用Python解决女朋友看电影没字幕的需求

文章目录

用Python解决女朋友看电影没字幕的需求
- 一、故事情节
- 二、开发前的准备工作
- 三、开发过程详细介绍
- - （一）接口规范说明
  - （二）项目开发
  - - 1、界面部分的实现
    - 2、处理音视频功能开发
    - 3、发送数据翻译功能的开发
- 四、效果展示
- 五、总结

一、故事情节

是这样子的，女朋友晚上突然翻到了自己喜欢看的一个电影，但是没有字幕，这让她很苦恼。

我急中生智，紧急的解决了我女朋友的需求。

想到了使用Python做一个可以识别语音，然后翻译出来文字的软件。

如下图就是本片文章所要完成的效果，哈哈，是不是还不错，很棒的样子。

如果有兴趣可以给我点个赞，之后带来更多好玩、有趣的demo和实现的教程。

《甄嬛传》第一集的某一小段：

其实，是这样子的：

最近剧荒，偶然翻出了曾经下载的电视剧回味一番，经典就是经典，不论是剧情还是台词，都那么有魅力，咦？等等，台词，台词……作为一个IT从业者，我忽然灵光一现——现在语音识别技术这么发达，能否有什么办法能帮我保存下一些精彩桥段的台词呢？或许我也可以是个野生字幕君:p ,似乎也可以在此基础上顺手再翻译一下个别难懂的台词！

略加思索，我大概有了个想法——做个视频中提取音频的程序，而后去请求一个开放的语音识别API来帮我把语音转为文字。鉴于之前调用有道智云的愉快经验，我决定再次拿来为我所用，很快做出了这个demo（请忽略这丑丑的界面布局，能用就行……）。

欢迎关注我，一块来履行我之前的承诺，连更一个月之内，把几篇写完。

序号	预计完成时间	开发dome名字以及功能&发布文章内容	是否已写完	文章链接
1	9月3	文本翻译，单文本翻译，批量翻译demo。	已完成	CSDN：点我直达微信公众号：点我直达
2	9月11	OCR-demo，完成批量上传识别;在一个demo中可选择不同类型的OCR识别《包含手写体/印刷体/身份证/表格/整题/名片），然后调用平台能力，具体实现步骤等。	已完成	CSDN：点我直达微信公众号：
3	10月27	语音识别demo，demo中上传—段视频，并截取视频中短语音识别-demo的一段音频进行短语音识别		CSDN：点我直达微信公众号：
4	9月17	智能语音评测-demo		CSDN：微信公众号：
5	9月24	作文批改-demo		CSDN：微信公众号：
6	9月30	语音合成-demo		CSDN：微信公众号：
7	10月15	单题拍搜-demo		CSDN：微信公众号：
8	10月20	图片翻译-demo		CSDN：微信公众号：

二、开发前的准备工作

首先，是需要在有道智云的个人页面上创建实例、创建应用、绑定应用和实例，获取调用接口用到的应用的id和密钥。具体个人注册的过程和应用创建过程详见文章不到100行代码搞定Python做OCR识别身份证，文字等各种字体

三、开发过程详细介绍

下面介绍具体的代码开发过程。

（一）接口规范说明

首先分析有道智云的API输入输出规范。根据文档来看，调用接口格式如下：

有道语音识别API HTTPS地址：

https://openapi.youdao.com/asrapi

接口调用参数:

字段名	类型	含义	必填	备注
q	text	要翻译的音频文件的Base64编码字符串	True	必须是Base64编码
langType	text	源语言	True	支持语言
appKey	text	应用 ID	True	可在应用管理查看
salt	text	UUID	True	UUID
curtime	text	时间戳（秒）	true	秒数
sign	text	签名，通过md5(应用ID+q+salt+curTime+密钥)生成	True	应用ID+q+salt+curTime+密钥的MD5值
signType	text	签名版本	True	v2
format	text	语音文件的格式，wav	true	wav
rate	text	采样率，推荐 16000 采用率	true	16000
channel	text	声道数，仅支持单声道，请填写固定值1	true	1
type	text	上传类型，仅支持base64上传，请填写固定值1	true	1

