AutoSub 中文视频字幕生成，语音识别翻译的工具

AutoSub

Autosub 是用于自动语音识别和字幕生成的实用程序。它以视频或音频文件为输入，执行语音活动检测以查找语音区域，向 Google Web Speech API 发出并行请求以生成这些区域的转录，（可选）将它们翻译成不同的语言，最后将生成的字幕保存到磁盘。它支持多种输入和输出语言（要查看哪种语言，请使用参数运行实用程序），并且目前可以生成SRT格式或简单JSON格式的字幕.。
官网的链接在这里。
安装流程如下

AutoSub 新工具

AutoSub和AutoSub基础上开发的新工具都需要通过梯子使用。我在使用AutoSub时出现了问题，因此选择这个新工具。下载解压缩后，进入如下路径使用：

运行如下类型指令（一定要挂梯子），进行转化：

转化需要几分钟

可调参数

由于是基于AutoSub开发的工具，因此指令是通用的：

用法：autosub [-i 路径] [选项]

为视频/音频/字幕文件自动生成字幕。

输入选项:
  控制输入的选项。

  -i 路径, --input 路径     用于生成字幕文件的视频/音频/字幕文件。如果输入文件是字幕文件，程序仅会对其进行翻译。（参数个数为1）
  -er 路径, --ext-regions 路径
                        提供外部语音区域（时间轴）的字幕文件。该字幕文件格式需要是pysubs2所支持的。使用后会替换掉默认的自动 寻
                        找语音区域（时间轴）的功能。（参数个数为1）
  -sty [路径], --styles [路径]
                        Valid when your output format is "ass"/"ssa". Path to
                        the subtitles file which provides "ass"/"ssa" styles
                        for your output. If the arg_num is 0, it will use the
                        styles from the : "-er"/"--external-speech-regions".
                        More info on "-sn"/"--styles-name". (arg_num = 0 or 1)
  -sn [样式名 [样式名 ...]], --style-name [样式名 [样式名 ...]]
                        当输出格式为"ass"/"ssa"且"-sty"/"--styles"选项提供参数时有效。给输出字幕文件行提
                        供"ass"/"ssa"字幕的样式名。如果不提供该选项，字幕行会使用文件中的第一个样式名。如果参数个数为1，
                        字幕行会使用来自"-sty"/"--styles"的参数作为样式名。如果参数个数为2，源语言字幕行会使用第一
                        个参数作为样式名。目标语言行使用第二个。（参数个数为1或2）

语言选项:
  控制语言的选项。

  -S 语言代码, --speech-language 语言代码
                        用于语音识别的语言代码/语言标识符。推荐使用Google Cloud Speech的参考语言代码。错误的输入
                        不会终止程序。但是后果自负。参考：https://cloud.google.com/speech-to-
                        text/docs/languages（参数个数为1）（默认参数： None）
  -SRC 语言代码, --src-language 语言代码
                        用于翻译的目标语言的语言代码/语言标识符。如果没有提供，使用py-
                        googletrans来自动检测源语言。（参数个数为1）（默认参数为auto）
  -D 语言代码, --dst-language 语言代码
                        用于翻译的目标语言的语言代码/语言标识符。（参数个数为1）（默认参数为None）
  -bm [模式 [模式 ...]], --best-match [模式 [模式 ...]]
                        使用langcodes为输入获取一个最佳匹配的语言代码。仅在使用py-googletrans和Google
                        Speech V2时起作用。如果langcodes未安装，使用fuzzywuzzy来替代。可选的模式：s,
                        src, d, all。"s"指"-S"/"--speech-
                        language"。"src"指"-SRC"/"--src-language"。"d"指"-D"/"--
                        dst-language"。（参数个数在1到3之间）
  -mns integer, --min-score integer
                        一个介于0和100之间的整数用于控制以下两个选项的匹配结果组，"-lsc"/"--list-speech-
                        codes"以及"-ltc"/"--list-translation-codes"或者在"-bm"/"--
                        best-
                        match"选项中的最佳匹配结果。结果会是一组“好的匹配”，其分数需要超过这个参数的值。（参数个数为1）

