Whisper 字幕生成器

解决什么问题

视频或播客做完之后，加字幕往往是最磨人的环节：听写、校时间轴、对齐口型，一轮下来几小时就没了。Whisper 字幕生成器把这个流程压缩成一条命令：给一段音频，产出带词级时间戳的字幕文件，可以直接使用。

核心能力

• 多格式输出：支持 SRT、VTT、ASS 三种字幕格式，覆盖通用播放器、网页与字幕精修场景。
• 词级时间戳：不只标到句子，还能对齐到单词，适合卡拉 OK 字幕、逐词高亮或后续检索剪辑。
• 行长度可配置：字幕每行字数可自行设定，避免长句糊屏。
• 说话人识别：通过 pyannote 区分不同说话人，访谈、圆桌内容可以按人标注。

工作流程

1. 输入音频，调用 OpenAI Whisper 模型转写。
2. 生成带词级时间戳的文本。
3. 可选启用 pyannote 说话人分离。
4. 按目标格式（SRT / VTT / ASS）和行长度约束渲染输出。

适用边界与注意点

• 项目基于 Python 3.9.9 与 PyTorch 1.10.1 开发测试，但代码预期兼容 Python 3.8–3.11 及较新的 PyTorch 版本，升级前建议先跑一遍样例。
• 依赖系统安装 ffmpeg 命令行工具，多数包管理器可获取；缺失时处理音视频会报错。
• Whisper 对背景音乐嘈杂、口音浓重或多人同时说话的音频，准确率会下降，产出后建议人工抽查校对。
• 原始文档提取自 openai/whisper 上游仓库 README，遇到问题时可对照上游资料排查。