谢谢兄台推荐，另外若超过5000字，可有简易切割影片长度的软件推荐 
我写过一个脚本来做这事，不过我已经放弃了。因为脚本只能切割，复制到剪映运行等还是一大堆手动操作，完全是浪费时间，不推荐。
理解，谢谢，本在虚拟机上的win 7 想跑 whisper 后来发现虚拟机的环境不能跑 whisper ，whisperX 可有不需透过 python 也能跑，虚拟机上的win 7能跑吗？
因之前在虚拟机上跑 显示
应该是不行，这个主要需要显卡，虚拟机除非有显卡直通。
谢谢@zambast大指引，WhisperX 只能透过 python 跑吗？
智影网页版无字数限制，限时长2小时。字数少我才用剪映。
1 个赞
绑手机号，玩不了
最近开始听audiobook，于是就用上面提到过的syncabook做字幕。其实之前只是用它提供的测试文件试了一下感觉挺好用。这次做自己的audiobook就碰到了一些问题。主要是audiobook一般都有8~10小时长，甚至更长的，这么长的音频文件，就会因为内存不足中途爆掉。这个其实GitHub上作者有提供解决办法。只是解决了这个问题之后，发现越到后面越是不准，到最后一章已经是没法看的地步了。感觉似乎是由于每章开头往往会有停顿之类的，导致越往后偏差越大。必须得按章切割才行。这个其实也是syncabook作者推荐的方式，syncabook本身就提供一个to_xhtml功能能够指定关键词切割文本。另外其实epub解包之后的html本身就是按章分的html，再用老马的TextForever转成txt就行了。只是音频文件就稍微有点麻烦，如果本来下载的就是分好章节的mp3，那自然最好；像是m4b这种本身提供章节的，也好分割；就怕是一整个mp3，手动切割就非常麻烦。好在搜了一下发现有个叫Chapterize-Audiobooks的项目，利用AI技术自动切割（大概就是语音识别，找到Chapter），非常好用，就是跑起来比较慢，似乎是用的CPU。通过章节切割之后再用syncabook，就非常得准，基本可以当精读材料使用。
1 个赞
飞书妙记，目前免费，快速，还能导出或直接分享，定位精准到词。支持英语日语
看了一下好像只是个语音转文字，这方面目前没有超过Whisper的，而Whisper还是本地运行，完全免费，时间轴不准的问题通过WhisperX能够解决90%以上。
电脑版有视频转文字。好处是随时可看
精听用什么软件啊
-每日英语听力目前应该体验最佳
话说又快一年过去了，SubtitleEdit升级了很多好用的功能，whisper large-v3-turbo也发布了，但好像周边的软件都还没跟上。
现在SubtitleEdit已经成为我手工打轴的主力军了，体验比Aegisub好太多了。Aegisub多年不更新，快要成老古董了。
关于 WhisperX 的使用，不知是否有更新？
分享一下我的AI+手工的字幕经验：
- 用 whisper生成字幕文本，或直接从视频网站下载字幕文件
- 使用SubtitleEdit导出为纯文本
- 使用ChatGPT等AI工具，给纯文本断句，添加标点，并重新分行，既符合字幕长度的需求，同时又能够按照语法特征在合适的位置断行。
- 使用SubtitleEdit手工打轴，并制作多语字幕。
- 使用mpv及自定义的脚本制作电影级别的漂亮的双语ass字幕。
这其中，手工打轴若能够自动完成就完美了，好像技术上是通的：
- 通过WhisperX等可以获得word级别时间轴定位。
- 通过一定技术手段匹配经过调整断行的文本，并生成相应的时间轴。
不知道是否有软件已经实现该功能？
Whisperx只能让本来偏差不大的字幕变得非常准确，反而会让本来偏差较大的字幕偏移到姥姥家。而且Whisperx只会按句号整句输出，会破坏Whisper本身的断句。
还有一些别的项目在做提高精度的事情，比如GitHub - nyrahealth/CrisperWhisper: Verbatim Automatic Speech Recognition with improved word-level timestamps and filler detection
你可以试试，我最近没啥时间测试。
另外还有个思路是用其他软件（例如DaVinci Resolve）做出准确的时间轴，然后用Whisper生成的字幕（或者确保准确的字幕文本）对其进行修正，这个工作可以用GitHub - EtienneAb3d/SRT-Sync: Synchronize SRT timestamps over an existing accurate transcription
来做，不过SRT-Sync无法处理太长的文件（超过2小时），另外偶尔会把原来正确的改错，再就是DaVinci之流生成的字幕由于识别不准会导致断句出问题。总之算不上完美，但应该都能进一步提高字幕自动化的程度。
还有个思路是用chatgpt或本地大模型（不花钱，比如Qwen2.5），同样在已有准确时间轴的基础上对错误的字幕进行修正，应该是更加完美的方案，但是目前没人做这种项目，难点是目前大模型的输出都有很大的限制，需要切分文件处理后再合并。
1 个赞
看来你花了不少功夫啊！
SRT-Sync 好像正是我需要的，赞！
DaVinci Resolve 是专业视频编辑的商业软件吧? 看官网介绍好像挺复杂，没用过，只会Adobe Premiere.
使用ChatGPT等AI工具，给纯文本断句，添加标点，并重新分行，既符合字幕长度的需求，同时又能够按照语法特征在合适的位置断行。
Whisper一般已经是有标点的，然后可以指定一行多少个词，比如
–max_words_per_line 10
断句反正没有特别关心
srt → ass 貌似有python脚本可以用ffmpeg实现
srt sync 我一般用ffmpeg 生成一下
ffmpeg.exe -loop 1 -i test.png -i “test.mp3” -c:a aac -ab 64k -c:v libx264 -pix_fmt yuv420p -shortest -strict -2 -vf “subtitles=test.srt :force_style=‘Fontsize=24’” “test.mp4”
1 个赞
很多时候，我的字幕来源是已有的，只是不满意其断句（影响自动翻译的效果和观影体验），比如youtube自动生成的字幕。这时我就需要使用ChatGPT等AI工具。
我已经自己写了一个lua script dualsubs-creat.lua ，在mpv中，一键生成。
这条命令只是将一张图片和一段音频合成为一个视频文件，并在视频中添加指定的字幕。这与我们前面所说srt sync概念不同（两个不同的srt，一个是文本好，一个是时间轴好，sync出一个两个都好的字幕）。