使用 Whisper 生成视频字幕：从提取音频到批量处理

生成视频字幕是许多视频处理任务的核心需求。本文将指导你使用 OpenAI 的 Whisper 模型为视频文件（如电视剧《Normal People》或电影《花样年华》）生成字幕（SRT 格式）。我们将从提取音频开始，逐步实现字幕生成，并提供一个 Python 脚本实现批量处理。此外，我们还将探讨如何处理非英语音频（如中文）并优化字幕质量。

前提条件

在开始之前，请确保安装以下工具：

1. FFmpeg：用于从视频提取音频。

• 安装：
• Windows：下载 FFmpeg 并添加到系统路径。
• macOS：brew install ffmpeg
• Linux：sudo apt-get install ffmpeg（Ubuntu/Debian）或 sudo dnf install ffmpeg（Fedora）

2. Python 3.8+：用于运行脚本和 Whisper。

• 安装 Python：python.org。

3. Whisper：OpenAI 的语音转文字模型。

• 通过 pip 安装：pip install openai-whisper

4. uv（可选）：用于管理 Python 项目环境。

• 安装：pip install uv

5. 视频文件：准备 MP4 或 MKV 格式的视频文件（如《Normal People》或《花样年华》）。

---

步骤 1：提取音频

第一步是从视频文件中提取音频。我们使用 FFmpeg 将视频的音频流保存为 AAC 格式。

示例命令

为《Normal People》第1季第1集提取音频：

ffmpeg -i /path/to/Normal.People.S01E01.mp4 -vn -acodec copy /path/to/audio/Normal.People.S01E01.aac

• -i：输入视频文件路径。
• -vn：禁用视频流（仅提取音频）。
• -acodec copy：直接复制音频流，不重新编码，保持原始质量。
• 输出：保存为 /path/to/audio/Normal.People.S01E01.aac。

注意事项

• 确保输出目录（如