耳语视频转录解决方法

数据 社区

技能解读

当前原文的自动摘译,尚未人工审校。

问题

当直接运行 whisper video.mp4 时,该进程可能会: 看起来正在运行(PID 存在,CPU 可能处于活动状态) 但输出目录即使在几分钟后仍为空 最终超时或卡在 ~33-43%“下载/解码” 发生这种情况是因为 Whisper CLI 尝试在内部解码视频容器,并且某些视频流(尤其是来自 YouTube 下载的 DASH/m3u8 分段视频)导致解码器停止。

验证清单

[ ] 音频 WAV 已创建 (ls -lh /tmp/audio.wav) [ ] 更快的耳语开始记录片段输出 [ ] 使用非空片段数组编写的 JSON 文件 [ ] 转录语言与预期语言匹配 [ ] 最后片段的总持续时间 ≈ 视频持续时间

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
数据
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
88 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@tomevault-io · 未声明许可证
上下文用量评级
低消耗
接入复杂程度
即装即用
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
Python
检测到的文件与系统行为
  • 只读
  • 允许写入 / 修改
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

01
步骤 1 — 使用 ffmpeg 提取音频

标志说明: `-vn` — 无视频流 `-acodec pcm_s16le` — 16 位 PCM 音频(Whisper 首选) `-ar 16000` — 16kHz 采样率(Whisper 的本机速率) `-ac 1` — 单声道(更适合语音识别)

02
第 2 步 — 使用 Fast-Whisper 转录 WAV

中文模型尺寸指南:`tiny` — 最快,CPU 实时性约为 3 倍;可接受的精度 `medium` — 精度更高,但速度较慢 `large-v3-turbo` — 最佳精度;重得多

03
第 3 步 — 将成绩单保存到文件

始终写入 JSON 文件而不是保存在内存中:

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。