前段时间办公室出现一奇葩需求，要把一段授课视频转换为文字，为了实现这个目标我四处搜罗找了几款APP进行了多步操作，总体感觉比较麻烦。想想怎么说我们也是玩Python ，为啥不用Python呢～～说干就干，经过一番分析和搜索，还真被我搞定了，下面跟大家分享一下。
01
思路
直接写实现过程可能会有点混乱，就先讲一讲该功能的设计思路吧！
1).提取文字
这次我们的最终目的是要拿到文字稿，在一段视频中真正包含文字信息的其实不是视频文件而是音频文件，这下问题就变成从音频提取文字也就是语音识别。
关于语音转换文字，腾讯/百度/讯飞都提供有自己的API，大家可以根据自己的习惯选用，我用的是百度API，就以此为例进行演示。
接下来就要去查百度的语音识别API文档，看看它对待提取的音频文件有什么要求，下图就是百度的python SDK文档页面:
在这个文档中，对百度语音识别API所支持的音频格式进行了明确，概况起来主要有三点要求：
- 参数：16k 采样率、16bit 位深、单声道；
- 格式：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）；
- 其他：完整语音文件，时长不超过60s。
2).提取音频
音频转文字的技术解决了，接着要解决的就是把目标视频文件转换为百度API所支持的音频（对应的格式、参数）。
从视频中提取音频可以使用FFmpeg，在音频提取过程中还要对音频的采样率、声道数、码率进行设置，同时指定输出音频格式。除此之外，由于百度API最多只支持60秒长度的音频，而我们需要转换的视频长度通常要远高于这个时长，所以还需要使用pydub对音频文件进行切割，然后分段进行文字转换。所以从视频到音频的大概流程应该是这样的：
这下方法就明确了，下面就来看看是如何一步步具体实现视频转文字这个功能的。
02
动手写代码实现
1).视频转音频
前面我们说过，对于一个视频文件需要使用fmpeg转换成音频，fmpeg是一个非常快速的视频和音频转换器，语法格式是这样的：
代码语言：javascript复制ffmpeg -y -i 16k.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm上面这条语句的作用是把wav文件转换为16k、16bits位深的单声道pcm文件，其中16k.wav是输入文件、16k.pcm是输出文件，两者之间的内容是输出文件的参数设置。
在python中使用ffmpeg需要借助于ffmpy3这个库，语法格式也要做稍许调整。来看下面这段代码，他的作用是把一段视频转换为wav文件：
- 其中inputfile是待转换的视频文件，其参数为空；
- outputfile是输出文件路径，其参数中对采样率、声道数以及文件格式等进行了指定；
- global_options是全局参数，
-y的作用是允许覆盖已有文件；
通过上面这段代码，可以实现整段视频到音频的转换。
2).音频切割
获取完一整段长音频还要进行切割操作。音频切割的关键是找准每一段的起始和结束的时间节点，所以首先我们要获取整个音频文件的总长度，然后以60秒为间隔进行切分，并计算每一段音频开始秒数和结束秒数，然后切割提取。实现这个功能的代码如下：
注：通过以上方法进行切割，可能会存在某一个读音被切分在相邻两段音频中的情况，从而在音频到文字的转换阶段造成误差。
3).音频转文字
现在进入本文的核心环节——文字提取，如果要自己写这个功能的话估计费尽心思也写不出来，但是如果使用各种语音识别API就简单多了，使用百度语音识别API对一段音频（小于60秒）进行文字提取的代码如下，其中的APP_ID、API_KEY和SECRET_KEY需要到百度AI开放平台中注册后才能获取。
上面这段代码中，首先建立一个语音识别对象client，然后调用asr方法完成文字的提取，'dev_pid'参数用来指定音频中的语言类型，1537对应的是纯中文普通话。目前支持的语言类型有以下几种：
4).操作界面
通过上面三个步骤，从视频到文字的转换流程就基本实现了，之后只需要把从每段音频中提取的文字合并到一起输出就可以。
当然，在实现基本功能的基础上，还可以进行一些完善工作，例如每次转换之前我们都需要指定目标视频文件和文本的输出目录，对此可以设计一个简单的UI界面。下图就是用tkinter做的界面，虽然简陋但还算实用。
添加操作界面还有一个好处就是可以用pyinstaller打包成可执行文件，以便分享给办公室的其他同事使用。
03
试一下最终的效果
东西做好了当然要试一试效果，运行程序后在本地选择要提取文字的目标视频，如下图所示:
(选择这个视频，进行文字解析)
选择文本输出目录后点击“转换”就会自动对视频中的内容进行文本提取，下图是提取出的文字内容，结果会以txt文本文件的格式存储到指定的输出目录。
从输出结果来看，提取的内容不止有文字还有标点符号，这个应该是语音识别API根据说话的语气和停顿时间自己判断的。下面这个就是刚才提取文字用的视频文件，大家可以比对一下，总体来说效果还不错。
