OpenClaw Agent
763 lines
18 KiB
Markdown
763 lines
18 KiB
Markdown
# obsidian-kb 本地生成字幕功能 - 详细规划
|
||
|
||
**创建时间**: 2026-02-07 01:26
|
||
**任务优先级**: 🔵 P3（低，可选增强）
|
||
**预计总工时**: 4-6 小时
|
||
|
||
---
|
||
|
||
## 🎯 目标
|
||
|
||
为无字幕视频自动生成字幕，使 AI 分析功能不受字幕限制，覆盖更多视频内容。
|
||
|
||
---
|
||
|
||
## 📋 技术方案对比
|
||
|
||
### 方案对比表
|
||
|
||
| 方案 | 准确度 | 速度 | 成本 | 复杂度 | 推荐度 |
|
||
|------|--------|------|------|--------|--------|
|
||
| **Whisper 本地** | ⭐⭐⭐⭐ | ⭐⭐⭐ | 免费 | 低 | ⭐⭐⭐⭐⭐ |
|
||
| **阿里云 ASR** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | 按量付费 | 低 | ⭐⭐⭐⭐ |
|
||
| **腾讯云 ASR** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | 按量付费 | 低 | ⭐⭐⭐⭐ |
|
||
| **百度云 ASR** | ⭐⭐⭐ | ⭐⭐⭐⭐ | 按量付费 | 低 | ⭐⭐⭐ |
|
||
|
||
### 推荐：Whisper 本地方案
|
||
|
||
**理由：**
|
||
- ✅ 完全免费，无 API 费用
|
||
- ✅ 数据本地处理，隐私安全
|
||
- ✅ 准确度足够（中英文识别效果良好）
|
||
- ✅ 可离线使用
|
||
- ✅ 社区活跃，持续更新
|
||
|
||
**权衡：**
|
||
- ⚠️ 需要下载模型文件（~150MB-3GB）
|
||
- ⚠️ CPU 速度较慢（10分钟视频约需 2-5 分钟）
|
||
- ⚠️ 需要安装 ffmpeg 依赖
|
||
|
||
**优化方向：**
|
||
- 使用 GPU 加速（如果有 CUDA）
|
||
- 选择合适的模型大小（base vs small vs medium）
|
||
- 添加进度反馈和取消功能
|
||
|
||
---
|
||
|
||
## 🏗️ 架构设计
|
||
|
||
### 核心模块
|
||
|
||
```
|
||
subtitle_generator.py ← 新建
|
||
├── AudioDownloader # 音频下载器
|
||
├── WhisperTranscriber # Whisper 识别器
|
||
├── SubtitleFormatter # SRT 格式化器
|
||
├── SubtitleCache # 缓存管理器
|
||
└── SubtitleGenerator # 统一接口
|
||
```
|
||
|
||
### 工作流程
|
||
|
||
```
|
||
用户请求视频处理
|
||
↓
|
||
检查是否有字幕
|
||
↓ [有字幕]
|
||
使用现有字幕
|
||
↓ [无字幕]
|
||
下载音频 (yt-dlp)
|
||
↓
|
||
语音识别 (Whisper)
|
||
↓
|
||
转换为 SRT 格式
|
||
↓
|
||
保存到缓存
|
||
↓
|
||
继续 AI 分析
|
||
```
|
||
|
||
---
|
||
|
||
## 📝 详细实施步骤
|
||
|
||
### Step 1: 环境准备（30分钟）
|
||
|
||
#### 1.1 安装依赖
|
||
```bash
|
||
# Python 包
|
||
pip install openai-whisper
|
||
pip install yt-dlp
|
||
|
||
# 系统依赖（检查）
|
||
ffmpeg -v
|
||
```
|
||
|
||
#### 1.2 验证安装
|
||
```bash
|
||
# 测试 Whisper
|
||
whisper --help
|
||
|
||
# 测试 yt-dlp
|
||
yt-dlp --version
|
||
```
|
||
|
||
#### 1.3 创建缓存目录
|
||
```bash
|
||
mkdir -p cache/audio
|
||
mkdir -p cache/subtitles
|
||
```
|
||
|
||
---
|
||
|
||
### Step 2: 音频下载模块（1小时）
|
||
|
||
#### 2.1 创建 `subtitle_generator.py`
|
||
|
||
```python
|
||
class AudioDownloader:
|
||
"""使用 yt-dlp 下载视频音频"""
|
||
|
||
def download_audio(self, url: str, output_path: str) -> str:
|
||
"""
|
||
下载视频音频
|
||
|
||
Args:
|
||
url: 视频URL
|
||
output_path: 输出音频路径
|
||
|
||
Returns:
|
||
str: 实际保存的音频文件路径
|
||
"""
|
||
import yt_dlp
|
||
|
||
ydl_opts = {
|
||
'format': 'bestaudio/best',
|
||
'outtmpl': output_path,
|
||
'postprocessors': [{
|
||
'key': 'FFmpegExtractAudio',
|
||
'preferredcodec': 'mp3',
|
||
