Python语音转文字与SRT生成：融合拼音处理的完整方案

2025年11月14日 互联网

Python语音转文字与SRT生成：融合拼音处理的完整方案

一、语音转文字技术概述

语音转文字（Speech-to-Text, STT）是将音频信号转换为文本信息的技术，在字幕生成、会议记录、智能客服等领域广泛应用。Python生态中，SpeechRecognition库作为核心工具，支持多种语音识别引擎（如Google Web Speech API、CMU Sphinx等），可处理WAV、MP3等常见音频格式。

以Google Web Speech API为例，其基本流程为：加载音频文件→选择识别引擎→发送请求→获取文本结果。示例代码如下：

  1. import speech_recognition as sr
  3. def audio_to_text(audio_path):
  4.     recognizer = sr.Recognizer()
  5.     with sr.AudioFile(audio_path) as source:
  6.         audio_data = recognizer.record(source)
  7.     try:
  8.         text = recognizer.recognize_google(audio_data, language='zh-CN')
  9.         return text
  10.     except sr.UnknownValueError:
  11.         return "无法识别音频"
  12.     except sr.RequestError as e:
  13.         return f"请求错误: {e}"

此代码可实现中文语音的基本识别，但需注意网络连接（Google API依赖）及音频质量对结果的影响。

二、SRT字幕文件生成原理

SRT（SubRip Subtitle）是标准的字幕文件格式，由序号、时间轴、文本三部分组成，每段字幕格式如下：

  1. 1
  2. 00:00:01,000 --> 00:00:04,000
  3. 这是第一句字幕

生成SRT的关键在于时间轴的精确计算。可通过pydub库分析音频时长，结合语音识别结果的时间戳（若引擎支持）或均匀分段策略生成时间轴。例如：

  1. from pydub import AudioSegment
  3. def get_audio_duration(audio_path):
  4.     audio = AudioSegment.from_file(audio_path)
  5.     return len(audio) / 1000  # 转换为秒
  7. def generate_srt_timeline(total_duration, num_segments):
  8.     segment_duration = total_duration / num_segments
  9.     timelines = []
  10.     for i in range(num_segments):
  11.         start = i * segment_duration
  12.         end = (i + 1) * segment_duration
  13.         # 格式化时间（HH:MM:SS,mmm）
  14.         start_str = f"{int(start//3600):02d}:{int((start%3600)//60):02d}:{int(start%60):02d},{int((start%1)*1000):03d}"
  15.         end_str = f"{int(end//3600):02d}:{int((end%3600)//60):02d}:{int(end%60):02d},{int((end%1)*1000):03d}"
  16.         timelines.append((start_str, end_str))
  17.     return timelines

此代码将音频均匀分段，实际应用中需结合语音活动检测（VAD）优化时间轴精度。

三、拼音标注的集成方案

拼音标注可增强字幕的可读性，尤其适用于语言学习场景。Python中，pypinyin库可实现中文转拼音，支持带声调、无声调、多音字处理等模式。示例：

  1. from pypinyin import pinyin, Style
  3. def text_to_pinyin(text, tone=True):
  4.     if tone:
  5.         style = Style.TONE  # 带声调
  6.     else:
  7.         style = Style.NORMAL  # 无声调
  8.     pinyin_list = pinyin(text, style=style)
  9.     return ' '.join([item[0] for item in pinyin_list])
  11. # 示例
  12. text = "你好世界"
  13. print(text_to_pinyin(text))  # 输出: nǐ hǎo shì jiè

集成到SRT生成流程中，需对每句字幕文本处理后，生成“中文+拼音”的复合文本。例如：

  1. 1
  2. 00:00:01,000 --> 00:00:04,000
  3. 你好世界
  4. nǐ hǎo shì jiè

四、完整实现示例

结合上述模块，完整实现流程如下：

  1. import speech_recognition as sr
  2. from pydub import AudioSegment
  3. from pypinyin import pinyin, Style
  5. def generate_srt_with_pinyin(audio_path, output_path, num_segments=10):
  6.     # 1. 语音转文字
  7.     recognizer = sr.Recognizer()
  8.     with sr.AudioFile(audio_path) as source:
  9.         audio_data = recognizer.record(source)
  10.     try:
  11.         text = recognizer.recognize_google(audio_data, language='zh-CN')
  12.     except Exception as e:
  13.         print(f"识别错误: {e}")
  14.         return
  16.     # 2. 计算时间轴
  17.     audio = AudioSegment.from_file(audio_path)
  18.     total_duration = len(audio) / 1000
  19.     timelines = generate_srt_timeline(total_duration, num_segments)
  21.     # 3. 分段处理（简化版：均匀分段）
  22.     sentences = [text[i*len(text)//num_segments : (i+1)*len(text)//num_segments] 
  23.                  for i in range(num_segments)]
  25.     # 4. 生成SRT内容
  26.     srt_lines = []
  27.     for i, (start, end) in enumerate(timelines, 1):
  28.         sentence = sentences[i-1].strip()
  29.         if not sentence:
  30.             continue
  31.         # 拼音转换
  32.         pinyin_text = text_to_pinyin(sentence)
  33.         # 组合SRT条目
  34.         srt_lines.extend([
  35.             f"{i}",
  36.             f"{start} --> {end}",
  37.             f"{sentence}",
  38.             f"{pinyin_text}",
  39.             ""
  40.         ])
  42.     # 5. 写入文件
  43.     with open(output_path, 'w', encoding='utf-8') as f:
  44.         f.write('\n'.join(srt_lines))
  46. def text_to_pinyin(text, tone=True):
  47.     style = Style.TONE if tone else Style.NORMAL
  48.     pinyin_list = pinyin(text, style=style)
  49.     return ' '.join([item[0] for item in pinyin_list])
  51. # 使用示例
  52. generate_srt_with_pinyin("input.wav", "output.srt", num_segments=5)

此代码实现了从音频到带拼音SRT的完整流程，但需注意：

  1. 均匀分段可能割裂句子，实际需结合NLP分句优化。
  2. 语音识别准确率依赖音频质量，建议预处理降噪。
  3. 多音字处理需结合上下文，pypinyin可通过heteronym=True开启多音字模式后手动选择。

五、优化方向与实用建议

  1. 时间轴优化：使用webrtcvad等库检测语音活动，避免静音段生成无效字幕。
  2. 多语言支持：通过language参数切换识别引擎语言（如en-US、ja-JP）。
  3. 性能提升：对长音频分段处理，并行调用识别API。
  4. 错误处理：添加重试机制应对API限流，记录失败片段供人工修正。
  5. 格式扩展：支持ASS等高级字幕格式，添加字体、颜色等样式。

六、应用场景与价值

  1. 教育领域：生成带拼音的中文学习字幕，辅助非母语者理解。
  2. 媒体制作：快速为视频添加双语字幕，提升内容可访问性。
  3. 无障碍服务：为听障人群提供文字化内容，促进信息平等。
  4. 数据分析：将语音转化为结构化文本，便于后续NLP处理。

通过Python的灵活生态，开发者可低成本构建定制化语音转文字与字幕生成系统，满足从个人创作到企业级应用的多样化需求。

最新文章
热门标签