墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
6.4k累计阅读
6.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
哇
觉得不记录下来不足以表达我的兴奋
学习自：
https://www.bilibili.com/video/BV1Ko4y1Q7Xr
主要工具：
1 剪映 windows版本（官网下载） https://lv.ulikecam.com/
2. https://jy.mzh.ren 在线根据json文件转换为 srt 文件
此前我还用讯飞的录音软件在线转文字，还花了8块钱，识别率还没有剪映高
需要注意的是，新版的剪映，生成的 json文件 在 剪影的安装文件夹平级文件夹下：
*/JianYingPro Drafts/8位日期和4位时间/draft_content.json
里，导入 https://jy.mzh.ren 即可。
b站字幕提取
这是一篇关于从B站下载字幕的两种方法指南。方法一通过Kedou在线解析器获取SRT字幕，再转换为TXT格式；方法二则利用浏览器开发者工具获取JSON格式字幕数据，再通过在线工具转换。两种方法都提供了详细的步骤说明和对应的网址工具，方便用户根据需求选择适合的字幕下载方式。
使用剪映提取视频中的字幕并导出（txt或srt格式）
将视频字幕导出到txt或srt文档中
json to srt(只转文本)
字幕 文本 转码
Python实现json字幕转换为srt字幕
在B站下载了一个英文视频，点开来看，发现没有字幕，又在B站上下了字幕，是json格式的，但我的PotPlayer不支持json格式的字幕，顿时感觉被坑了，上网搜了搜json字幕转换其他字幕格式的工具，结果并没有这种东西，倒是找到了一篇srt字幕转json字幕的博客，反正闲着没事，我就参照着这篇博客用python写了个将json字幕转换为srt字幕的脚本。 先看看srt字幕的格式： 首先第一......
剪映5.9.0版本，对应的json文件未加密
剪映5.9.0版本，对应的json文件未加密
B站Json字幕转换为Srt字幕源码
B站Json字幕转换为Srt字幕源码。@花嘻嘻。
如何免费识别视频中的中文语音并导出标准srt字幕文件?
随着手机影像硬件的进步, 普通人录制的视频也越来越多，为了提升视频观看体验，视频添加字幕的需求也越来越大，人工加字幕是一件费时费力的工作，这里讲述一个免费为视频添加字幕的方案。 《剪映专业版》是《抖音》的配套剪辑软件，最近推出了PC版。PC版保留了自动为视频添加字幕的功能。美中不足的是，无法导出标准的srt字幕，不过有开发者写了一个小工具剪映json转srt.exe, 可以将《剪映专业版》项目中保...
FPGA时序约束--实战篇（读懂Vivado时序报告）
本文将详细介绍如何读懂Vivado时序报告，包括报告的基本结构和如何分析报告。
视频字幕提取文本软件哪个好，帮你高效提取字幕
什么，你还不知道视频字幕提取功能是什么，你还在好奇视频字幕提取在线软件哪个好吗？哈哈，这些问题我也碰到过，经过一番探索，我终于了解视频字幕提取功能的原理及作用，也找到了更为便捷的电脑端视频转文字软件。其原理是利用计算机视觉技术对视频进行分析，从中提取出与字幕相关的信息，如文字、语音等，并将其转换成文本格式，以便后续的处理和使用。在观看视频时，人们通常需要同时观看字幕和视频内容，以便更好地理解视频内容。总之，对于一些经常需要提取视频字幕的朋友而言，拥有一款好用的视频字幕提取软件十分重要。
Memory SystemsCache, DRAM, Disk翻译学习DRAM部分(二)
DRAM 的发展史
我看MFC的过去、现在和未来
首先说句题外话，虽然我现在的“主业”是Qt，但自己扪心自问，对MFC的熟悉程度要超过Qt。正是由于有了对MFC的熟悉，才能在使用Qt时，比较清醒的认清两者的优劣之处，在此暂且不提。 这个话题也可以说是由来已久，众说纷纭，今时我也谈谈自己的感悟。 一、对MFC的总体看法 首先看看云风在其《游戏之旅-我的编程感悟》一书中对MFC的看法： “我所见到的程序员中，很多把C+