输出选项:
  控制输出的选项。

  -o 路径, --output 路径    输出字幕文件的路径。（默认值是"input"路径和适当的文件名后缀的结合）（参数个数为1）
  -F 格式, --format 格式    输出字幕的格式。如果没有提供该选项，使用"-o"/"--output"参数中的后缀。如果"-o"/"--
                        output"参数也没有提供扩展名，那么使用"srt"。在这种情况下，如果"-i"/"--
                        input"的参数是一个字幕文件，那么使用和字幕文件相同的扩展名。（参数个数为1）（默认参数为srt）
  -y, --yes             避免任何暂停和覆写文件的行为。如果参数有误，会直接停止程序。（参数个数为0）
  -of [种类 [种类 ...]], --output-files [种类 [种类 ...]]
                        输出更多的文件。可选种类：regions，src，full-src，dst，bilingual，dst-
                        lf-src，src-lf-
                        dst，all。（时间轴，源语言字幕，完整语音识别结果，目标语言字幕，双语字幕，dst-lf-
                        src,，src-lf-dst，所有）full-
                        src：由语音转文字API得到的json格式的完整语音识别结果加上开始和结束时间。dst-lf-
                        src：目标语言和源语言在同一字幕行中，且目标语言先于源语言。src-lf-dst：源语言和目标语言在同一字
                        幕行中，且源语言先于目标语言。（参数个数在6和1之间）（默认参数为['dst']）
  -fps float, --sub-fps float
                        当输出格式为"sub"时有效。如果提供了该参数，它会取代原有的对输入文件的帧率检查。参考：https://p
                        ysubs2.readthedocs.io/en/latest/api-
                        reference.html#supported-input-output-formats（参数个数为1）

语音选项:
  控制语音转文字的选项。

  -sapi API代码, --speech-api API代码
                        选择使用Speech-to-Text API。当前支持：gsv2：Google Speech V2
                        （https://github.com/gillesdemey/google-speech-v2）。
                        gcsv1：Google Cloud Speech-to-Text V1P1Beta1
                        （https://cloud.google.com/speech-to-
                        text/docs）。xfyun：讯飞开放平台语音听写（流式版）WebSocket API（https://
                        www.xfyun.cn/doc/asr/voicedictation/API.html）。baidu:
                        百度短语音识别/短语音识别极速版（https://ai.baidu.com/ai-doc/SPEECH/Vk38lxily）（参数个数为1）（默认参数为gsv2）
  -skey key, --speech-key key
                        Google Speech-to-Text API的密钥。（参数个数为1）当前支持：gsv2：gsv2的AP
                        I密钥。（默认参数为免费API密钥）gcsv1：gcsv1的API密钥。（如果使用了，可以覆盖
                        "-sa"/"--service-account"提供的服务账号凭据）
  -sconf [路径], --speech-config [路径]
                        使用语音转文字识别配置文件来发送请求。取代以下选项："-S", "-asr",
                        "-asf"。目前支持：gcsv1：Google Cloud Speech-to-Text
                        V1P1Beta1 API密钥配置参考：https://cloud.google.com/speech-
                        to-
                        text/docs/reference/rest/v1p1beta1/RecognitionConfig 服
                        务账号配置参考：https://googleapis.dev/python/speech/latest/ga
                        pic/v1/types.html#google.cloud.speech_v1.types.Recogni
                        tionConfig 。xfyun：讯飞开放平台语音听写（流式版）WebSocket
                        API（https://console.xfyun.cn/services/iat）。baidu:
                        百度短语音识别/短语音识别极速版（https://ai.baidu.com/ai-doc/SPEECH/ek
                        38lxj1u）。如果参数个数是0，使用const路径。（参数个数为0或1）（const为config.js
                        on）
  -mnc float, --min-confidence float
                        Google Speech-to-Text API用于识别可信度的回应参数。一个介于0和1之间的浮点数。可信
                        度越高意味着结果越好。输入这个参数会导致所有低于这个结果的识别结果被删除。参考：https://github
                        .com/BingLingGroup/google-
                        speech-v2#response（参数个数为1）（默认参数为0.0）
  -der, --drop-empty-regions
                        删除所有没有语音识别结果的空轴。（参数个数为0）
  -sc integer, --speech-concurrency integer
                        用于Speech-to-Text请求的并行数量。（参数个数为1）（默认参数为10）

