有哪些时间戳比较准确的语音转字幕服务？

4 天前
 henix

场景：做视频加字幕（中文，不需要翻译），希望先自动出个字幕，然后人工校对

可接受付费，最好付给不会跑路的大厂

尝试过：

1. 本地跑 openai-whipser

2. 剪映字幕识别

3. 腾讯云录音文件识别 https://cloud.tencent.com/document/product/1093/37823

1203 次点击
所在节点    程序员
10 条回复
JensenQian
4 天前
飞书以前有免费额度的
最近不知道是不是限制了我记得
timerring
4 天前
我在去年下半年做过一个直播录制识别字幕并压制的项目 https://github.com/timerring/bilive

我基本上试遍了市面上的字幕识别项目以及 api ，效果很难达到你说的既能精确到 0.1 秒（实际上精确到 0.1 秒作用也不大，除非你做的是某类型的说唱字幕，1 秒能输出若干字），又能准确识别断句，还能合理地将句子划分刚好合适，最后还是选择本地跑 openai 的 whisper ，其实很多时候没有 silver bullet ，但就 asr 任务来说，要方便就选剪映，要实惠就选本地跑 whisper ，至于其他云服务商例如腾讯云，讯飞，谷歌等等，则是既不实惠也不方便，效果也没差别。
mumbler
4 天前
groq 刚刚开放了付费，whisper 飞一样的速度，还很便宜
rekulas
4 天前
我之前搞过,基于开源语音识别+分词进行字幕生成, 纯中文下误差可以控制在 200ms 内, 用于视频生产服务, 后面空了整理个开源出来
yeqizhang
4 天前
用 faster-whipser ，显卡好点就会快点
coreJK
4 天前
可以试试 potplayer 的，有声字幕功能，满足你的场景，带字幕浏览器功能，可人工编辑导出（封装的 faster-whipser ），挺好用的
Nosub
4 天前
看到熟悉的话题，说两句，无论腾讯云还是阿里云，都可以精确到词的 api 参数，如果你是程序员，写一个分词并不难，另外如果你是自己制作视频，不是做软件，用剪映旧版本，语音识别没有次数限制。
henix
4 天前
@Nosub 确实，我今天又看了下，有精确到词的 api 参数，之前只是在控制台网页上试了一下
shellus
4 天前
相对来说，剪映识别效果最好，人工修正必不可少的。
heimoshuiyu
4 天前
> 本地跑 Python ，比较慢

使用 faster-whisper + 显卡

> 识别中文的时候，时间戳只能精确到 1 秒，而不是 0.1 秒（明明识别日语的时候都可以精确到 0.1 秒），导致字幕展示时间不精确，不能用

开启 word level timestamp ，默认是不开的

> 翻译

使用 https://heimoshuiyu.github.io/whisper-web/ 转录同时利用 GPT 翻译字幕

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://tanronggui.xyz/t/1109990

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX