想问下如何将 srt 字幕文本自动剪接生成一个完整语句啊？

[summerlv]

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，^_^

[naminokoe]

如何定义什么叫做一句完整的话？

[dji38838c]

中文吗
中文还是比较好搞的，做过

[summerlv]

@naminokoe 这个也是要思考的问题，😄

[summerlv]

@dji38838c 英文，想把英文弄成一句完整的话，然后翻译为中文，英文就是比较多语气词或者停顿的话就不好弄，而且最要命的是可能会有对话形式

[summerlv]

@dji38838c 中文的思路是怎么弄啊？是用到啥库吗，或者解析步骤是咋样的？

[gaobh]

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

[summerlv]

@gaobh 有尝试过喂给 GPT ，但是效果不是很好，特别是遇到长文本的时候，工作流是什么啊

[summerlv]

@summerlv GPT 说着说着就自动编造其他的话了，都不是原文了

[mumbler]

用 whisper 重新去识别生成字幕，prompt 告诉它按完整句子断句

[summerlv]

@mumbler 可以再细说下吗？

[mumbler]

@summerlv 再细就要帮你做了，你适合花 20 美金买个 chatgpt plus ，跟 gpt4 聊聊你的疑问

[gaobh]

@summerlv #7 工作流都不知道用 gpt 算白花钱了，工作流就是分步推理然后串联理解吧

[XCFOX]

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

[summerlv]

@gaobh 太菜了，我看了下 whisper ，感觉可以用它的 Python 库试试

[summerlv]

@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

[javaluo]

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

[sm1314]

需要多模态视频理解，字幕信息量太少了

[sm1314]

你就是想做视频解说吧，别想了，难度很大

[matthewzhong]

剪映有个有智能剪口播的功能，可以快速剔除不要的，卡顿的、语气词的部分。

[字幕工具箱 - 免费的在线字幕工具集合]( https://zm.i8k.tv/)

[thinkm]

这个比较难，目前没有好的方案

[sighforever]

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。

[jdcola]

@mumbler Whisper 的 prompt 跟 GPT 的 prompt 不是一回事，干不了这个。

[luodan]

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。

[HENQIGUAI]

不需要那么复杂，丢给通义听悟即可。

[mumbler]

@jdcola #22 whisper 断句长度是用 prompt 控制的

[jdcola]

@mumbler 噢，那是的。楼主需要注意不是用 prompt 告诉 Whisper 该怎么做，而是上文预设兼风格示例。

[txanin]

你可以看看 https://github.com/m-bain/whisperX