'preferredquality': '192',
|
||
}],
|
||
'quiet': True,
|
||
'no_warnings': True,
|
||
}
|
||
|
||
with yt_dlp.YoutubeDL(ydl_opts) as ydl:
|
||
ydl.download([url])
|
||
|
||
return output_path.replace('.%(ext)s', '.mp3')
|
||
```
|
||
|
||
#### 2.2 测试下载功能
|
||
```bash
|
||
python3 -c "
|
||
from subtitle_generator import AudioDownloader
|
||
downloader = AudioDownloader()
|
||
downloader.download_audio('https://www.bilibili.com/video/BVxxxxx', 'test_audio.mp3')
|
||
"
|
||
```
|
||
|
||
---
|
||
|
||
### Step 3: Whisper 识别模块（1.5小时）
|
||
|
||
#### 3.1 实现 WhisperTranscriber
|
||
|
||
```python
|
||
import whisper
|
||
import time
|
||
|
||
class WhisperTranscriber:
|
||
"""Whisper 语音识别器"""
|
||
|
||
# 模型选择
|
||
MODELS = {
|
||
'tiny': 39M, # 最快，准确度最低
|
||
'base': 74M, # 推荐，速度/准确度平衡
|
||
'small': 244M, # 准确度更高
|
||
'medium': 769M, # 接近专业级
|
||
'large': 1550M, # 最高准确度
|
||
}
|
||
|
||
def __init__(self, model_size: str = 'base'):
|
||
"""
|
||
初始化识别器
|
||
|
||
Args:
|
||
model_size: 模型大小，默认 'base'
|
||
"""
|
||
self.model_size = model_size
|
||
self.model = None
|
||
self.device = None
|
||
|
||
def load_model(self):
|
||
"""加载 Whisper 模型"""
|
||
if self.model is None:
|
||
print(f"加载 Whisper 模型 ({self.model_size})...")
|
||
start_time = time.time()
|
||
|
||
# 自动检测 GPU
|
||
import torch
|
||
self.device = "cuda" if torch.cuda.is_available() else "cpu"
|
||
|
||
self.model = whisper.load_model(
|
||
self.model_size,
|
||
device=self.device
|
||
)
|
||
|
||
load_time = time.time() - start_time
|
||
print(f"模型加载完成 ({self.device}) - 耗时: {load_time:.1f}秒")
|
||
|
||
def transcribe(
|
||
self,
|
||
audio_path: str,
|
||
language: str = None,
|
||
progress_callback = None
|
||
) -> dict:
|
||
"""
|
||
语音识别
|
||
|
||
Args:
|
||
audio_path: 音频文件路径
|
||
language: 语言代码（'zh'、'en'、None=自动检测）
|
||
progress_callback: 进度回调函数
|
||
|
||
Returns:
|
||
dict: Whisper 识别结果
|
||
"""
|
||
self.load_model()
|
||
|
||
print(f"开始识别: {audio_path}")
|
||
start_time = time.time()
|
||
|
||
result = self.model.transcribe(
|
||
audio_path,
|
||
language=language,
|
||
task='transcribe',
|
||
verbose=False
|
||
)
|
||
|
||
duration = time.time() - start_time
|
||
print(f"识别完成 - 耗时: {duration:.1f}秒")
|
||
|
||
return result
|
||
|
||
def get_segments(self, result: dict) -> list:
|
||
"""获取分段信息"""
|
||
return result.get('segments', [])
|
||
```
|
||
|
||
#### 3.2 测试识别功能
|
||
```bash
|
||
python3 -c "
|
||
from subtitle_generator import WhisperTranscriber
|
||
transcriber = WhisperTranscriber('base')
|
||
result = transcriber.transcribe('test_audio.mp3', language='zh')
|
||
print(f'识别文本: {result[\"text\"][:100]}...')
