├── .gitignore ├── AdjustLrc.py ├── AdjustSrt.py ├── README.md ├── Sample └── sampleLrc.lrc └── assets ├── a238efc8e01a2e5add3f61aca7ac7e9.jpg └── a62c7ecbd2822d514a87ec97eb95555.jpg /.gitignore: -------------------------------------------------------------------------------- 1 | config.json 2 | Sample/* -------------------------------------------------------------------------------- /AdjustLrc.py: -------------------------------------------------------------------------------- 1 | import re 2 | import os 3 | import zhipuai 4 | import json 5 | import requests 6 | 7 | if_need_LLM_add_punctuation = True 8 | # 是否需要调用 AI 为文本添加标点符号以便处理，主要用于中文无标点场景。如果为 True，需要在 config.json 中配置相关 API。 9 | # 如果 if_need_LLM_add_punctuation = True, 从 config.json 中读取相关 API 10 | if if_need_LLM_add_punctuation: 11 | with open("config.json", "r") as f: 12 | config = json.load(f) 13 | zhipuai_api_key = config["zhipuai_api_key"] 14 | openai_api_key =config["openai_api_key"] 15 | openai_api_url = config["openai_api_url"] 16 | deepseek_api_key = config["deepseek_api_key"] 17 | 18 | # 智谱，垃圾 19 | def add_punctuation_zhipuai(inputText): 20 | zhipuai.api_key = zhipuai_api_key 21 | response = zhipuai.model_api.invoke( 22 | model="chatglm_std", 23 | prompt=[ 24 | {"role": "user", "content": f"{inputText}\n\n这是一个音频的转文字结果，以 .lrc 格式存储。请结合语义和上下文为每句话添加标点符号，禁止删除或新增时间点，只需返回修改后的 lrc 文本。"}, 25 | ], 26 | temperature=0.9, # 值越小结果越稳定 27 | top_p = 0.7 28 | ) 29 | # Sample response:{'code': 200, 'msg': '操作成功', 'data': {'request_id': '7941314437787463250', 'task_id': '7941314437787463250', 'task_status': 'SUCCESS', 'choices': [{'role': 'assistant', 'content': '" 说你们想听哪些历史人物？"'}], 'usage': {'total_tokens': 9}}, 'success': True} 30 | # 直接打印 choices 中的第一个 content 31 | # print(response) 32 | # 检验是否成功 33 | if response["success"] == False: 34 | print("请求失败") 35 | return None 36 | else: 37 | print("智谱 AI Token 数量：{}，花费{}元".format(response["data"]["usage"]["total_tokens"], response["data"]["usage"]["total_tokens"]/1000*0.002)) 38 | outputText = response["data"]["choices"][0]["content"] 39 | # 检查 outputText 最外层是否有双引号，如果有则去掉 40 | if outputText.startswith('"') and outputText.endswith('"'): 41 | outputText = outputText[1:-1] 42 | return outputText 43 | 44 | # 调用 gpt3.5 为输入的文本添加标点符号。使用自定义的 api url。函数功能和 add_punctuation_zhipuai 相同。 45 | def add_punctuation_openai(inputText): 46 | headers = { 47 | "Content-Type": "application/json", 48 | "Authorization": f"Bearer {openai_api_key}" 49 | } 50 | 51 | data = { 52 | "model": "gpt-3.5-turbo", 53 | "messages": [ 54 | {"role": "system", "content": "你是为音频转录生成的 LRC 格式字幕添加标点符号的专家。保留原始单词，仅插入必要的标点符号，例如句号、逗号、大写字母、美元符号或百分号等符号以及格式。如果结合下一行判断此行无需添加标点，则可以不添加标点。