用FunASR轻松实现音频转SRT字幕：完整脚本与解析

在视频创作、内容归档或多语言传播场景中，为音频生成字幕（SRT文件）是一项常见需求。借助开源语音识别工具FunASR，我们可以快速实现从音频到字幕的自动化转换。

FunASR能轻松的识别音频，并切分好句子，但是我试了几种方式，都不能生成srt字幕文件，所以我就自己写了一个脚本来生成，大家可以看看！

什么是FunASR？

FunASR是阿里巴巴达摩院推出的开源语音识别工具包，支持多语言语音识别、语音活动检测（VAD）、标点预测等功能，且模型轻量化、精度高，非常适合开发者快速搭建语音处理应用。

本文的脚本正是基于FunASR的能力，实现"音频输入→语音识别→时间戳提取→SRT字幕生成"的全流程自动化。

准备工作：环境搭建

在使用脚本前，需先安装FunASR。通过pip即可快速安装：

pip install funasr  # 基础版本

安装完成后，即可运行本文的脚本。

脚本完整解析

以下是基于FunASR生成SRT文件的完整脚本，我们将逐段解析其功能：

# -*- coding: utf-8 -*-

import os
# os.environ['MODELSCOPE_CACHE']='./models'  # 可选：指定模型缓存路径

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

1. 时间戳格式化函数

SRT字幕的时间戳格式为HH:MM:SS,mmm（时:分:秒,毫秒），需要将FunASR返回的"毫秒"时间转换为该格式：

def format_time_ms(milliseconds):
    """将毫秒数格式化为SRT时间戳格式 (HH:MM:SS,mmm)"""
    # 拆分毫秒为"秒"和"剩余毫秒"
    seconds, ms = divmod(milliseconds, 1000)
    # 拆分总秒数为"时、分、秒"
    hours, remainder = divmod(seconds, 3600)
    minutes, seconds = divmod(remainder, 60)
    # 格式化输出（确保两位数/三位数）
    return f"{hours:02d}:{minutes:02d}:{seconds:02d},{ms:03d}"

示例 ：输入83456毫秒（即83秒456毫秒），输出为00:01:23,456。

2. 加载FunASR模型

FunASR的AutoModel可以一键加载预训练模型，这里我们同时启用"语音识别+VAD+标点预测"功能：

model_dir = "damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch"

model = AutoModel(
    model=model_dir,  # 语音识别主模型（支持中英文）
    vad_model="fsmn-vad",  # 语音活动检测模型（区分语音/非语音）
    punc_model='ct-punc',  # 标点预测模型（自动添加逗号、句号等）
    vad_kwargs={"max_single_segment_time": 30000},  # VAD最大片段时长（30秒）
    # device="cuda:0",  # 可选：启用GPU加速（需安装CUDA）
)

• 主模型 ：speech_paraformer-large是达摩院训练的大模型，支持中文普通话，识别精度高。
• VAD模型：用于分割音频中的"有效语音片段"，避免非语音部分干扰。
• 标点模型：自动为识别结果添加标点，让字幕更符合阅读习惯。

3. 音频识别与结果生成

调用model.generate对音频文件进行处理，获取带时间戳的识别结果：

res = model.generate(
    input="C:\\Data\\CodeProject\\llm\\FunASR\\examples\\self\\111.mp3",  # 音频文件路径
    cache={},
    language="auto",  # 自动检测语言（支持中、英、粤、日、韩等）
    use_itn=True,  # 启用逆文本规范化（如"123"→"一百二十三"）
    batch_size_s=60,  # 批量处理时长（60秒）
    merge_vad=True,  # 合并VAD分割的片段
    merge_length_s=15,  # 字幕合并最大时长（15秒，避免字幕过长）
)

关键参数说明：

• input：支持本地音频路径（如MP3、WAV）或URL。
• use_itn=True：将数字、日期等转换为自然语言（如"2023年"而非"2023 nian"）。
• merge_length_s=15：控制单条字幕的最大时长（15秒），避免字幕停留过久。

