😄用AI生成「中文字幕」靠谱吗？

1、引言

上节《音视频转文字不求人，OpenAI Whisper来帮您》教了大家用Whipser来生成音视频的字幕，有胖友在评论区提到：

如果我没理解错的话，你们的朋友 想要的是：

直接生成中文字幕，以便进行电影剧情的解读。

不过，我很抱歉的通知您，不太靠谱🐶， 但也不是不能用，本节我们就来探索用AI下生成中文字幕的过程吧。

2、buzz无脑提取字幕 + Google翻译

用 chidiwilliams/buzz 直接选中电影，Language(语言) 选中 Japanese(日语) ，然后点击Run() 开始生成：

漫长的等待，2小时40分钟的视频，使用tiny模型，足足花了将近25分钟（当然，不排除是我电脑垃圾🤕）打开生成的字幕文件(txt)，全选Copy到谷歌翻译看下翻译效果：

😨 这都什么鬼东西啊？？？我简单介绍下片头：

河北老乡的前男友打电话给她问好，说自己现在日本，工作提前结束，想约她明天见个面。

感觉有可能是tiny模型不行，分别试试 Small、Medium 和 Large，在此之前要 截取视频，不然跑一天都可能提取不完，简单点直接裁视频的前10分钟作为样本，这部分对话比较多一些。直接用 ffmpeg命令 截取视频片段：

bash
复制代码
 ffmpeg -i "xxx.mp4" -t 00:10:00 -c copy short.mp4

接着依次选择三个不同的模型进行字幕生成，在漫长等待过程中，我们整下活，看能否提高生成中文字幕的准确率。

3、ffmpeg 提取音频

Whisper 在生成字幕时肯定有做ffmpeg转换，把视频转换为音频再进行识别，这里我们自己来转一下，可以直接命令行：

bash
复制代码
ffmpeg -i short.mp4 -vn -af "pan=1c|c0=c1" -ac 1 -f wav -acodec pcm_s16le short.wav

也可以Python 调 ffmepg-python 库来调：

python
复制代码
def fetch_audio_from_video(video_path, audio_path):
    ffmpeg.input(filename=video_path).output(audio_path, af="pan=1c|c0=c1", ac="1", acodec='pcm_s16le', f='wav').run()

简单介绍下上面的参数：

• -i：输入的视频文件
• -vn：不处理视频流，只保留音频
• -af “pan=1c|c0=c1” : 音频过滤器，1个声道，第0声道复制第1声道，实现单声道化（就是只取第二个声道，人声一般在右声道）
• -ac 1：输出单声道音频
• -f wav：输出为wav格式
• -acodec pcm_s16le：使用pcm_s16le编码，6位采样深度的无损编码

上面做的事情就是，提取单声道的wav音频，提取的速度非常快啊：

接着搞下人生分离，就是去掉背景音乐啥的，用Spleeter库来做~

4、Spleeter 提取人声

Spleeter 是 Deezer 源分离库，带有用 Python 编写并使用 TensorFlow 的预训练模型。简单点说：可以用它来分离音频文件中的伴奏和人声。使用方法很简单，pip装下库：

bash
复制代码
pip install spleeter

接着 Github仓库 下载预测模型：

下载后本地创建一个 ****spleeter 文件夹，在里面再创建一个 pretrained_models 文件夹，把下载的压缩包解压到里面，结构如下：

打开命令行，cd到 spleeter 目录下，键入下述命令：

bash
复制代码
spleeter separate -p spleeter:2stems E:Codeshort.wav -o E:

这里要注意，输入/输出文件的 路径不能包含中文！！！不然会报错：Error: Missing argument ‘FILES…‘.

打开生成文件目录，可以看到伴奏和人声，打开听了下人声，伴奏(背景音乐)确实去掉了~

5、Hugging Face 翻译文本

前面切换不同模型进行字幕提取，终于执行完毕了：

依次打开结果验证，直接CV到百度翻译，依旧稀烂：

想试试百度这个AI翻译，结果只支持中英互译，搜了下AI离线翻译，结果发现了 Hugging Face，赫尔辛基大学开源免费的多语言翻译模型 (目前1440个)：

在这里找了下，没找到 日转中 的模型，只找到 日转英，那就只能转两遍了，先 日转英 再 英转中，只需要下载红框里的这7个文件（附：《不同语言及英文简称对照表》）：

放到两个指定的本地文件夹中：

接着pip装下包：

bash
复制代码
pip install transformers[sentencepiece]
pip install torch
pip install sacremoses

接着通过加载本地模型来实现翻译功能：

python
复制代码
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
from transformers import pipeline

if __name__ == '__main__':
	ja_en_model_path = r"E:CodeHugging Faceja-en"
    ja_en_tokenizer = AutoTokenizer.from_pretrained(ja_en_model_path)
    ja_en_model = AutoModelForSeq2SeqLM.from_pretrained(ja_en_model_path)
    pipeline = pipeline("translation", model=jap_en_model, tokenizer=jap_en_tokenizer)
    result = pipeline(read_file_text_content("short.txt"))
    print(result[0]['translation_text'])