其中q为base64编码的待识别音频文件，“上传的文件时长不能超过120s，文件大小不能超过10M”，这点需要注意一下。

API的返回内容较为简单：

字段	含义
errorCode	识别结果错误码，一定存在。详细信息参加错误代码列表
result	识别结果，识别成功一定存在

（二）项目开发

这个项目使用python3开发，包括maindow.py，videoprocess.py，srbynetease.py三个文件。

界面部分，使用python自带的tkinter库，提供视频文件选择、时间输入框和确认按钮；

videoprocess.py:来实现在视频的指定时间区间提取音频和处理API返回信息的功能；

srbynetease.py:将处理好的音频发送到短语音识别API并返回结果。

1、界面部分的实现

界面部分代码如下，比较简单。

root=tk.Tk()
root.title("netease youdao sr test")
frm = tk.Frame(root)
frm.grid(padx='50', pady='50')

btn_get_file = tk.Button(frm, text='选择待识别视频', command=get_file)
btn_get_file.grid(row=0, column=0,  padx='10', pady='20')
path_text = tk.Entry(frm, width='40')
path_text.grid(row=0, column=1)

start_label=tk.Label(frm,text='开始时刻：')
start_label.grid(row=1,column=0)
start_input=tk.Entry(frm)
start_input.grid(row=1,column=1)

end_label=tk.Label(frm,text='结束时刻：')
end_label.grid(row=2,column=0)
end_input=tk.Entry(frm)
end_input.grid(row=2,column=1)

sure_btn=tk.Button(frm, text='开始识别', command=start_sr)
sure_btn.grid(row=3,column=0,columnspan=3)
root.mainloop()

其中sure_btn的绑定事件start_sr()做了简单的异常处理，并通过弹窗打印最终的识别结果:

def start_sr():
    print(video.video_full_path)
 if len(path_text.get())==0:
        sr_result = '未选择文件'
    else:
        video.start_time = int(start_input.get())
        video.end_time = int(end_input.get())
        sr_result=video.do_sr()

    tk.messagebox.showinfo("识别结果", sr_result)

2、处理音视频功能开发

（1）在videoprocess.py中，我用到了python的moviepy库来处理视频，按指定起止时间截取视频，提取音频，并按API要求转为base64编码形式：

def get_audio_base64(self):
    video_clip=VideoFileClip(self.video_full_path).subclip(self.start_time,self.end_time)
    audio=video_clip.audio
    result_path=self.video_full_path.split('.')[0]+'_clip.mp3'
    audio.write_audiofile(result_path)
    audio_base64 = base64.b64encode(open(result_path,'rb').read()).decode('utf-8')
    return audio_base64

（2）处理好的音频文件编码传到封装好的有道智云API调用方法中：

def do_sr(self):
    audio_base64=self.get_audio_base64()
    sr_result=srbynetease.connect(audio_base64)
    print(sr_result)
    if sr_result['errorCode']=='0':
        return sr_result['result']
    else:
        return "Something wrong , errorCode:"+sr_result['errorCode']

3、发送数据翻译功能的开发

srbynetease.py中封装的调用方法比较简单，按API文档“组装”好data{}发送即可：

def connect(audio_base64):
    data = {}
    curtime = str(int(time.time()))
    data['curtime'] = curtime
    salt = str(uuid.uuid1())
    signStr = APP_KEY + truncate(audio_base64) + salt + curtime + APP_SECRET
    sign = encrypt(signStr)
    data['appKey'] = APP_KEY
    data['q'] = audio_base64
    data['salt'] = salt
    data['sign'] = sign
    data['signType'] = "v2"
    data['langType'] = 'zh-CHS'
    data['rate'] = 16000
    data['format'] = 'mp3'
    data['channel'] = 1
    data['type'] = 1

    response = do_request(data)

    return json.loads(str(response.content,'utf-8'))

四、效果展示

随手打开《甄嬛传》第一集的某一小段试试：

效果可以，断句的一点小瑕疵可以忽略。没想到这短语音识别API博古通今，古文语音识别也这么溜，厉害厉害！

五、总结

一番尝试带我打开了新世界的大门，从今天开始我可以是一个不打字却能搬运字幕的野生字幕君了，后面再有时间可以试试识别完翻译成其他语言的操作，嗯，是技术的力量！

项目地址：https://github.com/LemonQH/SRFromVideo