|
||
"
|
||
```
|
||
|
||
---
|
||
|
||
### Step 4: SRT 格式化模块（30分钟）
|
||
|
||
#### 4.1 实现 SubtitleFormatter
|
||
|
||
```python
|
||
class SubtitleFormatter:
|
||
"""字幕格式化器（SRT 格式）"""
|
||
|
||
@staticmethod
|
||
def to_srt(segments: list) -> str:
|
||
"""
|
||
将 Whisper segments 转换为 SRT 格式
|
||
|
||
Args:
|
||
segments: Whisper segments 列表
|
||
|
||
Returns:
|
||
str: SRT 格式文本
|
||
"""
|
||
srt_lines = []
|
||
|
||
for i, segment in enumerate(segments, 1):
|
||
# SRT 格式：
|
||
# 序号
|
||
# 开始时间 --> 结束时间
|
||
# 文本
|
||
# 空行
|
||
|
||
start_time = SubtitleFormatter._seconds_to_srt_time(segment['start'])
|
||
end_time = SubtitleFormatter._seconds_to_srt_time(segment['end'])
|
||
text = segment['text'].strip()
|
||
|
||
srt_lines.append(str(i))
|
||
srt_lines.append(f"{start_time} --> {end_time}")
|
||
srt_lines.append(text)
|
||
srt_lines.append("")
|
||
|
||
return "\n".join(srt_lines)
|
||
|
||
@staticmethod
|
||
def _seconds_to_srt_time(seconds: float) -> str:
|
||
"""
|
||
将秒数转换为 SRT 时间格式 (HH:MM:SS,mmm)
|
||
|
||
Args:
|
||
seconds: 秒数
|
||
|
||
Returns:
|
||
str: SRT 时间格式
|
||
"""
|
||
hours = int(seconds // 3600)
|
||
minutes = int((seconds % 3600) // 60)
|
||
secs = int(seconds % 60)
|
||
millis = int((seconds - int(seconds)) * 1000)
|
||
|
||
return f"{hours:02d}:{minutes:02d}:{secs:02d},{millis:03d}"
|
||
```
|
||
|
||
#### 4.2 测试格式化
|
||
```bash
|
||
python3 -c "
|
||
from subtitle_generator import SubtitleFormatter
|
||
segments = [{'start': 0.0, 'end': 2.5, 'text': '测试字幕'}]
|
||
srt = SubtitleFormatter.to_srt(segments)
|
||
print(srt)
|
||
"
|
||
```
|
||
|
||
---
|
||
|
||
### Step 5: 缓存管理模块（30分钟）
|
||
|
||
#### 5.1 实现 SubtitleCache
|
||
|
||
```python
|
||
import os
|
||
import hashlib
|
||
from pathlib import Path
|
||
|
||
class SubtitleCache:
|
||
"""字幕缓存管理器"""
|
||
|
||
def __init__(self, cache_dir: str = 'cache/subtitles'):
|
||
"""
|
||
初始化缓存
|
||
|
||
Args:
|
||
cache_dir: 缓存目录
|
||
"""
|
||
self.cache_dir = Path(cache_dir)
|
||
self.cache_dir.mkdir(parents=True, exist_ok=True)
|
||
|
||
def get_cache_key(self, url: str) -> str:
|
||
"""
|
||
生成缓存键
|
||
|
||
Args:
|
||
url: 视频URL
|
||
|
||
Returns:
|
||
str: 缓存键（SHA256 哈希的前8位）
|
||
"""
|
||
return hashlib.sha256(url.encode()).hexdigest()[:8]
|
||
|
||