仅使用提供的上下文，返回添加标点后的 LRC 格式字幕文本"}, 55 | {"role": "user", "content": f"{inputText}"} 56 | ], 57 | "frequency_penalty":0, 58 | "presence_penalty":0, 59 | "temperature":0.6, 60 | "top_p":1 61 | } 62 | 63 | response = requests.post(f"{openai_api_url}/v1/chat/completions", headers=headers, json=data) 64 | response_data = response.json() 65 | 66 | if "choices" in response_data and len(response_data["choices"]) > 0: 67 | # $0.0005 为 prompt_tokens 的单价，$0.0015 为 completion_tokens 的单价,根据单价计算本次请求的总花费：prompt_tokens*0.0015 + completion_tokens*0.002 68 | print("openai api Token 数量：{}，花费{}元".format(response_data["usage"]["total_tokens"], response_data["usage"]["prompt_tokens"]/1000*0.0005*7.2 + response_data["usage"]["completion_tokens"]/1000*0.0015*7.2)) 69 | outputText = response_data["choices"][0]["message"]["content"] 70 | print('##outputText:\n', outputText) 71 | return outputText 72 | else: 73 | print("response_data", response_data) 74 | # 抛出错误 75 | raise Exception("openai api 返回的数据不正确") 76 | 77 | # 使用 deepseek api 添加标点 78 | def add_punctuation_deepseek(inputText): 79 | # https://platform.deepseek.com/api-docs/ 80 | headers = { 81 | "Content-Type": "application/json", 82 | "Authorization": f"Bearer {deepseek_api_key}" 83 | } 84 | 85 | data = { 86 | "model": "deepseek-chat", 87 | "messages": [ 88 | {"role": "system", "content": "你是为音频转录生成的 LRC 格式字幕添加标点符号的专家。保留原始单词，仅插入必要的标点符号，例如句号、逗号、大写字母、美元符号或百分号等符号以及格式。如果结合下一行判断此行无需添加标点，则可以不添加标点。仅使用提供的上下文，返回添加标点后的 LRC 格式字幕文本"}, 89 | {"role": "user", "content": f"{inputText}"} 90 | ], 91 | "temperature":0.6 92 | } 93 | 94 | response = requests.post("https://api.deepseek.com/chat/completions", headers=headers, json=data) 95 | response_data = response.json() 96 | 97 | if "choices" in response_data and len(response_data["choices"]) > 0: 98 | outputText = response_data["choices"][0]["message"]["content"] 99 | print('##outputText:\n', outputText) 100 | return outputText 101 | else: 102 | print("response_data", response_data) 103 | # 抛出错误 104 | raise Exception("deepseek api 返回的数据不正确") 105 | 106 | # 为字幕文本添加标点，可以使用智谱AI，也可以使用 chatgpt。输入 captionList，返回 new_groups 107 | def add_punctuation_service(captionList,service='deepseek'): 108 | # 最大中文长度，采取 max_token/2.5 估算。 109 | max_text_length_per_request = 1500 110 | # 将 captionList 的所有字幕文本(groups 里的第二项)拼接成一个字符串列表，每个字符串以换行符连接，长度不能超过 max_text_length_per_request。 111 | text_list = [] 112 | text = '' 113 | for i in range(len(captionList)): 114 | if len(text) + len(captionList[i]) < max_text_length_per_request: 115 | text = f"{text}\n{captionList[i]}" 116 | else: 117 | text_list.append(text) 118 | text = '' 119 | text_list.append(text) 120 | # 对 text_list 中每一项调用 AI 为文本添加标点符号。合并所有返回的文本，然后按换行符分割成列表，每一项就是新的字幕文本。 121 | new_text_list = [] 122 | for text in text_list: 123 | if service == 'zhipuai': 124 | new_text = add_punctuation_zhipuai(text) 125 | elif service == 'openai': 126 | new_text = add_punctuation_openai(text) 127 | elif service == 'deepseek': 128 | new_text = add_punctuation_deepseek(text) 129 | new_text_list.append(new_text) 130 | new_text = '\n'.join(new_text_list) 131 | print('文本处理后：',new_text) 132 | return new_text 133 | 134 | def generate_output_file_path(lrc_file): 135 | # 生成 output_file 的路径和文件名 136 | directory = os.path.dirname(lrc_file) 137 | filename = os.path.basename(lrc_file) 138 | new_filename = filename.replace('.lrc', '_add_punctuation.lrc') 139 | output_file = os.path.join(directory, new_filename) 140 | print(output_file) 141 | return output_file 142 | 143 | def lrc2srt_file_path(lrc_file): 144 | # 生成 srt_file 的路径和文件名 145 | directory = os.path.dirname(lrc_file) 146 | filename = os.path.basename(lrc_file) 147 | new_filename = filename.replace('.lrc', '.srt') 148 | srt_file = os.path.join(directory, new_filename) 149 | print(srt_file) 150 | return srt_file 151 | 152 | # 将 lrc 格式字幕转换成 srt 格式，输入 lrc 文本，返回 srt 文本。 