调用后，res将返回识别结果，包含文本内容（text）和每个字符/单词的时间戳（timestamp）。

4. 生成SRT文件核心逻辑

将识别结果转换为SRT格式，需要按时间戳分割文本，并添加序号和时间戳：

def save_as_srt_with_timestamp_array(res, srt_file_path):
    if not res or len(res) == 0:
        print("结果为空")
        return
	
    # 从结果中提取文本和时间戳
    result = res[0]
    text = result.get('text', '').replace('\t','').replace('\n','')  # 去除换行和制表符
    timestamps = result.get('timestamp', [])  # 时间戳数组（每个元素为[开始毫秒, 结束毫秒]）

    with open(srt_file_path, 'w', encoding='utf-8') as f:
        i = 0  # 文本字符索引
        paragraph = 0  # 字幕序号
        content_tmp = ""  # 临时存储当前字幕内容
        start_index = 0  # 当前字幕的时间戳起始索引
        end_index = -1  # 当前字幕的时间戳结束索引

        while i < len(text):
            char = text[i]

            # 处理英文字母（按单词分割，避免单词被截断）
            if char.isalpha() and char.isascii():
                word_start = i
                # 找到整个英文单词的结束位置
                while i < len(text) and text[i].isalpha() and text[i].isascii():
                    i += 1
                word = text[word_start:i]
                end_index += 1  # 英文单词整体对应一个时间戳索引
                content_tmp += word

            # 处理中文字符（单字分割）
            elif '\u4e00' <= char <= '\u9fff':  # 基本汉字范围
                end_index += 1  # 每个汉字对应一个时间戳索引
                i += 1
                content_tmp += char

            # 处理其他字符（标点、空格等，作为字幕分割点）
            else:
                # 写入当前字幕
                start_ms = timestamps[start_index][0]
                end_ms = timestamps[end_index][1]
                paragraph += 1
                f.write(f"{paragraph}\n")
                f.write(f"{format_time_ms(int(start_ms))} --> {format_time_ms(int(end_ms))}\n")
                f.write(f"{content_tmp}\n\n")

                # 重置临时变量，准备下一段字幕
                i += 1
                content_tmp = ""
                start_index = end_index + 1

核心逻辑：

• 区分中英文处理：英文按"单词"分割（避免"hel-lo"这样的截断），中文按"单字"分割。
• 以标点、空格等作为字幕分割点，确保每条字幕语义完整。
• 用start_index和end_index关联文本与时间戳，保证字幕内容与时间匹配。

5. 执行与输出

最后指定输出路径，调用函数生成SRT文件：

# 生成SRT文件（与音频同名，路径自定义）
srt_output_path = "C:\\Data\\CodeProject\\llm\\FunASR\\examples\\self\\111.srt"
save_as_srt_with_timestamp_array(res, srt_output_path)

使用方法与注意事项

如何使用？

1. 替换脚本中的input路径为你的音频文件（支持MP3、WAV、FLAC等格式）。
2. 替换srt_output_path为你希望保存SRT的路径。
3. 运行脚本，等待生成完成（首次运行会自动下载模型，耗时稍长）。

注意事项

• 模型缓存 ：如需指定模型缓存路径（避免重复下载），取消注释os.environ['MODELSCOPE_CACHE']并修改路径。
• GPU加速 ：若电脑有NVIDIA显卡，取消注释device="cuda:0"可大幅提升速度。
• 字幕长度 ：若觉得字幕过长/过短，可调整merge_length_s参数（如改为10秒或20秒）。
• 多语言支持 ：如需处理英文音频，可将language设为"en"，识别更精准。

总结

借助FunASR的强大能力，我们只需几十行代码就能实现音频到SRT字幕的自动化转换，大幅提升视频创作、内容处理的效率。脚本中对中英文的差异化处理和时间戳关联逻辑，确保了字幕的准确性和可读性。