def get_cache_path(self, url: str) -> str:
|
||
"""
|
||
获取缓存文件路径
|
||
|
||
Args:
|
||
url: 视频URL
|
||
|
||
Returns:
|
||
str: 缓存文件路径
|
||
"""
|
||
cache_key = self.get_cache_key(url)
|
||
return str(self.cache_dir / f"{cache_key}.srt")
|
||
|
||
def get(self, url: str) -> str:
|
||
"""
|
||
获取缓存字幕
|
||
|
||
Args:
|
||
url: 视频URL
|
||
|
||
Returns:
|
||
str | None: 缓存的字幕内容，如果不存在返回 None
|
||
"""
|
||
cache_path = self.get_cache_path(url)
|
||
|
||
if os.path.exists(cache_path):
|
||
with open(cache_path, 'r', encoding='utf-8') as f:
|
||
return f.read()
|
||
|
||
return None
|
||
|
||
def set(self, url: str, subtitle: str) -> str:
|
||
"""
|
||
保存缓存字幕
|
||
|
||
Args:
|
||
url: 视频URL
|
||
subtitle: 字幕内容
|
||
|
||
Returns:
|
||
str: 缓存文件路径
|
||
"""
|
||
cache_path = self.get_cache_path(url)
|
||
|
||
with open(cache_path, 'w', encoding='utf-8') as f:
|
||
f.write(subtitle)
|
||
|
||
return cache_path
|
||
|
||
def exists(self, url: str) -> bool:
|
||
"""检查缓存是否存在"""
|
||
return os.path.exists(self.get_cache_path(url))
|
||
```
|
||
|
||
---
|
||
|
||
### Step 6: 统一接口模块（30分钟）
|
||
|
||
#### 6.1 实现 SubtitleGenerator
|
||
|
||
```python
|
||
class SubtitleGenerator:
|
||
"""字幕生成器统一接口"""
|
||
|
||
def __init__(self, model_size: str = 'base', cache_dir: str = 'cache/subtitles'):
|
||
"""
|
||
初始化生成器
|
||
|
||
Args:
|
||
model_size: Whisper 模型大小
|
||
cache_dir: 缓存目录
|
||
"""
|
||
self.audio_downloader = AudioDownloader()
|
||
self.transcriber = WhisperTranscriber(model_size)
|
||
self.formatter = SubtitleFormatter()
|
||
self.cache = SubtitleCache(cache_dir)
|
||
|
||
def generate(
|
||
self,
|
||
url: str,
|
||
content_id: str,
|
||
audio_cache_dir: str = 'cache/audio',
|
||
language: str = None,
|
||
use_cache: bool = True
|
||
) -> str:
|
||
"""
|
||
生成字幕
|
||
|
||
Args:
|
||
url: 视频URL
|
||
content_id: 内容ID
|
||
audio_cache_dir: 音频缓存目录
|
||
language: 语言代码（None=自动检测）
|
||
use_cache: 是否使用缓存
|
||
|
||
Returns:
|
||
str: SRT 格式字幕
|
||
"""
|
||
# 检查缓存
|
||
if use_cache and self.cache.exists(url):
|
||
print(f"使用缓存字幕: {url}")
|
||
return self.cache.get(url)
|
||
|
||
print(f"开始生成字幕: {url}")
|
||
|
||
# 下载音频
|
||
import os
|
||
os.makedirs(audio_cache_dir, exist_ok=True)
|
||
audio_path = os.path.join(audio_cache_dir, f"{content_id}.mp3")
|
||
|
||
print(f"下载音频...")