Translation Options:
  Options to control translation.

  -tapi API代码, --translation-api API代码
                        Choose which translation API to use. Currently
                        support: pygt: py-googletrans (https://py-
                        googletrans.readthedocs.io/en/latest/). man: Manually
                        translate the content by write a txt or docx file and
                        then read it. (arg_num = 1) (default: pygt)
  -tf 格式, --translation-format 格式
                        Choose which output format for manual translation to
                        use. Currently support: docx, txt. (arg_num = 1)
                        (default: docx)
  -mts integer, --max-trans-size integer
                        (Experimental)Max size per translation request.
                        (arg_num = 1) (default: 4000)
  -slp 秒, --sleep-seconds 秒
                        (Experimental)Seconds for py-googletrans to sleep
                        between two translation requests. (arg_num = 1)
                        (default: 1)
  -surl [URL [URL ...]], --service-urls [URL [URL ...]]
                        (Experimental)Customize py-googletrans request urls.
                        Ref: https://py-googletrans.readthedocs.io/en/latest/
                        (arg_num >= 1)
  -ua User-Agent headers, --user-agent User-Agent headers
                        (Experimental)Customize py-googletrans User-Agent
                        headers. Same docs above. (arg_num = 1)
  -doc, --drop-override-codes
                        在翻译前删除所有文本中的ass特效标签。只影响翻译结果。（参数个数为0）
  -tdc [chars], --trans-delete-chars [chars]
                        将指定字符替换为空格，并消除每句末尾空格。只会影响翻译结果。（参数个数为0或1）（const为，。！）

字幕转换选项:
  控制字幕转换的选项。

  -mjs integer, --max-join-size integer
                        (Experimental)Max length to join two events. (arg_num
                        = 1) (default: 110)
  -mdt 秒, --max-delta-time 秒
                        (Experimental)Max delta time to join two events.
                        (arg_num = 1) (default: 0.2)
  -dms string, --delimiters string
                        (Experimental)Delimiters not to join two events.
                        (arg_num = 1) (default: !()*,.:;?[]^_`~)
  -sw1 words_delimited_by_space, --stop-words-1 words_delimited_by_space
                        (Experimental)First set of Stop words to split two
                        events. (arg_num = 1)
  -sw2 words_delimited_by_space, --stop-words-2 words_delimited_by_space
                        (Experimental)Second set of Stop words to split two
                        events. (arg_num = 1)
  -ds, --dont-split     (Experimental)Don't split. Just merge. (arg_num = 0)
  -jctl [string [string ...]], --join-control [string [string ...]]
                        Control the way to join and split subtitles' events.
                        Key tag choice: ["\k", "\ko", "\kf", (None)] (default:
                        None). Events manual adjustment: ["man", "auto-ext",
                        "auto-punct", (None)] (default: None). You can choose
                        "man" and "auto-ext" method at the same time which
                        allows you to automatically adjust events at first and
                        then manually adjust them. Capitalized the first word
                        and add a full stop: ["cap", (None)] (default: None).
                        Trim regions after processing: ["trim", (None)]
                        (default: None). Keep the indexes from subtitles
                        events when input is a subtitles file: ["keep-events",
                        (None)] (default: None). (arg_num >= 1)

