一、理解SRT字幕格式
srt（subrip subtitle）是一种常见的字幕文件格式，它以纯文本形式存储，易于阅读和编辑。一个典型的srt条目由以下四部分组成：
- 序号： 字幕块的顺序编号。
- 时间戳： 表示该字幕块在视频中显示和消失的时间，格式为 小时:分钟:秒,毫秒 --> 小时:分钟:秒,毫秒。
- 字幕文本： 实际的对话或旁白内容。
- 空行： 用于分隔不同的字幕块。
例如：
1 00:00:01,500 --> 00:00:04,250 这是一段示例字幕。 2 00:00:05,000 --> 00:00:07,800 它展示了SRT的结构。
二、使用Whisper生成基础SRT字幕
Whisper模型在执行转录任务时，除了提供完整的文本内容，还会返回每个语音片段（segment）的起始和结束时间戳。这些信息是生成SRT字幕的关键。
2.1 核心原理
Whisper的transcribe方法返回的结果对象中包含一个segments列表。列表中的每个元素都是一个字典，通常包含'start'（起始时间，秒）、'end'（结束时间，秒）和'text'（对应片段的文本）。我们只需遍历这个列表，将每个片段的信息按照SRT的格式进行组织和写入文件即可。
2.2 代码实现
以下是在您原有代码基础上，修改为输出SRT文件的示例：
import os
import whisper
from tqdm import tqdm
# 辅助函数：将秒数转换为SRT所需的时间戳格式
def format_timestamp(seconds):
milliseconds = int((seconds - int(seconds)) * 1000)
seconds = int(seconds)
minutes = seconds // 60
hours = minutes // 60
seconds %= 60
minutes %= 60
return f"{hours:02d}:{minutes:02d}:{seconds:02d},{milliseconds:03d}"
# 定义存放mp4文件的根目录
# 注意：Windows路径建议使用原始字符串（r"C:Video"）或双反斜杠（"C:\Video"）
root_folder = r"C:Video"
# 初始化Whisper模型
print("正在加载Whisper模型...")
model = whisper.load_model("base") # 可以根据需求选择更大的模型，如"small", "medium", "large"
print("Whisper模型加载完成。")
# 统计待处理的mp4文件数量
print("正在统计待转录文件数量...")
num_files = sum(1 for dirpath, dirnames, filenames in os.walk(root_folder) for filename in filenames if filename.endswith(".mp4"))
print(f"待处理文件数量: {num_files}")
# 遍历文件并转录，同时显示进度条
with tqdm(total=num_files, desc="文件转录中") as pbar:
for dirpath, dirnames, filenames in os.walk(root_folder):
for filename in filenames:
if filename.endswith(".mp4"):
filepath = os.path.join(dirpath, filename)
print(f"正在转录: {filepath}...")
# 执行转录，verbose=False避免Whisper的详细输出干扰进度条
# fp16=False确保在CPU或不支持FP16的GPU上运行，或需要更高精度时使用
result = model.transcribe(filepath, fp16=False, verbose=False)
# 构建SRT文件路径
filename_no_ext = os.path.splitext(filename)[0]
srt_filepath = os.path.join(dirpath, filename_no_ext + '.srt')
# 将转录结果写入SRT文件
with open(srt_filepath, 'w', encoding='utf-8') as f:
for i, segment in enumerate(result['segments']):
start_time = format_timestamp(segment['start'])
end_time = format_timestamp(segment['end'])
text = segment['text'].strip() # 清理文本两端的空白符
f.write(f"{i + 1}
") # 写入序号
f.write(f"{start_time} --> {end_time}
") # 写入时间戳
f.write(f"{text}
") # 写入文本内容，并留一个空行分隔
print(f"SRT文件已保存至: {srt_filepath}")
pbar.update(1) # 更新进度条2.3 注意事项
- 模型选择： whisper.load_model("base") 是一个较小的模型，处理速度快但准确性相对较低。对于生产环境或对准确性要求高的场景，建议使用 small, medium, 甚至 large 模型以获得更好的效果。
- fp16参数： fp16=False 表示禁用半精度浮点计算。如果您的GPU支持FP16且希望提高计算速度，可以设置为True。在CPU上运行时，此参数通常没有影响。
- verbose参数： 在批量处理时，将verbose设置为False可以避免Whisper在控制台输出大量的转录详情，使进度条的显示更加清晰。
- 编码： 写入SRT文件时，请务必指定encoding='utf-8'，以确保正确处理各种语言字符。
三、进阶：结合说话人分离（Speaker Diarization）生成更丰富的SRT
在某些场景下，仅仅有带时间戳的字幕是不够的，我们可能还需要区分出不同的说话人。这就是说话人分离（Speaker Diarization）的任务，它旨在识别出音频中不同说话人的语音片段。
