm文件 baidu_voice_to_srt_obj.devide_video() # 获取token access_token = baidu_voice_to_srt_obj.get_access_token() # 获取.\speech-vad-demo\output_pcm\目录下的文件列表 file_dir = baidu_voice_to_srt_obj.output_pcm_path all_pcm_file = os.listdir(file_dir) all_pcm_file.sort() j = 0 pcm_file_num = len(all_pcm_file) print(f"当前所转文件{video_file_name}({i}/{video_file_num})被切分成{pcm_file_num}块，即将逐块进行音文转换请稍等...") # 此层for是将.\speech-vad-demo\output_pcm\目录下的所有文件逐个进行音文转换 for filename in all_pcm_file: j += 1 filepath = os.path.join(file_dir, filename) if (os.path.isfile(filepath)): # 获取文件名上的时间 time_str = filename[10:-6] time_str_dict = time_str.split("-") time_start_str = baidu_voice_to_srt_obj.format_time(int(time_str_dict[0])) time_end_str = baidu_voice_to_srt_obj.format_time(int(time_str_dict[1])) print(f"当前转换{video_file_name}({i}/{video_file_num})-{time_start_str}-{time_end_str}({j}/{pcm_file_num})") response_text = baidu_voice_to_srt_obj.transfer_voice_to_srt(access_token, filepath) # 以json形式读取返回结果 json_result = json.loads(response_text) # 将音文转换结果写入.srt文件 video_file_srt_obj.writelines(f"{j}\r\n") video_file_srt_obj.writelines(f"{time_start_str} --> {time_end_str}\r\n") if json_result['err_no'] == 0: print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})转换成功：{json_result['result'][0]}") video_file_srt_obj.writelines(f"{subtitle_format}{json_result['result'][0]}\r\n") elif json_result['err_no'] == 3301: print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})音频质量过差无法识别") video_file_srt_obj.writelines(f"{subtitle_format}音频质量过差无法识别\r\n") else: print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})转换过程遇到其他错误") video_file_srt_obj.writelines(f"{subtitle_format}转换过程遇到其他错误\r\n") video_file_srt_obj.writelines(f"\r\n") video_file_srt_obj.close()最后希望大家一起进步，学业有成！ |
【本文地址】
今日新闻 |
推荐新闻 |