这个程序是用来裁切语音视频的。 适合录制无特效的视频教程、游戏录屏、反应视频。
初始是因为大量游戏录屏充斥着无意义的片段，因此希望精简一些。
通过纯人声音轨（目前也支持的混合音轨，但是效果很差）, 找到连续的人声范围——即初始的剪辑范围.
然后每个范围都可以在编辑界面中预览. 如果觉得这个范围需要扩展, 你可以通过+1s和-1s按钮来调整. 当然过于接近的范围最后会合并.
- 下载整个程序.
- 有GPU的，自己根据自己CUDA版本，自行安装PyTorch。没有GPU的也没关系，只是无法使用语音识别功能，根据音量来划分片段还是可以的。先执行这一步，可以避免第三步安装
whisper时，安装CPU版本的PyTorch。 - 在
requirements.txt同一级目录下, 用pip3 install -r requirements.txt安装依赖。 - 安装K-Lite Codec Pack.
- 安装OBS.
- 安装ffmpeg，并在环境变量中添加
ffmpeg的路径. - 使用OBS录制之前, 点击
混音器 - 设置, 并给单独给麦克风音轨2.
在OBS设置中, 设置视频类型为mp4, 且视频音轨选中1和2(其中音轨2就是麦克风音轨).
- 录制视频.
- 运行
Main.py. - 通过
Open Video File选择视频文件. - 点击
Analyze分析人声的范围.
- 当持续时间小于0.5s会被认为是噪声并删除掉——你可以在
GamMicroTrack.py的120行更改设置. - 如果视频目录存在
SpeechRange.csv, 将会直接读取. 想删除的话可以点击Clear Cache删除所有缓存文件.
- 通过点击4个
-/+符号, 调整剪辑片段的左右边界. 如果你觉得这个片段不需要, 可以选择Noise单选框. 你可以通过点击文本框(有时单机有时双击), 预览视频. - 点击
Save New Range保存剪辑范围到CutRange.csv. 再次点击Analyze, 就会加载CutRange.csv到编辑列表. 如果你不满意, 或者程序崩溃了, 只要CutRange.csv存在, 就可以继续编辑. - 通过点击
Cut剪辑视频。Cut意味着删除剪辑范围之外的片段; - 点击
Clear Cache清楚所有缓存文件.
- 所有过程都是单线程, 尤其是导出视频时, 千万不能动主窗口.
- 代码可读性差了点.
- 没有防呆设计，用的时候只能按操作顺序来.
- 秒数尝试更改为时间码
xx:xx:xx:xx，Hours:Minutes:Seconds:Frames - 尝试QLineEdit通过方向键上下键调整时间。
- 尝试在编辑字幕同时，完成剪辑的操作。
VOICEVIDEOCUT
| README.md # 简单说明文档
| settings.toml # 剪辑设置文件，可在里面直接更改
└ QSS-master # 窗口设置文件
└ pics # Markdown中会用到的图片
└ basic_tools # 自定义的一些代码
| __init__.py # 包初始化文件
| clip_video.py # 实行基本的剪辑操作
| cut.py # 剪辑视频
| divide_speech.py # 划分讲话的时间段
| export_audio_track.py # 导出音轨
| file_mani.py # 获取文件名、更改文件名后缀
| get_dB_from_mp3.py # 获取音轨文件中的分贝值
| is_video_audio.py # 判断是否是音视频文件
| pic_video_attribution.py # 获取图片、视频的属性尺寸时长特性
| save_whisper_results.py # 保存whisper语音分析的结果
| segments_mani.py # 对识别出的语音片段范围进行扩展、合并等操作
| speech.py # 语音识别
| subtitle_line_edit.py # 自定义的QLineEdit，用于编辑字幕的合并、分段操作
└ time_format.py # 各种时间格式的转换
纯人声音轨，可以：
-
避免与游戏中的人声混合。便于之后的whisper语音识别。
-
能让程序根据音量大小来提取讲话片段。根据我的体验，VAD效果没有根据音量的提取效果好。下面就是一个VAD+whisper方案划分失败的案例。
[
{
'text': '你到底抽不出来',
'segments': [
{
'id': 0,
'seek': 0,
'start': 0.0,
'end': 2.0,
'text': '你到底抽不出来',
'tokens': [50364, 2166, 33883, 46022, 1960, 44561, 50464],
'temperature': 0.0,
'avg_logprob': -0.8920868039131165,
'compression_ratio': 0.65625,
'no_speech_prob': 0.11517102271318436
}
],
'language': 'zh',
'origin_timestamp': (29088, 384480) # (1.818 sec, 24.03 sec)
},
{
'text': '啊,對,要建房子',
'segments': [
{
'id': 0,
'seek': 0,
'start': 0.0,
'end': 1.8,
'text': '啊,對,要建房子',
'tokens': [50364, 4905, 11, 2855, 11, 4275, 34157, 38242, 7626, 50454],
'temperature': 0.0,
'avg_logprob': -0.43075110695578833,
'compression_ratio': 0.6896551724137931,
'no_speech_prob': 0.016884278506040573
}
],
'language': 'zh',
'origin_timestamp': (426912, 456160) # (26.682 sec, 28.51 sec)
}
]
注意origin_timestamp后的注释，为换算成秒的结果。
第一段的范围太大了，足足将22秒的片段代入whisper。而whisper只在其中2秒的范围内识别出了文本。这2秒具体从哪个时间开始的到什么时间结束，完全不知道。
通常的做法是，取origin_timestamp的开头两秒，但是这里，我正确的语音出现的时间却是在后两秒。