网络选项:
  控制网络的选项。

  -hsa, --http-speech-api
                        将Google Speech V2 API的URL改为http类型。（参数个数为0）
  -hsp [URL], --https-proxy [URL]
                        通过设置环境变量的方式添加https代理。如果参数个数是0，使用const里的代理URL。（参数个数为0或1
                        ）（const为https://127.0.0.1:1080）
  -hp [URL], --http-proxy [URL]
                        通过设置环境变量的方式添加http代理。如果参数个数是0，使用const里的代理URL。（参数个数为0或1）
                        （const为http://127.0.0.1:1080）
  -pu 用户名, --proxy-username 用户名
                        设置代理用户名。（参数个数为1）
  -pp 密码, --proxy-password 密码
                        设置代理密码。（参数个数为1）

其他选项:
  控制其他东西的选项。

  -h, --help            显示autosub的帮助信息并退出。（参数个数为0）
  -V, --version         显示autosub的版本信息并退出。（参数个数为0）
  -sa 路径, --service-account 路径
                        设置服务账号密钥的环境变量。应该是包含服务帐号凭据的JSON文件的文件路径。如果使用了，会被API密钥选项 覆
                        盖。参考：https://cloud.google.com/docs/authentication/gett
                        ing-started
                        当前支持：gcsv1（GOOGLE_APPLICATION_CREDENTIALS）（参数个数为1）

音频处理选项:
  控制音频处理的选项。

  -ap [模式 [模式 ...]], --audio-process [模式 [模式 ...]]
                        控制音频处理的选项。如果没有提供选项，进行正常的格式转换工作。"y"：它会先预处理输入文件，如果成功了 ，在语
                        音转文字之前不会对音频进行额外的处理。"o"：只会预处理输入音频。（"-k"/"--
                        keep"选项自动置为真）"s"：只会分割输入音频。（"-k"/"--
                        keep"选项自动置为真）以下是用于处理音频的默认命令： -hide_banner -i "{in_}"
                        -vn -af "asplit[a],aphasemeter=video=0,ametadata=selec
                        t:key=lavfi.aphasemeter.phase:value=-0.005:function=le
                        ss,pan=1c|c0=c0,aresample=async=1:first_pts=0,[a]amix"
                        -ac 1 -f flac -loglevel error "{out_}" | -hide_banner
                        -i "{in_}" -af "lowpass=3000,highpass=200" -loglevel
                        error "{out_}" |
                        D:\Anaconda3\envs\WordsRecognition\Scripts\ffmpeg-
                        normalize.exe -v "{in_}" -ar 44100 -ofmt flac -c:a
                        flac -pr -p -o "{out_}"（参考：https://github.com/stevenj/
                        autosub/blob/master/scripts/subgen.sh
                        https://ffmpeg.org/ffmpeg-filters.html）（参数个数介于1和2之间）
  -k, --keep            将音频处理中产生的文件放在输出路径中。（参数个数为0）
  -apc [命令 [命令 ...]], --audio-process-cmd [命令 [命令 ...]]
                        这个参数会取代默认的音频预处理命令。每行命令需要放在一个引号内。输入文件名写为{in_}。输出文件名写为{o
                        ut_}。（参数个数大于1）
  -ac integer, --audio-concurrency integer
                        用于ffmpeg音频切割的进程并行数量。（参数个数为1）（默认参数为10）
  -acc 命令, --audio-conversion-cmd 命令
                        （实验性）这个参数会取代默认的音频转换命令。"[", "]" 是可选参数，可以移除。"{",
                        "}"是必选参数，不可移除。（参数个数为1）（默认参数为 -hide_banner -y -i
                        "{in_}" -vn -ac {channel} -ar {sample_rate} -loglevel
                        error "{out_}"）
  -asc 命令, --audio-split-cmd 命令
                        （实验性）这个参数会取代默认的音频转换命令。相同的注意如上。（参数个数为1）（默认参数为 -y -ss
                        {start} -i "{in_}" -t {dura} -vn -ac [channel] -ar
                        [sample_rate] -loglevel error "{out_}"）
  -asf 文件名后缀, --api-suffix 文件名后缀
                        （实验性）这个参数会取代默认的给API使用的音频文件后缀。（默认参数为.flac）
  -asr 采样率, --api-sample-rate 采样率
                        （实验性）这个参数会取代默认的给API使用的音频采样率（赫兹）。（参数个数为1）（默认参数为44100）
  -aac 声道数, --api-audio-channel 声道数
                        （实验性）这个参数会取代默认的给API使用的音频声道数量。（参数个数为1）（默认参数为1）

