这是一个创建于 215 天前的主题，其中的信息可能已经有所发展或是发生改变。
比如通过一些软件生成了 srt 字幕文本，但是这些字幕文本都比较零散，可以通过写一个解析 srt 文本的程序让它们自动剪接生成一句完整的话吗？然后剪切合并后的语句的时间戳信息也自动合并！没想出啥思路可以解决，想用 Python 来写，搜了下有 srt 相关的库，但是具体的解析思路还没有！
还请相关前辈指导一些思路？不胜感激，^_^
27 条回复 • 2024-05-13 11:46:59 +08:00
 |
1
naminokoe 215 天前
如何定义什么叫做一句完整的话？
|
 |
2
dji38838c 215 天前
中文吗
中文还是比较好搞的，做过 |
 |
6
gaobh 215 天前 via iPhone
扔给 gpt 直接组合就好了，不放心就用工作流就行了，这么简单的问题
|
 |
9
mumbler 215 天前
用 whisper 重新去识别生成字幕，prompt 告诉它按完整句子断句
|
 |
13
XCFOX 215 天前
OP 用的什么什么软件生成的 srt ？ 正常的语音识别输出的不就是一个完整的语句吗？
https://www.xfyun.cn/services/lfasr https://help.aliyun.com/zh/dashscope/developer-reference/paraformer-speech-recognition/ https://www.volcengine.com/product/asr |
 |
15
summerlv OP @XCFOX 剪映，用的剪映的智能字幕识别，识别出来的其实还蛮准确的， 但是就是因为对话形式的字幕，导致有些单词不能成句，然后就需要手动调，感觉比较麻烦，所以想着能不能解析下 srt 文本，然后能够自动调整下成句
|
 |
16
javaluo 215 天前 via iPhone
有 Whisper 识别英文，说不定识别之后效果就么已经不错，没有那种断来断去的问题我
|
 |
17
sm1314 215 天前
需要多模态视频理解，字幕信息量太少了
|
|
18
sm1314 215 天前
你就是想做视频解说吧，别想了，难度很大
|
 |
19
matthewzhong 215 天前  1
|
 |
20
thinkm 215 天前
这个比较难，目前没有好的方案
|
 |
21
sighforever 215 天前
我觉得 gpt 仔细限制一下提示词，应该能做到吧。文本重写基本上是 gpt 这种大语言模型最基础可靠的能力之一。
当然你的需求里面对语意方面的要求比较高，无论哪种都不太行吧。毕竟只有字幕这一个信息，对于完全理解文本内容多少有点不够。 |
 |
23
luodan 214 天前
可以分析一下某条字幕的结束时间和下一条字幕的起始时间。如果小于某个值就认为是一句话。不过遇到相声这类的估计就傻眼。最好还是让 AI 来分析音频，按不同频谱的声音先独立出来，再按时间间隔来分句子。
|
 |
24
HENQIGUAI 214 天前
不需要那么复杂，丢给通义听悟即可。
|
 |
27
txanin 204 天前
|
Select Language