运行后报错：

原因：输入文本过长，超过了模型支持的最大长度512个token，序列过长导致index出错，解法就是对输入的文本进行分割。修改后的代码：

python
复制代码
if __name__ == '__main__':
    ja_en_model_path = r"E:CodeHuggingFaceja-en"
    ja_en_tokenizer = AutoTokenizer.from_pretrained(ja_en_model_path)
    ja_en_model = AutoModelForSeq2SeqLM.from_pretrained(ja_en_model_path)
    ja_en_pipeline = pipeline("translation", model=ja_en_model, tokenizer=ja_en_tokenizer)
    translation_content = read_file_text_content("short.txt")
    content_length = len(translation_content)
    range_index = 0
    range_count = math.ceil(content_length / 512)
    while True:
        if range_index == range_count:
            break
        result = ja_en_pipeline(translation_content[512 * range_index: 512 * (range_index + 1)])
        print(result[0]['translation_text'])
        range_index += 1

运行后控制台输出日转英：

接着把英转中的代码也安排上：

python
复制代码
en_cn_model_path = r"E:CodeHuggingFaceen-zh"
en_cn_tokenizer = AutoTokenizer.from_pretrained(en_cn_model_path)
en_cn_model = AutoModelForSeq2SeqLM.from_pretrained(en_cn_model_path)
en_cn_pipeline = pipeline("translation", model=en_cn_model, tokenizer=en_cn_tokenizer)

en_result = ja_en_pipeline(translation_content[512 * range_index: 512 * (range_index + 1)])
zh_result = en_cn_pipeline(en_result[0]['translation_text'])
print(zh_result[0]['translation_text'])

再次运行看看输出结果：

😲em…这翻译结果不太对啊，而且等挺久的，试试改成逐行翻译：

python
复制代码
translation_content_list = read_list_from_file("short.txt")
for translation_content in translation_content_list:
    en_result = ja_en_pipeline(translation_content)
    zh_result = en_cn_pipeline(en_result[0]['translation_text'])
    print("{} === {}".format(en_result[0]['translation_text'], zh_result[0]['translation_text']))

运行看看输出结果：

😑 比对下原字幕，直接把我整无语了，这让我想起一个中国的成语：以讹传讹，指的是：本来就不正确的话又错误地传出去，越传越错。

解决方法的话两个：找更适合的模型 或者 自己训练模型，这垃圾电脑，自己训练肯定是不可能的。只能再搜搜模型了，搜索片刻，终于找到两个日文转中文的模型：larryvrh/mt5-translation-ja_zh 和 neverLife/nllb-200-distilled-600M-ja-zh

😰 4.92G的模型让我望而却步，好在 Hugging Face 支持 测试模型，输入要翻译的日文，然后点击 Compute 就会加载模型，然后进行调用测试：

大模型就是叼，确实准确很多，不过跟我的垃圾主机无缘😭，但这种通过API调用别人模型的方式可以有~

6、OpenAI 翻译文本

通过API调别人训练好的模型来获取翻译结果，好处：不用自己折腾，不需要硬件资源，可以搞并发。坏处：当然是得 花钱 🤡。

快速校验翻译效果的方法肯定是直接问 ChatGPT，直接写个简单的prompt：

你是一个专业的翻译工作者，请将下面这段日文的段落翻译成中文：xxx

翻译结果如下：

卧槽，🐮牛逼，和原字幕匹配度至少有七成，如果有openai token的话，可以用python代码调用下：

python
复制代码
def translate_by_openai(content):
    openai.api_key = "sk-xxx"
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt="你是一个专业的翻译工作者，请将下面这段日文的段落翻译成中文：{}".format(content),
        temperature=1,
        max_tokens=2000,
        frequency_penalty=0,
        presence_penalty=0
    )
    print(response["choices"][0]["text"].strip())

运行结果和ChatGPT的大同小异：

又试了下 Claude，翻译结果稍微差一点，文心一言 的话(🤣笑死)：

在视频播放的时候挂载字幕的话，需要 srt 文件 (Whisper有生成)，用vs之类的代码编辑器打开此文件：

全选复制，接着换个prompt：

你是一个专业的翻译工作者，请将下面这段日文的歌词文件翻译成中文，要保留时间和序号：xxx

因为内容比较长，途中需要点几次 Continue generating：

生成结果（后面还给我瞎编了一些🤣）：

挂载下字幕看看（白色字我们生成的字幕）：

验证过程，也发现了Whisper生成的时间戳不太准确的问题：

这个可以问题可以用上节提到的库 jianfch/stable-ts 来改善，关于生成中文字幕的探索就记录到这啦🐍~

7、总结

🤡 简单总结下 用AI生成霓虹爱情片的「中文字幕」 的技术要点：

• ffmpeg 提取单声道wav音频
• Spleeter 提取人声
• OpenAI 将字幕翻译成中文

用到的prompt：

• 你是一个专业的翻译工作者，请将下面这段日文的段落翻译成中文：xxx
• 你是一个专业的翻译工作者，请将下面这段日文的歌词文件翻译成中文，要保留时间和序号：xxx