本文介绍了如何使用Python从视频中提取文字。首先，详细讲解了提取音频的参数设置，如采样率、位深和格式。接着，通过代码展示了将视频转为音频以及对长音频进行切割的实现过程。最后，讲述了音频转文字的步骤，以及整合所有文字输出的方法。
前段时间办公室出现一奇葩需求，要把一段授课视频转换为文字，为了实现这个目标我四处搜罗找了几款APP进行了多步操作，总体感觉比较麻烦。想想怎么说我们也是玩Python ，为啥不用Python呢～～说干就干，经过一番分析和搜索，还真被我搞定了，下面跟大家分享一下。
01
思路
直接写实现过程可能会有点混乱，就先讲一讲该功能的设计思路吧！
1).提取文字
这次我们的最终目的是要拿到文字稿，在一段视频中真正包含文字信息的其实不是视频文件而是音频文件，这下问题就变成从音频提取文字也就是语音识别。
关于语音转换文字，腾讯/百度/讯飞都提供有自己的API ，大家可以根据自己的习惯选用，我用的是百度API，就以此为例进行演示。
接下来就要去查百度的语音识别API文档，看看它对待提取的音频文件有什么要求，下图就是百度的python SDK文档页面:
在这个文档中，对百度语音识别API所支持的音频格式进行了明确，概况起来主要有三点要求：
-
参数：16k 采样率、16bit 位深、单声道；
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