153 | def parse_lrc_timestamp(timestamp): 154 | try: 155 | parts = timestamp.split(':') 156 | if len(parts) == 3: 157 | hours, minutes, seconds = parts 158 | elif len(parts) == 2: 159 | hours = 0 160 | minutes, seconds = parts 161 | else: 162 | return None 163 | 164 | seconds, milliseconds = seconds.split('.') 165 | hours, minutes, seconds, milliseconds = int(hours), int(minutes), int(seconds), int(milliseconds) 166 | return hours * 3600 + minutes * 60 + seconds + milliseconds / 1000 167 | except ValueError: 168 | return None 169 | 170 | def format_time(seconds): 171 | hours = int(seconds) // 3600 172 | minutes = (int(seconds) % 3600) // 60 173 | seconds = int(seconds) % 60 174 | milliseconds = int((seconds - int(seconds)) * 1000) 175 | return f"{hours:02d}:{minutes:02d}:{seconds:02d},{milliseconds:03d}" 176 | 177 | def lrc_to_srt(lrc_content): 178 | subs = [] 179 | pattern = r'\[(\d+:\d+:\d+\.\d+|\d+:\d+\.\d+)\](.*)' 180 | matches = re.findall(pattern, lrc_content) 181 | for idx, match in enumerate(matches): 182 | timestamp, text = match 183 | start_time = parse_lrc_timestamp(timestamp) 184 | if start_time is not None: 185 | end_time = parse_lrc_timestamp(matches[idx + 1][0]) if idx + 1 < len(matches) else start_time + 1 186 | subs.append(f"{len(subs) + 1}\n{format_time(start_time)} --> {format_time(end_time)}\n{text.strip()}\n") 187 | return ''.join(subs) 188 | 189 | # 主函数，读取 lrc 文件，调用 add_punctuation_service 为字幕文本添加标点，然后将结果写入新的 lrc 文件。 190 | def main(): 191 | lrc_file = "D:/我的坚果云/中国城夜总会剿匪记.lrc" 192 | # LLM_service = 'deepseek' 193 | LLM_service = 'openai' 194 | # 读取 lrc 文件 195 | with open(lrc_file, "r", encoding="utf-8") as f: 196 | lrc = f.read() 197 | # 将 lrc 按换行符分割成列表 captaionList，每一项就是一条字幕 198 | captionList = lrc.split("\n") 199 | # print("captionList", captionList) 200 | # newCaption = add_punctuation_service(captionList,LLM_service) 201 | newCaption = lrc 202 | # 将 newCaption 写入新的 lrc 文件 203 | output_file = generate_output_file_path(lrc_file) 204 | with open(output_file, "w", encoding="utf-8") as f: 205 | f.write(newCaption) 206 | # 将 lrc 转换成 srt 207 | srt = lrc_to_srt(newCaption) 208 | # 将 srt 写入新的 srt 文件 209 | with open(lrc2srt_file_path(output_file), "w", encoding="utf-8") as f: 210 | f.write(srt) 211 | 212 | if __name__ == "__main__": 213 | main() -------------------------------------------------------------------------------- /AdjustSrt.py: -------------------------------------------------------------------------------- 1 | import json 2 | import os 3 | import re 4 | 5 | import requests 6 | import zhipuai 7 | 8 | # 每行字幕的最短字数，adjust_mode 为 3 时有效 9 | # 英文转录参数 10 | # min_length = 120 11 | # max_length = 220 12 | # if_need_spilt = True 13 | # 是否需要根据非逗号拆分字幕，时间戳根据字符长度比例拆分，并不一定准确。实验性功能，建议在连续多句字幕都无标点结尾时使用。