仓库地址
gitee.com/bobobobbb/py_whisper_ffm...
背景
嗯，拿到很多 video，学习的，但是没字幕啊。直接听，效率没那么高，
转笔记麻烦。
win11 实时字幕还得挂着，线上一些网站提供的服务太垃圾了。
索性自己整一个吧。
整体思路
- 用
whisper（本地开源模型）对视频做语音识别，生成字幕文件（srt 或 vtt）。 - 再写一个简单解析脚本，把字幕里的文本部分抽取出来，按顺序写入
txt。
整个流程全本地，不依赖云服务。
配环境
下在 ffmpeg
注意 很多博主说去 镜像站下 https://www.gyan.dev/ffmpeg/builds/，实际上慢的要死。
这里建议大家直接去 github 下，起码自己还能加速一下。
github.com/GyanD/codexffmpeg/relea...
速度 提上来了。
下载完成后，把压缩包解压到一个固定目录，比如：
D:\apps\ffmpeg
解压后一般是这种结构：
D:\apps\ffmpeg
└─ ffmpeg-6.x-full_build
├─ bin
│ ├─ ffmpeg.exe
│ ├─ ffprobe.exe
│ └─ ...
└─ ...
记住 bin 目录路径，例如：
D:\apps\ffmpeg\ffmpeg-6.x-full_build\bin
二、把 ffmpeg 加到系统 PATH
- 在桌面右键 “此电脑” → 属性 → 左边 “高级系统设置”
- 在 “系统变量” 里找到
Path → 选中 → 点击 “编辑”
点击 “新建”，把刚才的 bin 路径粘进去，例如：
D:\apps\ffmpeg\ffmpeg-6.x-full_build\bin
注意：改完 PATH 之后，要重新打开一个新的 PowerShell / CMD 窗口，旧窗口里看不到更新。
三、验证 ffmpeg 是否可用
新开一个终端（不要用之前那个窗口）：
ffmpeg -version
如果能看到版本信息，就说明 PATH 配好了。
代码
代码：视频生成 srt 字幕
import whisper
import os
defvideo_to_srt(video_path, model_size="small", language="zh"):
"""
:param video_path: 视频文件路径
:param model_size: 模型大小 tiny/base/small/medium/large
:param language: 语言，中文 zh，英文 en，自动检测用 None
"""
# 加载模型（首次会自动下载）
model = whisper.load_model(model_size)
# 识别
result = model.transcribe(video_path, language=language)
# 输出 srt 文件路径
base, _ = os.path.splitext(video_path)
srt_path = base +".srt"
# 写入 srt
withopen(srt_path,"w", encoding="utf-8")as f:
counter =1
for seg in result["segments"]:
start = seg["start"]
end = seg["end"]
text = seg["text"].strip()
defformat_time(t):
h =int(t //3600)
m =int((t %3600)//60)
s =int(t %60)
ms =int((t -int(t))*1000)
returnf"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
f.write(f"{counter}\n")
f.write(f"{format_time(start)} --> {format_time(end)}\n")
f.write(text +"\n\n")
counter +=1
print("SRT 生成完成：", srt_path)
return srt_path
if __name__ =="__main__":
video_file =r"D:\video\example.mp4"# 改成你自己的路径
video_to_srt(video_file, model_size="small", language="zh")
说明：
model_sizelanguage- 不确定就
language=None 让它自动检测。
把 srt 字幕解析为 txt（纯文本）
1
00:00:00,000-->00:00:02,000
这是第一句字幕
2
00:00:02,000-->00:00:04,000
这是第二句字幕
代码：srt 转 txt
import os
import re
defsrt_to_txt(srt_path):
base, _ = os.path.splitext(srt_path)
txt_path = base +".txt"
lines =[]
withopen(srt_path,"r", encoding="utf-8")as f:
for line in f:
line = line.strip()
# 跳过空行、数字行、时间轴行
ifnot line:
continue
if line.isdigit():
continue
if re.match(r"\d{2}:\d{2}:\d{2},\d{3} -->", line):
continue
# 其它认为是字幕正文
lines.append(line)
# 合并写入 txt，可按你喜好处理：直接一行一条、或合并成一段
withopen(txt_path,"w", encoding="utf-8")as f:
for l in lines:
f.write(l +"\n")
print("TXT 生成完成：", txt_path)
return txt_path
if __name__ =="__main__":
