介绍Whisper-TikTok 🤖🎥

Star历史

简介

Whisper-TikTok是一款创新的AI驱动工具,它利用Edge TTS、OpenAI-Whisper和FFMPEG的强大功能来制作引人入胜的TikTok视频。借助OpenAI的Whisper模型,Whisper-TikTok可以轻松地从提供的音频文件中生成准确的转录文本,为通过FFMPEG创建引人入胜的TikTok视频奠定基础。此外,该程序无缝集成了Microsoft Edge Cloud文本转语音(TTS) API,为视频配上生动的画外音。选择Microsoft Edge Cloud TTS API的画外音是经过深思熟虑的,因为它能提供remarkably自然真实的听觉体验,这与许多TikTok视频中常见的单调人工画外音形成鲜明对比。

Streamlit网页应用

网页界面

视频演示

https://github.com/MatteoFasulo/Whisper-TikTok/assets/74818541/68e25504-c305-4144-bd39-c9acc218c3a4

工作原理

使用Whisper-TikTok非常简单:只需修改video.json文件。JSON文件包含以下字段:

series:系列名称。
part:视频的部分编号。
text:视频中要朗读的文本。
outro:视频中要朗读的结束语。
tags:用于视频的标签。

程序功能概述:

提供包含系列名称、视频部分编号、视频文本和结束语等详细信息的结构化JSON数据集后,程序会编排合成一个包含所提供文本和结束语的视频。随后,生成的视频将存储在指定的output文件夹中。

详细信息

该程序执行以下操作顺序:

从可选的.env文件中检索环境变量。
验证是否安装了具有CUDA功能的PyTorch。如果缺少必需的依赖项,程序将使用CPU而不是GPU。
从YouTube等平台下载随机视频,例如Minecraft跑酷游戏片段。
将OpenAI Whisper模型加载到内存中。
从提供的JSON文件中提取视频文本,并向Microsoft Edge Cloud TTS API发起文本转语音请求,将响应保存为.mp3音频文件。
使用OpenAI Whisper模型为.mp3文件生成详细的**.srt格式转录文本**。
从专用文件夹中选择一个随机背景视频。
使用FFMPEG将srt文件集成到所选视频中,创建最终的.mp4输出。
使用TikTok会话cookie将视频上传到TikTok。这一步需要有TikTok账号并在浏览器中登录。然后可以使用这里提供的指南生成所需的cookies.txt文件。cookies.txt文件必须放在项目的根文件夹中。
瞧!几分钟内,你就在品尝最喜欢的咖啡☕️的同时制作出了一个引人入胜的TikTok视频。

在线网页应用

有一个由Streamlit托管的网页应用,可在HuggingFace上公开使用,只需点击链接即可直接进入网页应用。

https://huggingface.co/spaces/MatteoFasulo/Whisper-TikTok-Demo

本地安装

Whisper-TikTok已在配备Python 3.8、3.9和3.11版本的Windows 10、Windows 11和Ubuntu 23.04系统上进行了严格测试。

如果你想在本地运行Whisper-TikTok,可以使用以下命令克隆仓库:

git clone https://github.com/MatteoFasulo/Whisper-TikTok.git

不过,Whisper-TikTok也提供了Docker镜像,可用于在容器化环境中运行程序。

依赖项

要简化必要依赖项的安装,请在终端中执行以下命令:

pip install -U -r requirements.txt

它还需要在系统上安装命令行工具FFMPEG,大多数包管理器都可以使用:

# Ubuntu或Debian系统

sudo apt update && sudo apt install ffmpeg

# Arch Linux系统

sudo pacman -S ffmpeg

# 在MacOS上使用Homebrew(<https://brew.sh/>)

brew install ffmpeg

# 在Windows上使用Chocolatey(<https://chocolatey.org/>)

choco install ffmpeg

# 在Windows上使用Scoop(<https://scoop.sh/>)

scoop install ffmpeg

请注意,为获得最佳性能,使用OpenAI Whisper模型进行语音识别时建议使用GPU。但是,即使没有GPU程序也能工作,只是运行速度会较慢。这种性能差异是因为GPU可以高效处理fp16计算,而CPU使用的是较慢的fp32或fp64(取决于你的机器)。

