将视频转为文字—Python

前言

用python实现将视频的声音对白转换成文字，可有以下两种方案：

提取视频字幕

往往视频作者都会在视频底部加上字幕，以提升观看体验。我们可以利用这点，通过python的图像库截取视频画面，再通过文字OCR识别图像上字幕，转写成文字。

视频→音频→文字

有的视频是没有字幕的，我们可以利用python的媒体库，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

读取媒体文件

根据媒体文件类型统一转成WAV格式的音频

将音频分割成30秒以内的短音频(有利于提高调用成功率，并支持多线程以提高效率)

调用语音转文字服务，将音频转为文字，存入txt文本中

将多个文本按照顺序合并

2.借助的工具

python

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

💡

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 都需要申请密钥或用户名/密码组合进行身份验证。

💡

这几个库中只有 recognition_sphinx 与CMU Sphinx 支持引擎脱机工作，其他六个都要连接互联网。

pydub，音频格式转换；

VideoFileClip ，视频格式转换；

3.项目代码实现

以下是主方法代码片段：


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)

        # 将音频文件分割成小段
        split_file_array = split_voice_file(voice_path, project_name, output_path)

        # 多线程批量音频转文字
        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())

详情请访问Github源码 https://github.com/tangly1024/Video2Text