本文共 1731 字，大约阅读时间需要 5 分钟。

1，windows下有软件，百度一搜索一堆，但效果一般，推荐“录音啦”

2，开源软件autosub，archtime(视频添加字幕)，其中autosub以来google的语音识别接口，国内翻“强"后稳定性不佳可能导致翻译失败（400M的视频，从来没成功过）

3，ibm工具SpeechRecognition

ffmpeg视频提取音频为wav

ffmpeg -i 01-20170326.mp4 -f wav  -ar 16000 01.wav

import speech_recognition as sr path='/media/john/本地磁盘/TDDOWNLOAD/vnpy_video/01.wav' r = sr.Recognizer() with sr.WavFile(path) as source:     audio = r.record(source) IBM_USERNAME='xxxxx' IBM_PASSWORD='xxxx' text = r.recognize_ibm(audio, username = IBM_USERNAME, password = IBM_PASSWORD, language = 'zh-CN') （如果太长的化可能会报错）

音频的倍率加速：ffmpeg -i 01.wav -filter:a "atempo=2.0" -vn 01_s.wav

音频的清除静音：ffmpeg -i 01_s.wav -af silenceremove=1:0:-50dB:-1:0:-50dB 01_sb.wav

多段视频合并

ffmpeg -i 03_sb.wav -i 04_sb.wav -filter_complex '[0:0] [1:0] concat=n=2:v=0:a=1 [a]' -map [a] cat_03_04.wav

ffmpeg -i 03_sb.wav -i 04_sb.wav -i 06_sb.wav -filter_complex '[0:0] [1:0] [2:0] concat=n=3:v=0:a=1 [a]' -map [a] cat_03_04_06.wav ffmpeg -i 01_sb.wav -i 02_sb.wav -i 05_sb.wav -i 06_sb.wav -filter_complex '[0:0] [1:0] [2:0] [3:0] concat=n=4:v=0:a=1 [a]' -map [a] cat_01_02_05_06.wav

视频精确切分：ffmpeg -i cat_03_04_06.wav -ss 0 -t 7200 -codec copy cat_03_04_06_cat.wav

参考：https://blog.csdn.net/huplion/article/details/80839944 https://blog.csdn.net/qq_42156420/article/details/81122018 https://github.com/watson-developer-cloud/python-sdk https://pypi.org/project/SpeechRecognition/ https://github.com/watson-developer-cloud/python-sdk https://github.com/watson-developer-cloud/python-sdk/blob/master/examples/speech_to_text_v1.py https://blog.csdn.net/tang20120235/article/details/49762421#

4，讯飞，百度等国内大公司的语音识别接口 开发参考：https://blog.csdn.net/yuanlulu/article/details/81947880 讯飞听见：https://www.iflyrec.com/html/addMachineOrder.html（长语音效果最佳，但是要收费）