(主要应用于英文有标点场景) 14 | # 中文转录测试 15 | min_length = 120 16 | max_length = 220 17 | if_need_spilt = False 18 | 19 | srt_file = 'D:/我的坚果云/中国城夜总会剿匪记_add_punctuation.srt' 20 | # 文本连接符号，英文为空格，中文不需要。 21 | text_connector = '' 22 | 23 | adjust_mode = '3' 24 | # 字幕的调整方式， 25 | # 1 为合并被断行的句子， 26 | # 2 在 1 的基础上，保证每行以非逗号结尾 27 | # 3 在 1-2 的基础上，保证每一行的字数在 min_length 和 max_length 之间 28 | 29 | 30 | def main(): 31 | adjust_srt_file(srt_file, adjust_mode) 32 | 33 | def generate_output_file_path(srt_file): 34 | # 生成 output_file 的路径和文件名 35 | directory = os.path.dirname(srt_file) 36 | filename = os.path.basename(srt_file) 37 | new_filename = filename.replace('.srt', '_adjusted.srt') 38 | output_file = os.path.join(directory, new_filename) 39 | print(output_file) 40 | return output_file 41 | 42 | #读取srt字幕，按空行分割成不同的组，返回一个列表，列表中的每个元素是一个组，组内包含编号、时间段和字幕文本 43 | def read_and_split_srt_file(srt_file): 44 | # 读取srt文件内容并将内容按空行分割成不同的组 45 | with open(srt_file, 'r',encoding="utf-8") as file: 46 | content = file.read() 47 | old_groups = re.split(r'\n\s*\n', content) 48 | # 去除 old_groups 中的空字符串 49 | old_groups = [group for group in old_groups if group != ''] 50 | return old_groups 51 | 52 | # 拆分每行字幕。如果一行字幕内容里含有非逗号的标点，则拆分成两行字幕。同时时间戳按照开头到标点的长度占总长度的比例进行拆分。 53 | def split_srt_content(old_groups): 54 | # 用于记录当前该处理 old_groups 中的第几个组 55 | current_number = 0 56 | # 用于在 new_groups 中的索引 57 | index = 0 58 | new_groups = [] 59 | 60 | for i in range(len(old_groups)): 61 | # 如果 i 不等于 current_number 就跳过 62 | if(i == current_number): 63 | # 提取编号、时间段和字幕文本 64 | group = old_groups[i].strip().split('\n') 65 | 66 | if len(group) >= 3: 67 | time_range = group[1] 68 | text = ' '.join(group[2:]) 69 | # 检查当前字幕是否含有非逗号的标点，如果有则拆分成两行字幕。text part 取小于 1 的数字，保证不会取到最后一个标点。 70 | text_part = text[:int(len(text)*4/5)] 71 | if re.search(r'[^\w,，\s]', text_part): 72 | # 获取当前字幕最后一个标点符号的索引 73 | last_punctuation_index = re.search(r'[^\w,，\s]', text_part).span()[1] 74 | # print(i, last_punctuation_index) 75 | # 根据最后一个标点将当前字幕拆分成两行字幕 76 | text_1 = text[:last_punctuation_index] 77 | text_2 = text[last_punctuation_index:] 78 | # 计算原字幕的持续时间，然后根据拆分后的两行字幕的长度占原字幕长度的比例，计算出两行字幕的持续时间。 79 | time_range_1, time_range_2 = split_time_range(time_range, len(text_1) / len(text)) 80 | new_groups.append(f"{index}\n{time_range_1}\n{text_1}") 81 | new_groups.append(f"{index+1}\n{time_range_2}\n{text_2}") 82 | current_number += 1 83 | index += 2 84 | else: 85 | new_groups.append(f"{index}\n{time_range}\n{text}") 86 | current_number += 1 87 | index += 1 88 | return new_groups 89 | 90 | # 拆分时间段的函数，输入原时间段和拆分比例，返回拆分后的时间段。中间过程精确到毫秒。 91 | def split_time_range(time_range, split_ratio): 92 | # 获取原时间段的开始时间和结束时间 93 | time_range_start = re.search(r'(\d{2}:\d{2}:\d{2},\d{3})', time_range).group(1) 94 | time_range_end = re.findall(r'(\d{2}:\d{2}:\d{2},\d{3})', time_range)[1] 95 | # 计算原时间段的持续时间，然后根据拆分后的两行字幕的长度占原字幕长度的比例，计算出两行字幕的持续时间。此处需要注意 00:06:33,319 中有毫秒。 