这是一个创建于 525 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，^_^
 | 1 naminokoe 2024-05-02 13:55:42 +08:00 如何定义什么叫做一句完整的话？ |
 | 2 dji38838c 2024-05-02 14:02:41 +08:00 中文吗 中文还是比较好搞的，做过 |
 | 4 summerlv OP @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 |
 | 6 Solix 2024-05-02 14:11:15 +08:00 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 2024-05-02 14:32:52 +08:00 用 whisper 重新去识别生成字幕，prompt 告诉它按完整句子断句 |
 | 13 XCFOX 2024-05-02 14:57:49 +08:00 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 2024-05-02 18:47:46 +08:00 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 2024-05-02 18:50:24 +08:00 需要多模态视频理解，字幕信息量太少了 |
| 18 sm1314 2024-05-02 18:51:23 +08:00 你就是想做视频解说吧，别想了，难度很大 |
 | 19 matthewzhong 2024-05-02 20:58:43 +08:00  1 |
 | 20 thinkm 2024-05-02 21:00:06 +08:00 这个比较难，目前没有好的方案 |
 | 21 sighforever 2024-05-02 21:13:20 +08:00 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。 |
 | 22 jdcola 2024-05-03 05:51:19 +08:00 via iPhone @mumbler Whisper 的 prompt 跟 GPT 的 prompt 不是一回事，干不了这个。 |
 | 23 luodan 2024-05-03 07:35:33 +08:00 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 2024-05-03 09:01:28 +08:00 不需要那么复杂，丢给通义听悟即可。 |
| 26 jdcola 2024-05-05 11:43:40 +08:00 via iPhone @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。 |
 | 27 txanin 2024-05-13 11:46:59 +08:00 |
Select Language