srt_file =r"D:\video\example.srt"# 改成你的 srt 路径
srt_to_txt(srt_file)
整合为一个脚本
import os
import re
import whisper
defvideo_to_srt(video_path, model_size="small", language="zh"):
model = whisper.load_model(model_size)
result = model.transcribe(video_path, language=language)
base, _ = os.path.splitext(video_path)
srt_path = base +".srt"
withopen(srt_path,"w", encoding="utf-8")as f:
counter =1
for seg in result["segments"]:
start = seg["start"]
end = seg["end"]
text = seg["text"].strip()
defformat_time(t):
h =int(t //3600)
m =int((t %3600)//60)
s =int(t %60)
ms =int((t -int(t))*1000)
returnf"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
f.write(f"{counter}\n")
f.write(f"{format_time(start)} --> {format_time(end)}\n")
f.write(text +"\n\n")
counter +=1
return srt_path
defsrt_to_txt(srt_path):
base, _ = os.path.splitext(srt_path)
txt_path = base +".txt"
lines =[]
withopen(srt_path,"r", encoding="utf-8")as f:
for line in f:
line = line.strip()
ifnot line:
continue
if line.isdigit():
continue
if re.match(r"\d{2}:\d{2}:\d{2},\d{3} -->", line):
continue
lines.append(line)
withopen(txt_path,"w", encoding="utf-8")as f:
for l in lines:
f.write(l +"\n")
return txt_path
if __name__ =="__main__":
video_file =r"D:\video\example.mp4"# 改成你的视频路径
srt_file = video_to_srt(video_file, model_size="small", language="zh")
txt_file = srt_to_txt(srt_file)
print("全部完成：", txt_file)
执行结果。
也就 2 分钟得视频，怎么这么慢。。
你们可以根据自己电脑配置进行修改代码配置的哈。
成果
进阶版本代码
我的测试机笔记本是 3080 显卡，cpu 是 11th Gen Intel® Core™ i7-11800H @ 2.30GHz (2.30 GHz)，内存 32.0 GB
- 用 GPU（3080）+ whisper
medium 模型识别 - 预设笔记本性能参数（GPU、batch、fp16 等）
依赖确认
虚拟环境里先装好：
pip install --upgrade pip
pip install openai-whisper torch
如果你本地还没装 GPU 版 torch，可以直接试一下，whisper 会自动尝试用 GPU；
如果报错说没有 CUDA，再按官方指引装对应 CUDA 版本的 torch。
批量处理脚本：batch_video_to_txt.py
import os
import re
import torch
import whisper
from typing import List
# -------------------- 配置区域 --------------------
# 要批量处理的视频目录（改成你的目录）
VIDEO_DIR =r"D:\work\videos"
# 支持的视频扩展名
VIDEO_EXTS ={".mp4",".mkv",".avi",".mov",".flv",".wmv",".m4v"}
# whisper 模型大小：tiny / base / small / medium / large
# 你 3080 + 32G，建议直接用 medium，效果和速度比较均衡
WHISPER_MODEL_SIZE ="medium"
# 语言：中文 "zh"，英文 "en"，None 自动检测
LANGUAGE =None# 如果大部分是中文，也可以写成 "zh"
# 是否强制使用 GPU（如果有）
USE_GPU =True
# -------------------- 工具函数 --------------------
deflist_videos(root:str)-> List[str]:
"""递归扫描目录下所有视频文件"""
files =[]
for dirpath, _, filenames in os.walk(root):
for name in filenames:
ext = os.path.splitext(name)[1].lower()
if ext in VIDEO_EXTS:
files.append(os.path.join(dirpath, name))
return files
defformat_timestamp(t:float)->str:
"""秒 -> SRT 时间格式 00:00:00,000"""