96 | time_range_start_seconds = int(time_range_start.split(':')[0]) * 3600 + int(time_range_start.split(':')[1]) * 60 + int(time_range_start.split(':')[2].split(',')[0]) + int(time_range_start.split(':')[2].split(',')[1]) / 1000 97 | time_range_end_seconds = int(time_range_end.split(':')[0]) * 3600 + int(time_range_end.split(':')[1]) * 60 + int(time_range_end.split(':')[2].split(',')[0]) + int(time_range_end.split(':')[2].split(',')[1]) / 1000 98 | # 计算出拆分的时间，转换为 00:00:00,000 的格式 99 | split_seconds = (time_range_end_seconds - time_range_start_seconds) * split_ratio 100 | split_time = time_range_start_seconds + split_seconds 101 | split_time_hour = int(split_time / 3600) 102 | split_time_minute = int((split_time - split_time_hour * 3600) / 60) 103 | split_time_second = int(split_time - split_time_hour * 3600 - split_time_minute * 60) 104 | split_time_millisecond = int((split_time - split_time_hour * 3600 - split_time_minute * 60 - split_time_second) * 1000) 105 | split_time_range = f"{split_time_hour:02d}:{split_time_minute:02d}:{split_time_second:02d},{split_time_millisecond:03d}" 106 | # 返回两个拼接后的时间端 time_range_start -> split_time_range 和 split_time_range -> time_range_end 107 | return f"{time_range_start} --> {split_time_range}", f"{split_time_range} --> {time_range_end}" 108 | 109 | 110 | # 把断句合并成一句 111 | def adjust_srt_content(old_groups): 112 | # 用于记录当前该处理 old_groups 中的第几个组 113 | current_number = 0 114 | # 用于在 new_groups 中的索引 115 | index = 0 116 | new_groups = [] 117 | 118 | for i in range(len(old_groups)): 119 | # 如果 i 不等于 current_number 就跳过 120 | if(i == current_number): 121 | # 提取编号、时间段和字幕文本 122 | group = old_groups[i].strip().split('\n') 123 | 124 | if len(group) >= 3: 125 | time_range = group[1] 126 | text = ' '.join(group[2:]) 127 | print(i,text) 128 | # 当前字幕文本不以标点结尾，则向后找到第一个不以逗号结尾的字幕文本；否则直接写入 new_groups 129 | if text.endswith(('.', ',', ':', ';', '?', '!', '，', '。', '：', '；', '？', '！')): 130 | new_groups.append(f"{index}\n{time_range}\n{text}") 131 | current_number += 1 132 | else: 133 | move_times = 1 134 | # 如果当前句子结尾不是标点符号 135 | while not text.endswith(('.', ',', ':', ';', '?', '!', '，', '。', '：', '；', '？', '！')): 136 | # 判断 i+move_times 是否超出 old_groups 的索引范围 137 | if i + move_times >= len(old_groups)-1: 138 | move_times = 0 139 | break 140 | next_text = ' '.join(old_groups[i + move_times].strip().split('\n')[2:]) 141 | text = f"{text}{text_connector}{next_text}" 142 | move_times += 1 143 | print(i, move_times) 144 | # 合并时间段和字幕文本 145 | time_range_start = re.search(r'(\d{2}:\d{2}:\d{2},\d{3})', time_range).group(1) 146 | next_time_range_end = re.findall(r'(\d{2}:\d{2}:\d{2},\d{3})', old_groups[i + move_times-1])[1] 147 | new_time_range = f"{time_range_start} --> {next_time_range_end}" 148 | 149 | new_groups.append(f"{index}\n{new_time_range}\n{text}") 150 | current_number += move_times 151 | index += 1 152 | return new_groups 153 | 154 | # 保证每一行的结尾非逗号，连续多行逗号就很尴尬(whisper 的幻觉重复情况) 155 | # 如果字符长度超过 max_length，就不再合并 156 | def adjust_srt_content_end_with_no_comma(old_groups): 157 | # 用于记录当前该处理 old_groups 中的第几个组 158 | current_number = 0 159 | # 用于在 new_groups 中的索引 160 | index = 0 161 | new_groups = [] 162 | 163 | for i in range(len(old_groups)): 164 | # 如果 i 不等于 current_number 就跳过 165 | if(i == current_number): 166 | # 