【开源免费】使用 Python + Whisper + PyDub 自动切割长音频文件

文章目录

一：环境准备
- [1、安装 FFmpeg](#1、安装 FFmpeg)
- [2、安装 Python 库](#2、安装 Python 库)
[二：编写与运行 Python 脚本](#二：编写与运行 Python 脚本)
- [1、创建一个新的 Python 文件，内容如下：](#1、创建一个新的 Python 文件，内容如下：)
- 2、设置参数
三：运行脚本
- 1、运行脚本，生成目标文件。
- 2、测试目标文件

一：环境准备

1、安装 FFmpeg

从 FFmpeg官网下载FFmpeg

https://ffmpeg.org/download.html
解压后将 bin 目录路径添加到系统环境变量 PATH 中，如下图所示

验证安装：在终端输入 ffmpeg -version，看到版本信息即成功。

ffmpeg -version

2、安装 Python 库

打开命令提示符安装开源语音识别模型openai-whisper。
打开命令提示符安装用于音频切割和格式处理的工具 pydub。

pip install openai-whisper pydub

二：编写与运行 Python 脚本

1、创建一个新的 Python 文件，内容如下：

复制代码

import whisper
from pydub import AudioSegment
import json
import os

def split_mp3_by_sentences(input_mp3_path, output_dir="output_chunks", model_size="base"):

    # 1. 准备输出目录
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    # 2. 加载 Whisper 模型并转写，获取带时间戳的文本
    print(f"正在加载 Whisper '{model_size}' 模型...")
    model = whisper.load_model(model_size)
    print(f"正在转写音频: {input_mp3_path}，请稍候...")
    result = model.transcribe(input_mp3_path, word_timestamps=False, language="zh")

    # 3. 从结果中提取句子和其时间戳
    # Whisper 的 'segments' 就是句子/段落级的时间戳
    segments = result['segments']
    print(f"识别出 {len(segments)} 个句子/段落。")

    # 4. 加载原始音频
    audio = AudioSegment.from_mp3(input_mp3_path)

    # 5. 根据时间戳切割并导出音频
    for i, seg in enumerate(segments):
        start_time = int(seg['start'] * 1000)  # 转为毫秒
        end_time = int(seg['end'] * 1000)      # 转为毫秒
        text = seg['text'].strip()

        # 切割音频
        chunk = audio[start_time:end_time]

        # 创建文件名（清除文件名中的非法字符）
        safe_text = "".join(c for c in text if c.isalnum() or c in (' ', '-', '_')).strip()
        chunk_filename = f"sentence_{i+1:03d}_{safe_text[:30]}.mp3"
        chunk_filepath = os.path.join(output_dir, chunk_filename)

        # 导出音频片段
        chunk.export(chunk_filepath, format="mp3")
        print(f"已保存: {chunk_filename} (来自 {seg['start']:.2f}s - {seg['end']:.2f}s)")

    print(f"\n所有分割完成！文件保存在目录: {output_dir}")

#你的MP3文件路
if __name__ == "__main__":
    # 输入你的长 MP3 文件路径
    your_audio_file = "123_test.mp3"  # 请修改为你的文件路径
    # 选择模型大小：对于中文，'base' 是速度和精度的良好平衡
    model_to_use = "base"
    # 输出文件夹名称
    output_folder = "sentences_output"

    # 运行函数
    split_mp3_by_sentences(your_audio_file, output_folder, model_to_use)

2、设置参数

将上述代码保存为一个py文件，如 mp3_cut.py

打开 mp3_cut.py文件，设置你的音频文件路径。如下图

三：运行脚本

1、运行脚本，生成目标文件。

打开终端，运行mp3_cut.py
如果你是首次运行，会自动下载指定的 Whisper 模型，下图中的 base模型。

2、测试目标文件

完成后，你的目标文件会保存在脚本所在目录下的 sentences_output 文件夹中