|
||
audio_path = self.audio_downloader.download_audio(url, audio_path)
|
||
|
||
# 语音识别
|
||
result = self.transcriber.transcribe(audio_path, language=language)
|
||
segments = self.transcriber.get_segments(result)
|
||
|
||
# 转换为 SRT
|
||
srt_text = self.formatter.to_srt(segments)
|
||
|
||
# 保存缓存
|
||
cache_path = self.cache.set(url, srt_text)
|
||
print(f"字幕已缓存: {cache_path}")
|
||
|
||
# 清理音频文件（可选）
|
||
# os.remove(audio_path)
|
||
|
||
return srt_text
|
||
```
|
||
|
||
---
|
||
|
||
### Step 7: 集成到现有流程（1小时）
|
||
|
||
#### 7.1 修改 `pipeline.py`
|
||
|
||
在 `ProcessingPipeline` 中集成字幕生成：
|
||
|
||
```python
|
||
from subtitle_generator import SubtitleGenerator
|
||
|
||
class ProcessingPipeline:
|
||
|
||
def __init__(self, config: Config = None):
|
||
self.config = config or get_config()
|
||
# ... 现有初始化
|
||
|
||
# 添加字幕生成器
|
||
self.subtitle_generator = SubtitleGenerator(
|
||
model_size=self.config.get('subtitle_model', 'base'),
|
||
cache_dir=self.config.get('subtitle_cache_dir', 'cache/subtitles')
|
||
)
|
||
|
||
def _ensure_subtitle(self, content: Content) -> str:
|
||
"""
|
||
确保内容有字幕，如果没有则生成
|
||
|
||
Args:
|
||
content: 内容对象
|
||
|
||
Returns:
|
||
str: 字幕文本
|
||
"""
|
||
# 1. 检查是否已有字幕
|
||
if content.transcript and len(content.transcript) > 100:
|
||
print("使用现有字幕")
|
||
return content.transcript
|
||
|
||
# 2. 检查是否启用自动生成
|
||
if not self.config.get('auto_generate_subtitles', False):
|
||
print("自动生成字幕未启用，跳过")
|
||
return ""
|
||
|
||
# 3. 生成字幕
|
||
try:
|
||
print(f"开始自动生成字幕...")
|
||
transcript = self.subtitle_generator.generate(
|
||
url=content.url,
|
||
content_id=content.id,
|
||
language=self.config.get('subtitle_language', None),
|
||
use_cache=True
|
||
)
|
||
|
||
# 更新内容
|
||
content.transcript = transcript
|
||
self.storage.save_content(content)
|
||
|
||
return transcript
|
||
|
||
except Exception as e:
|
||
print(f"字幕生成失败: {e}")
|
||
import traceback
|
||
traceback.print_exc()
|
||
return ""
|
||
```
|
||
|
||
#### 7.2 更新配置文件
|
||
|
||
在 `config.yaml` 中添加字幕配置：
|
||
|
||
```yaml
|
||
# 字幕生成配置
|
||
subtitle:
|
||
enabled: false # 是否启用自动生成
|
||
model: base # Whisper 模型大小: tiny/base/small/medium/large
|
||
language: null # 语言: zh/en/null(自动检测)
|
||
cache_dir: cache/subtitles # 缓存目录
|
||
audio_cache_dir: cache/audio # 音频缓存目录
|
||
```
|
||
|
||
---
|
||
|
||
### Step 8: 测试与优化（1小时）
|
||
|
||
#### 8.1 创建测试脚本
|
||
|
||
```python
|
||
# test_subtitle_generator.py
|
||
|
||
def test_full_workflow():
|
||
"""测试完整工作流程"""
|
||
|
||
generator = SubtitleGenerator(model_size='base')
|
||
|
||
# 测试 URL（10分钟左右的视频）
|
||
test_url = "https://www.bilibili.com/video/BV1xx411c7mD"
|
||
|
||
print("=" * 50)
|
||
print("测试完整字幕生成流程")
|
||
print("=" * 50)
|
||
|
||
srt_text = generator.generate(
|
||
url=test_url,
|
||
content_id='test001',
|
||
language='zh',
|
||
use_cache=True
|
||
)
|
||
|
||
print(f"\n生成字幕预览（前500字符）：")
|
||
print(srt_text[:500])
|
||
|
||
print(f"\n总字符数: {len(srt_text)}")
|
||
|
||
# 验证缓存
|
||
print("\n验证缓存...")