20240212请问如何将B站下载的软字幕转换成为SRT格式？
file += str(hour).zfill(2) + ':' + str(minute).zfill(2) + ':' + str(sec).zfill(2) + ',' + str(minisec).zfill(2) # 将数字填充0并按照格式写入。File "N:\DOCX\20240212请问如何将B站下载的软字幕转换成为SRT格式？C:\Users\Administrator>cd N:\DOCX\20240212请问如何将B站下载的软字幕转换成为SRT格式？
高精度SAR ADC设计实战：从建模到版图的16位1MSPS实现
本文详细介绍了16位1MSPS高精度SAR ADC的设计过程，从建模到版图实现的完整流程。重点探讨了分段电容阵列设计、校准算法实现及版图匹配等关键技术，展示了如何在180nm工艺下实现92.5dB SNDR和109.6dB SFDR的高性能指标。文章特别强调了整数桥接电容设计对提升匹配精度的关键作用，为高精度模数转换器设计提供了实用参考。
视频硬字幕提取中的图像处理技术：水印与场景文本过滤全解析
在视频内容处理领域，硬字幕提取是一项关键技术，广泛应用于视频翻译、内容检索和无障碍观影等场景。然而，复杂的视频背景、动态场景变化以及水印干扰，常常导致字幕识别准确率下降。本文将深入解析视频硬字幕提取中的图像处理技术，重点探讨水印去除与场景文本过滤的实现方案，并结合[video-subtitle-extractor](https://link.gitcode.com/i/65c7ff995c3418...
【R】R画图不显示中文问题
系统mac os 11 RstutioVersion1.2.1335 RVersion3.6.2 画图里的中文一直显示成方框。 ggplot()+geom_point(aes(x=ta1$X2011年,y=ta1$X2012))+ xlab("2011年")+ylab("2021年") 解决方案： 使用showtext。 install.packages("showtext", repos = "https://mirrors.ustc.edu.cn/CRAN/") in...
东北大学计算机预推免（双非友好）
东北大学，个人觉得在985里面对双非比较友好，而且学校的计算机专业实力也比较强，上岸难度不算很大，可以重点关注一下。学校复试审核的时间比较早，拿到复试资格之后，一定要留意报名系统首页中计算机学院的信息，学校也会在全国各地不同时间安排面试，可以根据自己的情况选择一个合适的时间前去面试，并且有对应面试场次的QQ群，信息会在群里面发布。面试成绩会在预推免系统中直接公布，但是是否拟录取不会公布，需要考生自行判断，今年计算机学院录取线定在了86分左右，最终递补下来，好像录取到了84分左右。
python 视频提取字幕
python 视频提取字幕
【实战篇】【硅基流动API+Cherry Studio搭建个人知识库全流程解析：从零到精通的超详细指南】
在人工智能技术高速发展的今天，基于大语言模型的知识库已成为开发者提效的必备工具。然而云端服务存在响应延迟、数据隐私、硬件依赖等痛点。通过硅基流动API与的深度整合，我们既能享受大模型的强大能力，又能实现本地化部署与高效管理。本文将从环境配置到高阶调优，手把手带你构建企业级知识库系统。
如何快速插入视频字幕？
如何快速插入视频字幕？ 我发现随着自媒体短视频的创作成为一波热潮以后，很多人都想加入这一行列。所以在看知乎、小红书这一类平台时，很多人都在问新手应该如何剪辑视频。 其实只要找到技巧以后剪辑短视频也并不是一件非常困难的事情，即使是对于自媒体新手来说，也可以一样轻松创作出优质的短视频。 我在创作短视频的时候，最头疼的就是在剪辑视频时插入字幕。因为插入字幕需要准备好字幕文案，一个字一个字将字幕的内容还打出来必须保证文字的准确率。在创作时间比较长的视频时，添加字幕更是一件非常麻烦的事情。因为视频的字幕其实就来自于视
57、振荡扫描仪的挠性枢轴：原理、设计与材料选择
