☰

如何在不将视频上传到 YouTube 的情况下使用 Google 的 YouTube 语音识别？

tag-icon • tag-icon video youtube speech-recognition speech-to-text
如何在不将视频上传到 YouTube 的情况下使用 Google 的 YouTube 语音识别？

我有很多讲座视频内容想要配上字幕。YouTube 会在某些条件下自动为视频生成字幕（这些条件对我来说仍然有点神秘）。

我希望能够在 YouTube 之外使用这项语音识别技术。我不想为了获得成绩单而上传每个视频（太耗时），另外，我认为 YouTube 不会对超过 30 分钟的视频这样做（大多数视频都是这样），此外，我认为它不会对非公开列出的视频这样做（这是一个问题，因为它是优质内容，旨在出售）。

完美场景：我可以从我的桌面运行一个程序来从这些视频中获取成绩单，它的质量与 YouTube 的质量相同或更好，并且具有类似于 SRT 或 YouTube 生成的 XML 的时间码 [如何获取 YouTube 字幕]。

可接受的情况：我可以使用一些技巧来强制 YouTube 转录视频，无论设置为私人还是公开，也无论长度如何。

可行的方案：有一个库或某个东西我可以用来编写自己的程序。我擅长使用 C#，也熟悉 C++（但我更喜欢 C#）。

答案1

谷歌实施了网络语音 API（用于语音识别和合成）放入 Chrome，如果您是开发人员，可以使用它。YouTube 就是用它来为一些视频生成隐藏式字幕。也许您会找到与之交互的代码。

数据流可能是：

视频文件 => 提取并转换音频 => 将其发送到 Google API => 获取文本 => 写入 SRT。

编辑：除了 W3C 规范之外，似乎没有官方 API 页面。因此这里有更多链接：

这些示例是关于在 Chrome 内部使用 API，但您可以直接查询 Google 的在线语音识别引擎。例如，碧玉是一款适用于 Raspberry Pi 的语音识别个人助理，可让您选择谷歌作为语音识别引擎。

答案2

有一个名为“autosub”的工具（请参阅 github 上的 agermanidis/autosub）可以做到这一点，尽管它使用的是较旧的 Google 语音 API。该工具使用 ffmpeg 将音频剥离为 FLAC 文件，然后将 FLAC 文件发送给 Google 进行转录。它会生成 SRT 或 VTT 文件。

准确率较低，部分原因是 Google API 较旧。有一个较新的 API（“Cloud Speech REST API”，网址为https://cloud.google.com/speech/docs/apis）。这个 API 非常简单，在某些时候，我打算 fork autosub 来使用它。

另一种方法是上传到 YouTube，并在字幕制作完成后下载 VTT 文件。这种方法的麻烦之处在于 YouTube 生成的字幕非常精细（例如几个单词），而不是一个句子。这使得在手动扫描时检查字幕变得更加困难。

答案3

最简单的方法是：转到 Google 文档，打开一个新文本文档并从工具中选择“语音输入”，然后播放录音。是的。就是这么简单！（并支持多种语言）

否则，您可以使用带有 HTML5 的本地网页，如下所示： https://www.labnol.org/software/add-speech-recognition-to-website/19989/

相关内容