字幕

开源字幕生成工具，实现无缝内容翻译。

主要特点：

开源：可免费使用、修改和分发。
自托管：在自己的服务器上运行，增强控制和隐私。
AI 驱动：利用先进的机器学习技术，生成准确且自然的字幕。
多语言支持：为多种语言的视频生成字幕。
轻松集成：无缝融入现有工作流程。

我做这个项目是出于兴趣，但我觉得它也可能对其他人有用。

安装

FFmpeg

首先，你需要安装 FFmpeg。以下是安装方法：

# 在 Linux 上
sudo apt install ffmpeg

运行

你可以使用以下命令从命令行运行脚本：

python subtitle.py <文件路径 | 视频URL> [--model <模型名称>]

将 <文件路径 | 视频URL> 替换为你的视频文件路径。--model 参数是可选的。如果不提供，默认使用 'base' 模型。

例如：

python subtitle.py /path/to/your/video.mp4 --model base

这将在 /path/to/your/video.mp4 的视频上运行脚本，使用 base 模型。请将 /path/to/your/video.mp4 替换为你实际的视频文件路径。

模型

以下是你可以使用的模型：注意：只有当视频是英语时才使用 .en 模型。

tiny.en
tiny
tiny-q5_1
tiny.en-q5_1
base.en
base
base-q5_1
base.en-q5_1
small.en
small.en-tdrz
small
small-q5_1
small.en-q5_1
medium
medium.en
medium-q5_0
medium.en-q5_0
large-v1
large-v2
large
large-q5_0

高级用法

你可以通过使用以下参数来修改 whisper 二进制文件的行为：

./whisper [选项] file0.wav file1.wav ...

选项

以下是你可以与 whisper 二进制文件一起使用的选项：

选项	默认值	描述
`-h, --help`		显示帮助信息并退出
`-t N, --threads N`	4	计算过程中使用的线程数
`-p N, --processors N`	1	计算过程中使用的处理器数
`-ot N, --offset-t N`	0	时间偏移（毫秒）
`-on N, --offset-n N`	0	段索引偏移
`-d N, --duration N`	0	处理的音频持续时间（毫秒）
`-mc N, --max-context N`	-1	存储的最大文本上下文标记数
`-ml N, --max-len N`	0	最大段落长度（字符）
`-sow, --split-on-word`	false	按词分割而不是按标记分割
`-bo N, --best-of N`	2	保留的最佳候选数量
`-bs N, --beam-size N`	-1	束搜索的束大小
`-wt N, --word-thold N`	0.01	词时间戳概率阈值
`-et N, --entropy-thold N`	2.40	解码器失败的熵阈值
`-lpt N, --logprob-thold N`	-1.00	解码器失败的对数概率阈值
`-debug, --debug-mode`	false	启用调试模式（如转储 log_mel）
`-tr, --translate`	false	将源语言翻译成英语
`-di, --diarize`	false	立体声音频说话人分离
`-tdrz, --tinydiarize`	false	启用 tinydiarize（需要 tdrz 模型）
`-nf, --no-fallback`	false	解码时不使用温度回退
`-otxt, --output-txt`	true	将结果输出到文本文件
`-ovtt, --output-vtt`	false	将结果输出到 vtt 文件
`-osrt, --output-srt`	false	将结果输出到 srt 文件
`-olrc, --output-lrc`	false	将结果输出到 lrc 文件
`-owts, --output-words`	false	输出生成卡拉 OK 视频的脚本
`-fp, --font-path`	/System/Library/Fonts/Supplemental/Courier New Bold.ttf	卡拉 OK 视频的等宽字体路径
`-ocsv, --output-csv`	false	将结果输出到 CSV 文件
`-oj, --output-json`	false	将结果输出到 JSON 文件
`-ojf, --output-json-full`	false	在 JSON 文件中包含更多信息
`-of FNAME, --output-file FNAME`		输出文件路径（不含文件扩展名）
`-ps, --print-special`	false	打印特殊标记
`-pc, --print-colors`	false	打印颜色
`-pp, --print-progress`	false	打印进度
`-nt, --no-timestamps`	false	不打印时间戳
`-l LANG, --language LANG`	en	口语语言（'auto' 为自动检测）
`-dl, --detect-language`	false	自动检测语言后退出
`--prompt PROMPT`		初始提示
`-m FNAME, --model FNAME`	models/ggml-base.en.bin	模型路径
`-f FNAME, --file FNAME`		输入 WAV 文件路径
`-oved D, --ov-e-device DNAME`	CPU	用于编码推理的 OpenVINO 设备
`-ls, --log-score`	false	记录标记的最佳解码器分数
`-ng, --no-gpu`	false	禁用 GPU

二进制文件运行示例

以下是如何使用 whisper 二进制文件的示例：

./whisper -m models/ggml-tiny.en.bin -f Rev.mp3 out.wav -nt --output-vtt

许可证

MIT

参考与致谢

作者

Ved Gupta

🚀 关于我

只是尝试成为一名开发者！

支持

如需支持，请发送电子邮件至 vedgupta@protonmail.com