mirror of
https://github.com/HiMeditator/auto-caption.git
synced 2026-02-14 03:24:44 +08:00
118 lines
4.6 KiB
Markdown
118 lines
4.6 KiB
Markdown
# 字幕引擎说明文档
|
||
|
||
|
||
|
||
## 字幕引擎介绍
|
||
|
||
所谓的字幕引擎实际上是一个子程序，它会实时获取系统音频输入（录音）或输出（播放声音）的流式数据，并调用音频转文字的模型生成对应音频的字幕。生成的字幕转换为 JSON 格式的字符串数据，并通过标准输出传递给主程序（需要保证主程序读取到的字符串可以被正确解释为 JSON 对象）。主程序读取并解释字幕数据，处理后显示在窗口上。
|
||
|
||
## 字幕引擎需要实现的功能
|
||
|
||
### 音频获取
|
||
|
||
首先，你的字幕引擎需要获取系统音频输入（录音）或输出（播放声音）的流式数据。如果使用 Python 开发，可以使用 PyAudio 库获取麦克风音频输入数据（全平台通用）。使用 PyAudioWPatch 库获取系统音频输出（仅适用于 Windows 平台）。
|
||
|
||
一般获取的音频流数据实际上是一个一个的时间比较短的音频块，需要根据模型调整音频块的大小。比如阿里云的 Gummy 模型使用 0.05 秒大小的音频块识别效果优于使用 0.2 秒大小的音频块。
|
||
|
||
### 音频处理
|
||
|
||
获取到的音频流在转文字之前可能需要进行预处理。比如阿里云的 Gummy 模型只能识别单通道的音频流，而收集的音频流一般是双通道的，因此要将双通道音频流转换为单通道。通道数的转换可以使用 NumPy 库中的方法实现。
|
||
|
||
你可以直接使用我开发好的音频获取和音频处理模块（路径：`caption-engine/sysaudio`）：
|
||
|
||
```python
|
||
if sys.platform == 'win32':
|
||
from sysaudio.win import AudioStream, mergeStreamChannels
|
||
elif sys.platform == 'linux':
|
||
from sysaudio.linux import AudioStream, mergeStreamChannels
|
||
else:
|
||
raise NotImplementedError(f"Unsupported platform: {sys.platform}")
|
||
|
||
# 创建音频流对象实例
|
||
stream = AudioStream(audio_type)
|
||
# 打开音频流
|
||
stream.openStream()
|
||
while True: # 循环读取音频数据
|
||
# 读取音频数据
|
||
data = stream.stream.read(stream.CHUNK)
|
||
# 将双通道音频数据转换为单通道
|
||
data = mergeStreamChannels(data, stream.CHANNELS)
|
||
# 调用音频转文字模型
|
||
# ... ...
|
||
```
|
||
|
||
### 音频转文字
|
||
|
||
在得到了合适的音频流后，就可以将音频流转换为文字了。一般使用各种模型来实现音频流转文字。可根据需求自行选择模型。
|
||
|
||
### 数据传递
|
||
|
||
在获取到当前音频流的文字后，需要将文字传递给主程序。字幕引擎进程通过标准输出将字幕数据传递给 electron 主进程。
|
||
|
||
传递的内容必须是 JSON 字符串，其中 JSON 对象需要包含的参数如下：
|
||
|
||
```typescript
|
||
export interface CaptionItem {
|
||
index: number, // 字幕序号
|
||
time_s: string, // 当前字幕开始时间
|
||
time_t: string, // 当前字幕结束时间
|
||
text: string, // 字幕内容
|
||
translation: string // 字幕翻译
|
||
}
|
||
```
|
||
|
||
**注意必须确保咱们一起每输出一次字幕 JSON 数据就得刷新缓冲区，确保 electron 主进程每次接收到的字符串都可以被解释为 JSON 对象。**
|
||
|
||
如果使用 python 语言，可以参考以下方式将数据传递给主程序：
|
||
|
||
```python
|
||
# caption-engine\main-gummy.py
|
||
sys.stdout.reconfigure(line_buffering=True)
|
||
|
||
# caption-engine\audio2text\gummy.py
|
||
...
|
||
def send_to_node(self, data):
|
||
"""
|
||
将数据发送到 Node.js 进程
|
||
"""
|
||
try:
|
||
json_data = json.dumps(data) + '\n'
|
||
sys.stdout.write(json_data)
|
||
sys.stdout.flush()
|
||
except Exception as e:
|
||
print(f"Error sending data to Node.js: {e}", file=sys.stderr)
|
||
...
|
||
```
|
||
|
||
数据接收端代码如下：
|
||
|
||
|
||
```typescript
|
||
// src\main\utils\engine.ts
|
||
...
|
||
this.process.stdout.on('data', (data) => {
|
||
const lines = data.toString().split('\n');
|
||
lines.forEach((line: string) => {
|
||
if (line.trim()) {
|
||
try {
|
||
const caption = JSON.parse(line);
|
||
addCaptionLog(caption);
|
||
} catch (e) {
|
||
controlWindow.sendErrorMessage('字幕引擎输出内容无法解析为 JSON 对象：' + e)
|
||
console.error('[ERROR] Error parsing JSON:', e);
|
||
}
|
||
}
|
||
});
|
||
});
|
||
|
||
this.process.stderr.on('data', (data) => {
|
||
controlWindow.sendErrorMessage('字幕引擎错误：' + data)
|
||
console.error(`[ERROR] Subprocess Error: ${data}`);
|
||
});
|
||
...
|
||
```
|
||
|
||
## 参考代码
|
||
|
||
本项目 `caption-engine` 文件夹下的 `main-gummy.py` 文件为默认字幕引擎的入口代码。`src\main\utils\engine.ts` 为服务端获取字幕引擎数据和进行处理的代码。可以根据需要阅读了解字幕引擎的实现细节和完整运行过程。
|