本文深入探讨了振荡扫描仪中挠性枢轴的工作原理、设计方法与材料选择。挠性枢轴因其无润滑、高精度、低周期性误差和潜在无限寿命等优势，广泛应用于光学、太空、医学和半导体等领域。文章分析了其在小角度下的优异性能与无法连续旋转等局限性，提供了关键设计公式，并对比了多种挠性材料的性能指标。同时，结合不同应用场景提出设计优化策略，并展望了微型化、智能化和高性能材料等未来发展趋势，为工程实践提供了系统的设计流程与选型建议。
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
视频字幕提取软件叫什么？自动捕捉视频中的旅行小贴士
今天分享的视频字幕提取在线免费工具各具特色和优势，大家在挑选时，需要综合考虑多个因素，包括服务的专业水平、自动化处理能力，以及是否能够满足特定使用场景的具体需求。通过应用尖端的自动语音识别系统，视频中的口头表达被即时转换成规范的书面文本，确保了信息传递的流畅性和实时性。除了对常用语言的支持，这款软件还扩展到了对多种语言的识别与转换能力，满足了在全球化环境下，不同地区和语言人群的具体需求。好消息是，现在有些软件可以自动提取视频中的字幕，让你在旅途中能随时回顾那些重要的信息，而不必再担心错过任何细节。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
视频字幕识别新利器：利用腾讯混元OCR提取任意视频文本内容
腾讯HunyuanOCR通过端到端多模态模型实现精准视频字幕识别，支持自然语言指令提取、过滤与翻译，结合抽帧与去重算法可构建全自动字幕生成流水线，适用于教育、影视与跨国内容处理场景。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
视频字幕提取文字还不知道有哪些好用的软件？快来收藏这些软件
视频转文字助手”是一款能够将视频中的文字提取出来的工具，它能够轻松地将视频中的语音转化为文字，生成文字文件。当我们需要将视频中的内容提取为文本信息进行编辑或者翻译时，只需要将视频上传到视频转文字助手中，然后进行文字提取操作，即可得到准确的文字文件。不管是在学习中需要记录视频讲解的内容，还是在工作中需要提取视频中的关键信息，视频字幕提取文字功能都能帮助我们提升效率。想象一下，当你看到一段有趣的视频时，只需简单的操作，就能将其中的文字提取出来，但事实上，它还隐藏了许多好用的工具，视频转文字就是其中的一个。
5个步骤掌握视频字幕提取：本地OCR技术让硬字幕秒变可编辑文本
还记得那个让你抓狂的时刻吗？看到一段精彩的演讲视频，想要记录其中的金句，却无法复制硬字幕；学习外语时，想要提取视频对话文本，却只能手动逐字记录。😫 现在，video-subtitle-extractor这个开源项目彻底改变了这一现状，让你在5分钟内就能将视频中的硬字幕转换为可编辑的文本文件。 ## 当字幕无法复制时，你在经历什么？ 想象一下这些真实场景：你在观看一场TED演讲，主讲人的某句话
视频字幕提取实战指南：三步让硬字幕秒变可编辑文本
你是否曾经遇到过这样的困境？看到一段精彩的演讲视频，想要摘录其中的金句；学习外语时，需要提取视频对话文本；整理培训视频内容，却苦于无法复制硬字幕。传统的手动记录耗时耗力，而在线服务又存在隐私风险。今天，我将带你使用本地OCR技术，通过三个简单步骤，将视频中的硬字幕轻松转换为可编辑文本。 ## 第一步：环境准备与软件安装 让我们从最基础的开始。首先获取项目源码： ```bash git clo
如何将MKV的字幕提取出来
下载mkvtoolnix，再下载一个单独的工具mkvextractgui2放到mkvtoolnix的安装目录。 注意：mkvtoolnix最好要下载20以下的版本，不然MKVExtractGUI载入视频时可能显示访问地址冲突。我这里实在filehorse网站下载的19版本。 使用mkvextractgui2，打开mkv，找到字幕轨道，提取即可。 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
985
扫一扫