提取编号、时间段和字幕文本 167 | group = old_groups[i].strip().split('\n') 168 | 169 | if len(group) >= 3: 170 | time_range = group[1] 171 | text = ' '.join(group[2:]) 172 | # 当前字幕文本以逗号结尾，则向后找到第一个不以逗号结尾的字幕文本，合并 173 | if text.endswith((',', '，')): 174 | move_times = 1 175 | # 如果以中文逗号或者英文逗号结尾 176 | while text.endswith((',', '，')): 177 | # 判断 i+move_times 是否超出 old_groups 的索引范围 178 | if i + move_times >= len(old_groups)-1: 179 | move_times = 0 180 | break 181 | # 如果当前字幕文本加上下一个字幕文本的长度大于 max_length，就不再合并 182 | if len(text) + len(old_groups[i + move_times].strip().split('\n')[2:]) > max_length: 183 | break 184 | next_text = ' '.join(old_groups[i + move_times].strip().split('\n')[2:]) 185 | text = f"{text}{text_connector}{next_text}" 186 | move_times += 1 187 | # 合并时间段和字幕文本 188 | time_range_start = re.search(r'(\d{2}:\d{2}:\d{2},\d{3})', time_range).group(1) 189 | next_time_range_end = re.findall(r'(\d{2}:\d{2}:\d{2},\d{3})', old_groups[i + move_times-1])[1] 190 | new_time_range = f"{time_range_start} --> {next_time_range_end}" 191 | 192 | new_groups.append(f"{index}\n{new_time_range}\n{text}") 193 | current_number += move_times 194 | else: 195 | new_groups.append(f"{index}\n{time_range}\n{text}") 196 | current_number += 1 197 | index += 1 198 | return new_groups 199 | 200 | # 每行字数在 min_length 和 max_length 之间 201 | def adjust_srt_content_with_min_max(old_groups): 202 | # 用于记录当前该处理 old_groups 中的第几个组 203 | current_number = 0 204 | # 用于在 new_groups 中的索引 205 | index = 0 206 | new_groups = [] 207 | 208 | print('len(old_groups)', len(old_groups)) 209 | for i in range(len(old_groups)): 210 | # 如果 i 不等于 current_number 就跳过 211 | if(i == current_number): 212 | # 提取编号、时间段和字幕文本 213 | group = old_groups[i].strip().split('\n') 214 | 215 | if len(group) >= 3: 216 | time_range = group[1] 217 | text = ' '.join(group[2:]) 218 | print(i,text) 219 | # 如果当前字幕文本的长度小于 min_length，计算需要合并 n 组字幕文本才能大于 min_length，小于 max_length；否则直接写入 new_groups 220 | if len(text) < min_length: 221 | move_times = 1 222 | while len(text) < min_length: 223 | # 判断 i+move_times 是否超出 old_groups 的索引范围 224 | if i + move_times >= len(old_groups): 225 | print('out of range,len(old_groups):', len(old_groups)) 226 | # move_times = 1 227 | break 228 | next_text = ' '.join(old_groups[i + move_times].strip().split('\n')[2:]) 229 | print("next_text:",next_text) 230 | # 如果当前字幕文本加上下一个字幕文本的长度大于 max_length，就不再合并 231 | if len(text) + len(next_text) > max_length: 232 | break 233 | text = f"{text} {next_text}" 234 | move_times += 1 235 | print("current_number:",current_number,"move_times:", move_times,"len(text):",len(text),"\n\n") 236 | # 合并时间段和字幕文本 237 | time_range_start = re.search(r'(\d{2}:\d{2}:\d{2},\d{3})', time_range).group(1) 238 | next_time_range_end = re.findall(r'(\d{2}:\d{2}:\d{2},\d{3})', old_groups[i + move_times-1])[1] 239 | new_time_range = f"{time_range_start} --> {next_time_range_end}" 240 | 241 | new_groups.append(f"{index}\n{new_time_range}\n{text}") 242 | current_number += move_times 243 | else: 244 | new_groups.append(f"{index}\n{time_range}\n{text}") 245 | current_number += 1 246 | index += 1 247 | return new_groups 248 | 249 | def write_new_srt_file(output_file, new_groups): 250 | # 将new_groups的内容按srt格式写入新的srt文件 251 | with open(output_file, 'w',encoding="utf-8") as file: 252 | file.write('\n\n'.join(new_groups)) 253 | 254 | 255 | 256 | def adjust_srt_file(srt_file, adjust_mode): 257 | old_groups = read_and_split_srt_file(srt_file) 258 | if if_need_spilt: 259 | print('adjust_mode is 0，先根据非逗号拆分行') 260 | old_groups = split_srt_content(old_groups) 261 | # 断句合并是基础操作 262 | new_groups = adjust_srt_content(old_groups) 263 | if adjust_mode == '2': 264 | print('adjust_mode is 2，保证每行以非逗号结尾') 265 | new_groups = adjust_srt_content_end_with_no_comma(new_groups) 266 | elif adjust_mode == '3': 267 | print('adjust_mode is 3,min_length is ', min_length, 'max_length is ', max_length) 268 | # 先保证每行以非逗号结尾，再保证每行字数在 min_length 和 max_length 之间 269 | new_groups = adjust_srt_content_end_with_no_comma(new_groups) 270 | new_groups = adjust_srt_content_with_min_max(new_groups) 271 | output_file = generate_output_file_path(srt_file) 272 | write_new_srt_file(output_file, new_groups) 273 | 274 | if __name__ == '__main__': 275 | main() 276 | -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | ## 背景 2 | 3 | 在音频转文字的准确率上，OpenAI 的 Whisper + Prompt 远超一般的模型服务(飞书妙记、通义听悟、讯飞...)，尤其是在专业名词较多的领域。 4 | 5 | 但 Whisper 的转写断句能力较差(Large v2 模型)，经常会出现一句话被分隔成两行字幕的情况。 6 | 7 | 根据 [openai-cookbook/examples/Whisper_prompting_guide.ipynb at main · openai/openai-cookbook](https://github.com/openai/openai-cookbook/blob/main/examples/Whisper_prompting_guide.ipynb) 所言，Whisper 的 Prompt 和 GPT 的 Prompt 并不完全一致——即 Whisper 的 prompt 并不理解 Prompt 所蕴含的指令含义，它只是在**模仿 Prompt 的语言风格和词汇拼写**。 8 | 9 | 所以通过 Prompt 很难完美解决 Whipser 转写句子被拆分的问题。 10 | 11 | 目前思考这个问题有两种解决方案： 12 | 13 | 1. 上传 srt 给 claude，让其返回合并句子后的 srt 文件。 14 | 2. 通过代码按某些规则来合并 srt 文件中的句子。 15 | 16 | 1 是一种比较简单且理想的方案，因为大模型对语义有理解分析，其断句分段把握的比较合适。 17 | 18 | 但 1 的问题在于大模型有字符长度限制，实测超过 30 min 的转录文本进行合并分段会超出字符限制。初次之外，这种方案还有等待时间较长，可能会出现幻觉等问题。 19 | 20 | 我日常转录的是 3h 的课程录音，所以我选择采用方案 2 做断句修正。 21 | 22 | ## 实现策略 23 | 24 | 方案 2 的原理上比较简单： 25 | 26 | > 判断当前行结尾是否有标点符号，如果没有则和下一组字幕文本合并。 27 | 28 | ## 脚本使用 29 | 30 | Clone 到本地后安装依赖，每次修改 `srt_file` 的路径即可使用。 31 | 32 | 默认修改的字幕文件和源字幕文件在同一个文件夹之内，文件名会加 `_adjusted` 后缀。 33 | 34 | 目前有三种模式： 35 | 36 | - 1 为合并被断行的句子， 37 | 38 | - 2 在 1 的基础上，保证每行以非逗号结尾 39 | 40 | - 3 在 1-2 的基础上，保证每一行的字数不小于目标值(需要修改代码头部 min_length 和 max_length) 41 | 42 | ![未处理前](https://gcore.jsdelivr.net/gh/zj1123581321/Adjust_SubTitle/assets/a238efc8e01a2e5add3f61aca7ac7e9.jpg) 43 | 44 | ![处理后](https://github.com/zj1123581321/Adjust_SubTitle/raw/main/assets/a62c7ecbd2822d514a87ec97eb95555.jpg) -------------------------------------------------------------------------------- /Sample/sampleLrc.lrc: -------------------------------------------------------------------------------- 1 | [00:00.400]刚创业那会儿 2 | [00:01.240]我非常害怕跟别人谈商业合作 3 | [00:03.680]第一是因为自己确实没什么实力 4 | [00:05.639]第二是因为对方总是显得那么从容 5 | [00:07.919]气场死死地压制着我 6 | [00:09.720]他们话里话外动不动就几百万用户 7 | [00:12.000]几千万生意 8 | [00:12.919]各种跟他们合作过的明星网红的名字 9 | [00:14.960]往外蹦 10 | [00:15.439]我连话都插不上 11 | [00:16.760]一般遇上这种特别能吹逼的人 12 | [00:18.559]我第一感觉就是很不靠谱 13 | [00:20.440]但同时呢 14 | [00:21.239]我又会怀疑自己 15 | [00:22.480]可能他真的很牛 16 | [00:23.440]只是我境界太低 17 | [00:24.600]看不懂听不懂 18 | [00:25.839]我猜 19 | [00:26.359]淡粉内向且不善言辞的人 20 | [00:28.239]应该都有过这类纠结 21 | [00:29.719]一方面反感这种华而不实的人 22 | [00:32.079]一方面又希望自己也能拥有这份自信 23 | [00:35.159]那么有没有什么办法 24 | [00:36.280]能迅速判断出一个人的实力 25 | [00:38.479]以避免被忽悠呢 26 | [00:39.719]有没有什么办法 27 | [00:40.600]能迅速美化和展现自己的实力 28 | [00:42.759]在别人面前呈现一个自信的自己 29 | [00:45.200]作为一个在商业世界打拼7年的奸商 30 | [00:47.640]这方面我还是有一丢丢心得的 31 | [00:49.679]今天抛砖引玉 32 | [00:51.039]分享一下我的经历 33 | [00:52.640]首先作为一个小公司的老板 34 | [00:57.399]我来说一个老板们都心照不宣的共识 35 | [01:00.000]没有哪个老板是不吹牛的 36 | [01:02.439]只不过有的老板比较豪放 37 | [01:04.120]100分的实力吹出1000分的效果 38 | [01:06.439]而有的老板比较收敛 39 | [01:07.719]100分的实力吹出120分的效果 40 | [01:10.120]创业圈基础操作就是 41 | [01:11.640]公司用户500万会吹成千万用户 42 | [01:13.879]融资1000万估值5000万 43 | [01:15.599]首期融资到账200万 44 | [01:17.159]会直接吹成公司估值一个亿 45 | [01:19.159]让别人觉得是在跟一个 46 | [01:20.439]身家过亿的人说话 47 | [01:21.879]当老板呢 48 | [01:22.519]为了一个数字能更好看 49 | [01:23.760]都非常擅长四舍五入 50 | [01:25.920]包括我自己 51 | [01:26.799]我在往期视频说 52 | [01:27.719]我之前带领过百人销售团队 53 | [01:29.879]其实这个是有水分的 54 | [01:31.439]我团队最高峰人数是85人左右 55 | [01:33.840]我吹成了100人 56 | [01:35.120]因为百人销售团队听起来更厉害是吧 57 | [01:37.480]85人就没那么好听了 58 | [01:39.400]再比如我发这个B站视频的时候 59 | [01:41.319]B站大概48万粉 60 | [01:42.920]等它到了50万粉 61 | [01:44.280]我就能对外吹嘘说 62 | [01:45.560]在下不才 63 | [01:46.640]B站萌新up主粉丝大几十万吧 64 | [01:49.280]实际上如果我再大胆一些 65 | [01:50.879]我把我公众号7万粉加 66 | [01:52.400]某乎的13万粉全都算上 67 | [01:54.280]我就可以说 68 | [01:55.280]现在我全网粉丝接近百万 69 | [01:57.519]当然我不会针对外这么说 70 | [01:59.079]我只是向大家展示 71 | [02:00.319]这个牛逼一般是怎么吹起来的 72 | [02:02.079]而且我可以告诉你 73 | [02:03.040]像我这种六七十万吹成百万 74 | [02:05.040]在商人的圈子里 75 | [02:06.120]横向对比已经算是 76 | [02:07.239]非常良心和低调的吹逼了 77 | [02:09.759]我平常进的一些社群里面 78 | [02:11.400]大佬们动不动就全网一亿粉丝 79 | [02:13.879]我也不敢问这一亿粉丝是怎么算出来的 80 | [02:15.919]可能人家真有那么厉害吧 81 | [02:17.280]我说这也只是想让你意识到 82 | [02:18.879]老板们都是吹牛逼的 83 | [02:20.199]不用因为他吹牛逼 84 | [02:21.479]就立马判断这个人不靠谱 85 | [02:23.159]哪个老板没给员工画过大饼呢 86 | [02:24.960]是吧 87 | [02:25.280]老板不光给员工画大饼 88 | [02:26.879]最擅长给自己画大饼 89 | [02:28.560]一个大目标先立起来 90 | [02:29.919]甭管能不能完成 91 | [02:31.159]放倒那儿就是一个吉利 92 | [02:32.680]创业初期是很需要这种 93 | [02:34.240]盲目的乐观主义精神的 94 | [02:35.719]是需要给自己洗洗脑的 95 | [02:37.560]不然一些坎真的过不去 96 | [02:39.159]所以不要以是否吹牛逼画大饼 97 | [02:41.159]判断一个人的实力 98 | [02:42.120]有句话叫做不要看他说了什么 99 | [02:43.960]而要看他做了什么 100 | [02:45.319]我们可以通过一个人动作的细节 101 | [02:47.360]来判断他的实力 -------------------------------------------------------------------------------- /assets/a238efc8e01a2e5add3f61aca7ac7e9.jpg: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/zj1123581321/Adjust_SubTitle/3a5d4d3e759d4d98cd35a7274b96651c43b5f350/assets/a238efc8e01a2e5add3f61aca7ac7e9.jpg -------------------------------------------------------------------------------- /assets/a62c7ecbd2822d514a87ec97eb95555.jpg: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/zj1123581321/Adjust_SubTitle/3a5d4d3e759d4d98cd35a7274b96651c43b5f350/assets/a62c7ecbd2822d514a87ec97eb95555.jpg --------------------------------------------------------------------------------