前几天分享了使用Whisper批量转换视频中的文字分享了如何学ai的1和2，今天继续接下来的内容，今天来分享第三部分的内容。

3、Python实现（调用cli命令，最终版）

通过cli命令是因为它和客户端版是一起的，而客户端版使用了gpu，并且输出效果很好。

3.1 基本配置

下载地址就是上面的那个，cli文件，但是解压以后会发现，它的名字居然叫 main.exe,有点不能忍啊。

反正windows程序，我们简单理解为，在命令行能直接执行的，就在Path里面设置好就行了。

解压到一个地方，把它名字改了。

它的路径放在c盘下面，加到path里面就可以了

这个操作有点复杂，意思就是找到系统属性就行了，不同的操作系统，大同小异，基本都是这样

这样弄好了以后，就可以在命令行里面测试了

3.2 实现代码

# -*- coding: utf-8 -*-

import os

import subprocess

import time

from tqdm import tqdm

video_directory = ''

ffmpeg_command = 'ffmpeg -i "{}" -f wav -vn "{}"'

whisper_command = 'whispercli  -gpu "NVIDIA GeForce GTX 1050 Ti" -nt -m "C:\\Program Files\\whispercli\\ggml-large.bin" -l zh  -nt -otxt -f "{}"'

# 使用FFmpeg将视频转换为音频

def convert_video_to_audio(video_path, audio_path, video_name):

   ffmpeg_output = subprocess.check_output(

       ffmpeg_command.format(video_path, audio_path),

       shell=True,

       stderr=subprocess.DEVNULL,  # 阻止FFmpeg输出显示在终端上

   )

# 使用Whisper将音频转换为文字

def gen_audio_txt(audio_path, video_name):

   # 不指定文件名，自动就是同名的txt

   whisper_output = subprocess.check_output(

       whisper_command.format( audio_path),

       shell=True,

       encoding='utf-8'

   )  

# 这里用来处理视频文件，生成文件

def process_video():

   start_time = time.time()

   # 遍历视频文件目录中的所有视频文件

   n = 0

   video_files = [f for f in os.listdir(video_directory) if f.endswith((".mp4", ".avi", ".mkv", ".flv", ".mov"))]

   for video_file in tqdm(video_files, desc='正在处理视频文件 '):

       # 获取视频文件路径和文件名

       video_path = os.path.join(video_directory, video_file)

       video_name = os.path.splitext(video_file)[0]

       # 定义音频文件路径

       audio_path = os.path.join(video_directory, video_name + '.wav')

       # 定义txt文件路径

       txt_path = os.path.join(video_directory, video_name + '.txt')

       # 检查txt文件是否已存在，如果存在则跳过当前视频文件

       if os.path.exists(txt_path):

           print(f"跳过视频文件 【{video_file}】, 对应的文案txt文件已经存在.")

           continue

       # 使用FFmpeg将视频转换为音频

       convert_video_to_audio(video_path, audio_path, video_name)

       # 使用Whisper将音频转换为文字

       gen_audio_txt(audio_path, video_name)

       os.remove(audio_path)

       n = n + 1

   end_time = time.time()

   print("一共 {:d}个视频，共耗时: {:.2f}秒".format(n, end_time - start_time))

if __name__ == '__main__':

   path = ''

   while True:

       path = input("输入包含视频文件的目录: ")

       if os.path.exists(path) :

           break

       else:

           print(f'{path}文件不存在，可能是路径不对')

   video_directory = path

   # 开始处理文件

   process_video()

运行效果如下：

3.3 命令说明

基本使用方法如下

whispercli.exe [options] file0.wav file1.wav …

我们使用命令行参数带 –help 的时候，比较特别的是，第3列代表着当前的值，也许是我们上次执行之后留下来的值，不知道它保存在哪里，有时候确实会轻松一点

简写        完整写法         当前值                      说明

-h, –help [default] show this help message and exit

-la, –list-adapters 系统中当前的显卡名，给后面的参数用

-gpu, –use-gpu 使用gpu加速，这里后面跟的是显卡的名字，

-t N, –threads N [4 ] number of threads to use during computation

-p N, –processors N [1 ] number of processors to use during computation

-ot N, –offset-t N [0 ] time offset in milliseconds

-on N, –offset-n N [0 ] segment index offset

-d N, –duration N [0 ] duration of audio to process in milliseconds

-mc N, –max-context N [-1 ] maximum number of text context tokens to store

-ml N, –max-len N [0 ] maximum segment length in characters

-wt N, –word-thold N [0.01 ] word timestamp probability threshold

-su, –speed-up [false ] speed up audio by x2 (reduced accuracy)

-tr, –translate [false ] 从原始语音翻译成英文

-di, –diarize [false ] stereo audio diarization

-otxt, –output-txt [false ] 以txt的方式输出，说白了就是没有时间轴信息了，这个符合我的需求

-ovtt, –output-vtt [false ] output result in a vtt file

-osrt, –output-srt [false ] 输出格式是srt，就是时间轴的那个

-owts, –output-words [false ] output script for generating karaoke video

-ps, –print-special [false ] print special tokens

-nc, –no-colors [false ] do not print colors

-nt, –no-timestamps [false ] 不要输出时间轴信息，默认是关闭的，就是一行信息，最前面是时间

-l LANG, –language LANG [en ] 这里指的是输入的音频文件，讲的是啥语音，用的是zh

-m FNAME, –model FNAME [models/ggml-base.en.bin] model path

-f FNAME, –file FNAME [ ] 输入的文件名，这里大家可以看到，它是音频文件不是视频问题，所以需要转换

lang 有时候出来是繁体中文，但是都用的是zh

3.4 ffmpeg 一起

同理，ffmpeg也是这样实现的。它的命令更复杂更丰富，这里主要是考虑把mp4文件转换成音频文件

这里的 :

-i 表示输入文件名

-f 输出文件格式

-vn 输出文件名，这个说法不准确，不过好理解

更复杂的需求可以进一步去了解，东西还是挺多的

之所以选择命令行方式，一个很大的原因是，最开始选择直接用python的时候，无法使用gpu，尝试几个方案都不行,时不时还报错

今天AI文章就到这里，我们接下来的日子会继续把后面的内容分享给大家。