【Python音视频技术】Python音视频技术系列文章2---视频提取音频转换文字

接上一篇文章【Python音视频技术】玩AI视频创作引发写Python音视频技术系列文章1---视频添加字幕

之前我想在视频中提取音频转换文字，当时是用 PC剪映专业版搞定的，详情见【AI+应用】模仿爆款视频二次创作短视频操作步骤。这里我准备用python来实现类似功能。

先上自己简单写的示例代码：

复制代码

import moviepy.editor as mpimport speech_recognition as sr

def video_to_text(filePath, fileName):    video = mp.VideoFileClip(filePath + fileName)
    audioPath = filePath + '/converted.wav'    video.audio.write_audiofile(audioPath)
    r = sr.Recognizer()    with sr.AudioFile(audioPath) as infile:        audio = r.record(infile)        print(r.recognize_sphinx(audio))

if __name__ == '__main__':    video_to_text("/Users/lwj", "/spring.mp4")

代码简单解释下，先把视频转换成音频文件（这里转换成wav格式），然后SpeechRecognition离线识别文字。

需要注意的是SpeechRecognition支持语音文件类型:

复制代码

WAV: 必须是 PCM/LPCM 格式AIFFAIFF-CFLAC: 必须是初始 FLAC 格式；OGG-FLAC 格式不可用

recognize_sphinx()语音识别器，它既可以联网工作，也可以离线工作，离线必须安装pocketsphinx库。

这里采用离线方式。

pip3 install SpeechRecognition

pip3 install pocketsphinx

备注： moviePy安装可以参考上一篇文章，这里就不细写了。

python3 video_to_text.py

直接安装运行后会发现，对应目录产生了音频文件，生成的文字等待了很长时间，出来一堆牛头不对马嘴的英文。这时候，我在想，应该是要找安装中文声学模型、语言模型和字典文件。

参照网上的做法：先找中文包下载地址：

https://sourceforge.net/projects/cmusphinx/files/Acoustic and Language Models/Mandarin/

python安装目录下找到Lib\site-packages\speech_recognition：

如果你有很多python安装版本，不知道Python路径，可以通过命令

pip3 show speechRecognition 查找。

点击进入pocketsphinx-data文件夹，并新建文件夹zh-CN：在这个文件夹中添加进入刚刚解压的文件，需要注意：把解压出来的zh_cn.cd_cont_5000文件夹重命名为acoustic-model、zh_cn.lm.bin命名为language-model.lm.bin、zh_cn.dic中dic改为pronounciation-dictionary.dict格式。

修改了代码 print(r.recognize_sphinx(audio)) 为

print(r.recognize_sphinx(audio, language='zh-cn'))

重新运行 python3 video_to_text.py，音译的什么玩意。还是有点牛头不对马嘴。

个人猜想有2个原因，待确定。

1、pocketsphinx离线版中文音译并不理想

2、我这个原视频杂音太多，除了字幕的音频，还有音乐。影响具体的文字识别。后续找个其他视频试一下。

文章先到这里。主要是因为本周末下午天气很好，待会陪小孩玩足球，先不折腾了。这个只是跑通了流程，并不是太满意实际效果。

未完待续