本地Web界面

要在本地运行Web界面,请在终端中执行以下命令:

streamlit run app.py --server.port=8501 --server.address=0.0.0.0

命令行

要从命令行运行程序,请在终端中执行以下命令:

python main.py

CLI选项

Whisper-TikTok支持以下命令行选项:

python main.py [选项]

选项： --model TEXT 要使用的模型 [tiny|base|small|medium|large]（默认：small） --non_english 使用通用模型，而不是专门的英语模型。（标志） --url TEXT 要下载作为背景视频的YouTube URL。（默认：https://www.youtube.com/watch?v=intRX7BRA90） --tts TEXT 用于TTS的语音（默认：en-US-ChristopherNeural） --list-voices 使用edge-tts --list-voices列出所有语音。 --random_voice 随机TTS语音（标志） --gender TEXT 随机TTS语音的性别 [Male|Female]。 --language TEXT 随机TTS语音的语言（例如，en-US） --sub_format TEXT 要使用的字幕格式 [u|i|b]（默认：b）| b（粗体），u（下划线），i（斜体） --sub_position INT 要使用的字幕位置 [1-9]（默认：5） --font TEXT 用于字幕的字体（默认：Lexend Bold） --font_color TEXT 用于字幕的字体颜色，采用HEX格式（默认：#FFF000）。 --font_size INT 用于字幕的字体大小（默认：21） --max_characters INT 每行最大字符数（默认：38） --max_words INT 每段最大单词数（默认：2） --upload_tiktok 将视频上传到TikTok（标志） -v, --verbose 详细模式（标志）

如果使用--random_voice选项，请同时指定--gender和--language参数。此外，如果要使用非英语语音，还需要指定--non_english参数，否则程序将使用英语模型。Whisper模型将自动检测音频文件的语言并使用相应的模型。

使用示例

使用特定的TTS模型和语音生成TikTok视频：

python main.py --model medium --tts en-US-EricNeural

生成TikTok视频而不使用英语模型：

python main.py --non_english --tts de-DE-KillianNeural

使用自定义YouTube视频作为背景视频：

python main.py --url https://www.youtube.com/watch?v=dQw4w9WgXcQ --tts en-US-JennyNeural

修改字幕的字体颜色：

python main.py --sub_format b --font_color #FFF000 --tts en-US-JennyNeural

使用随机TTS语音生成TikTok视频：

python main.py --random_voice --gender Male --language en-US

列出所有可用的语音：

edge-tts --list-voices

额外资源

加速视频创作

由@duozokker贡献

reddit2json是一个Python脚本，可以将Reddit帖子URL转换为JSON文件，简化了创建video.json文件的过程。这个工具不仅可以转换Reddit链接，还提供了使用DeepL翻译Reddit帖子内容和通过自定义OpenAI GPT调用修改内容等功能。

reddit2json：直接将Reddit链接转换为JSON

reddit2json旨在处理Reddit帖子URL列表，将它们转换为可直接用于视频创作的JSON格式。这个工具通过提供更快速、更高效的方式生成video.json文件，提升了视频创作过程。

这里是reddit2json的详细README，其中包括安装说明、设置.env文件、示例调用等更多信息。

行为准则

在为Whisper-TikTok做出贡献之前，请查看我们的行为准则。

贡献

我们欢迎社区的贡献！请查看我们的贡献指南以获取更多信息。

即将推出的功能

与OpenAI API集成，以生成更高级的响应。
通过从reddit提取内容生成内容 https://github.com/MatteoFasulo/Whisper-TikTok/issues/22

致谢

我们要特别感谢@rany2提供的edge-tts包，它使得Whisper-TikTok能够使用Microsoft Edge Cloud TTS API。
我们也要感谢@OpenAI的Whisper模型在大规模弱监督下实现了强大的语音识别功能。
还要感谢@jianfch提供的stable-ts包，它使得Whisper-TikTok能够以稳定的方式使用OpenAI Whisper模型，并提供字体颜色和字幕格式选项。

许可证

Whisper-TikTok使用Apache License, Version 2.0许可。