Auditok的选项:
  不使用外部语音区域控制时，用于控制Auditok的选项。

  -et 能量（相对值）, --energy-threshold 能量（相对值）
                        用于检测是否是语音区域的能量水平。参考：https://auditok.readthedocs.io/en/
                        latest/apitutorial.html#examples-using-real-audio-
                        data（参数个数为1）（默认参数为50）
  -mnrs 秒, --min-region-size 秒
                        最小语音区域大小。同样的参考文档如上。（参数个数为1）（默认参数为0.5）
  -mxrs 秒, --max-region-size 秒
                        最大音频区域大小。同样的参考文档如上。（参数个数为1）（默认参数为10.0）
  -mxcs 秒, --max-continuous-silence 秒
                        在一段有效的音频活动区域中可以容忍的最大（连续）安静区域。同样的参考文档如上。（参数个数为1）（默认 参数为0
                        .2）
  -nsml, --not-strict-min-length
                        如果不输入这个选项，它会严格控制所有语音区域的最小大小。参考：https://auditok.readthe
                        docs.io/en/latest/core.html#class-summary（参数个数为0）
  -dts, --drop-trailing-silence
                        参考：https://auditok.readthedocs.io/en/latest/core.html#
                        class-summary（参数个数为0）
  -am AUDITOK_MODE, --auditok-mode AUDITOK_MODE
                        Auditok mode used by "--nsml" and "--dts". If used, it
                        will override these two options mentioned above. Ref:
                        https://auditok.readthedocs.io/en/latest/core.html#cla
                        ss-summary (arg_num = 0)
  -aconf [路径], --auditok-config [路径]
                        Auditok options automatic optimization config.(arg_num
                        = 0 or 1)

列表选项:
  列出所有可选参数。

  -lf, --list-formats   列出所有可用的字幕文件格式。如果的你想要的格式不支持，请使用ffmpeg或者SubtitleEdit来对其进
                        行转换。如果输出格式是"sub"且输入文件是音频无法获取到视频帧率时，你需要提供fps选项指定帧率。（参数个                        数为0）
  -lsc [语言代码], --list-speech-codes [语言代码]
                        列出所有推荐的"-S"/"--speech-language"Google Speech-to-Text 语
                        言代码。如果参数没有给出，列出全部语言代码。默认的“好的匹配”标准是匹配分数超过90分（匹配分数介于0和10
                        0之间）。参考：https://tools.ietf.org/html/bcp47 https://gith
                        ub.com/LuminosoInsight/langcodes/blob/master/langcodes
                        /__init__.py 语言代码范例：语言文字种类-（扩展语言文字种类）-变体（或方言）-使用区域-
                        变体（或方言）-扩展-私有（https://www.zhihu.com/question/21980689/
                        answer/93615123）（参数个数为0或1）
  -ltc [语言代码], --list-translation-codes [语言代码]
                        列出所有可用的"-SRC"/"--src-language"也就是py-googletrans可用的翻译用的
                        语言代码。否则会给出一个“好的匹配”的清单。同样的参考文档如上。（参数个数为0或1）
  -dsl 路径, --detect-sub-language 路径
                        使用py-googletrans去检测一个字幕文件的第一行的语言。并列出一个和该语言匹配的推荐Google
                        Speech-to-Text语言代码清单（"-S"/"--speech-
                        language"选项所用到的）。参考：https://cloud.google.com/speech-
                        to-text/docs/languages（参数个数为1）（默认参数 None）