前言

1. 提取视频字幕：往往视频作者都会在视频底部加上字幕，以便于提升观看体验，我们可以利用这点，通过python的图像库，截取视频图像，再通过文字OCR识别图像上字幕，转写成文字。

2. 视频→音频→文字：有的视频是没有字幕的，这时我们可以利用python的视频、音频媒体库，将视频源文件转成音频格式，再对音频格式进行语音识别文字。

功能实现

1.整体思路

1. 读取媒体文件（视频或者音频）

2. 根据媒体文件类型统一转成WAV格式的音频

3. 将音频分割成30秒以内的短音频(有利于提高调用成功率，并支持多线程转换)

4. 调用语音转文字服务，将音频转为文字，存入临时的txt文本中

5. 将所有文本按照顺序合并成一个文本

2.依赖三个库

• speech_recognition，语音识别；支持 google、ibm、bing等多家的语音转写开放接口，本文使用的 Google的 Web Speech API。



💡
speech_recognition 说明：
以上几个库只有 recognition_sphinx 与CMU Sphinx 支持引擎脱机工作，其他六个都需要连接互联网。 SpeechRecognition 自身附带了 Google Web Speech API 的默认 API 密钥，可直接使用它。其他几个 API 都需要使用 API 密钥或用户名/密码组合进行身份验证。

• pydub， 音频格式转换；

• VideoFileClip ， 视频格式转换；

3.项目源码地址

def convert_to_text(media_path, output_path='./output'):
    """
    将指定的音频或视频文件转换为文本
    :param media_path: 源文件路径
    :param output_path: 输出目录
    :return:
    """
    try:
        # 获取文件名作为项目名
        project_name = get_file_name(media_path)[0]

        # 创建输出文件夹
        output_path = r'./output/' + project_name
        if not os.path.exists(output_path):
            os.makedirs(output_path)

        # 统一预处理文件 转Wav
        voice_path = convert_media_to_wave(media_path)

        # 根据音频时长分割，过长的文件无法转换
        split_file_array = split_voice_file(voice_path, project_name, output_path)

        # 批量音频转文字
        text_array = convert_audios_to_text(split_file_array)

        # 将文本文件组，合并成一个文档
        combine_text(text_array, output_path + '/' + project_name + '.txt')
    except Exception as e:
        logging.error(traceback.format_exc())

4.已知缺陷

1. 使用谷歌音频转写接口，使用时需要科学上网

2. 转换后的音频分段比较奇怪，因为是按照30秒强行切开的，而不是按照段落

3. 不支持自动添加标点符号

调用演示

1. 根据原文件格式，将mp4,mp3等文件统一转wav

1. 将音频文件分割

1. 批量调用API转换文字

1. 合并文本文件

写在后面