h =int(t //3600)
m =int((t %3600)//60)
s =int(t %60)
ms =int((t -int(t))*1000)
returnf"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
defsave_srt(result:dict, srt_path:str):
"""whisper 识别结果保存为 .srt"""
withopen(srt_path,"w", encoding="utf-8")as f:
for i, seg inenumerate(result["segments"], start=1):
start = seg["start"]
end = seg["end"]
text = seg["text"].strip()
f.write(f"{i}\n")
f.write(f"{format_timestamp(start)} --> {format_timestamp(end)}\n")
f.write(text +"\n\n")
defsrt_to_txt(srt_path:str)->str:
"""从 .srt 提取纯文本，保存为 .txt"""
base, _ = os.path.splitext(srt_path)
txt_path = base +".txt"
lines =[]
withopen(srt_path,"r", encoding="utf-8")as f:
for line in f:
line = line.strip()
ifnot line:
continue
if line.isdigit():
continue
if re.match(r"\d{2}:\d{2}:\d{2},\d{3} -->", line):
continue
lines.append(line)
withopen(txt_path,"w", encoding="utf-8")as f:
for l in lines:
f.write(l +"\n")
return txt_path
# -------------------- 主逻辑 --------------------
defmain():
# 检查 CUDA
if USE_GPU and torch.cuda.is_available():
device ="cuda"
else:
device ="cpu"
print(f"使用设备: {device}")
print(f"加载 whisper 模型: {WHISPER_MODEL_SIZE}")
# 加载模型（放外面，只加载一次，批量用）
model = whisper.load_model(WHISPER_MODEL_SIZE, device=device)
# 性能参数：你 3080，可以开 fp16 + 合理的 beam_size
# （如果要自定义可以改这里）
common_kwargs ={
"fp16": device =="cuda",# GPU 用 fp16，CPU 用 fp32
"beam_size":5,
"best_of":5,
}
if LANGUAGE:
common_kwargs["language"]= LANGUAGE
# 扫描所有视频
videos = list_videos(VIDEO_DIR)
ifnot videos:
print(f"目录下没有找到视频文件: {VIDEO_DIR}")
return
print(f"在 {VIDEO_DIR} 发现 {len(videos)} 个视频文件")
for idx, video_path inenumerate(videos, start=1):
base, ext = os.path.splitext(video_path)
srt_path = base +".srt"
txt_path = base +".txt"
print(f"\n[{idx}/{len(videos)}] 处理: {video_path}")
# 如果已经有 txt，默认跳过（避免重复算）
if os.path.exists(txt_path):
print(f"已存在 txt，跳过: {txt_path}")
continue
# 如果已经有 srt，就直接转 txt
if os.path.exists(srt_path):
print(f"已存在 srt，直接生成 txt: {srt_path}")
srt_to_txt(srt_path)
print(f"完成 txt: {txt_path}")
continue
# 识别
print("开始识别（whisper.transcribe）...")
result = model.transcribe(video_path,**common_kwargs)
# 保存 srt
save_srt(result, srt_path)
print(f"完成 srt: {srt_path}")
# srt -> txt
txt_path = srt_to_txt(srt_path)
print(f"完成 txt: {txt_path}")
print("\n全部视频处理完毕。")
if __name__ =="__main__":
main()
使用方式
- 把脚本保存为：
batch_video_to_txt.py - 把你要处理的视频都放到一个目录，例如：
D:\work\videos
VIDEO_DIR =r"D:\work\videos"
WHISPER_MODEL_SIZE ="medium"# 也可以试试 "large"
LANGUAGE =None# 全中文可以写成 "zh"
cd D:\work\py\video_to_txt
.\venv\Scripts\activate
python batch_video_to_txt.py
处理逻辑：
- 如果有
.srt 没 .txt，只做 srt→txt，不重复识别。
本作品采用《CC 协议》，转载必须注明作者和本文链接