|
||
cached = generator.generate(
|
||
url=test_url,
|
||
content_id='test002',
|
||
use_cache=True
|
||
)
|
||
assert cached == srt_text, "缓存验证失败"
|
||
print("✅ 缓存正常")
|
||
|
||
print("\n✅ 测试通过")
|
||
|
||
if __name__ == '__main__':
|
||
test_full_workflow()
|
||
```
|
||
|
||
#### 8.2 性能测试
|
||
|
||
| 模型 | 10分钟视频时长 | 准确度 | 推荐场景 |
|
||
|------|---------------|--------|----------|
|
||
| tiny | ~30秒 | ⭐⭐ | 快速测试、批量处理 |
|
||
| base | ~2分钟 | ⭐⭐⭐⭐ | 日常使用（推荐）|
|
||
| small | ~5分钟 | ⭐⭐⭐⭐⭐ | 高质量需求 |
|
||
| medium | ~10分钟 | ⭐⭐⭐⭐⭐ | 专业用途 |
|
||
| large | ~15分钟+ | ⭐⭐⭐⭐⭐ | 最高准确度 |
|
||
|
||
---
|
||
|
||
## 📦 文件清单
|
||
|
||
### 新增文件
|
||
```
|
||
skills/obsidian-kb/
|
||
├── subtitle_generator.py # 核心模块
|
||
├── test_subtitle_generator.py # 测试脚本
|
||
├── cache/
|
||
│ ├── audio/ # 音频缓存
|
||
│ └── subtitles/ # 字幕缓存
|
||
```
|
||
|
||
### 修改文件
|
||
```
|
||
skills/obsidian-kb/
|
||
├── src/pipeline.py # 集成字幕生成
|
||
├── config.yaml.example # 添加字幕配置
|
||
├── SKILL.md # 更新文档
|
||
├── requirements.txt # 添加依赖
|
||
```
|
||
|
||
### 依赖更新
|
||
|
||
`requirements.txt`:
|
||
```
|
||
openai-whisper>=20230314
|
||
yt-dlp>=2023.1.6
|
||
torch>=2.0.0 # Whisper 依赖
|
||
```
|
||
|
||
---
|
||
|
||
## ✅ 验收标准
|
||
|
||
### 功能验收
|
||
- [ ] 无字幕视频能成功生成字幕
|
||
- [ ] 字幕准确度可接受（测试 5 个视频）
|
||
- [ ] 处理时间合理（10分钟视频 < 5 分钟，使用 base 模型）
|
||
- [ ] 支持中文字幕
|
||
- [ ] 支持英文识别
|
||
- [ ] 缓存机制正常工作（避免重复生成）
|
||
- [ ] 集成到 pipeline，无字幕视频自动生成
|
||
|
||
### 代码验收
|
||
- [ ] 代码结构清晰，模块化设计
|
||
- [ ] 有完整的错误处理
|
||
- [ ] 有日志输出和进度反馈
|
||
- [ ] 单元测试通过
|
||
- [ ] 集成测试通过
|
||
|
||
### 文档验收
|
||
- [ ] SKILL.md 更新，说明字幕生成功能
|
||
- [ ] 配置文档说明（config.yaml.example）
|
||
- [ ] 有使用示例和注意事项
|
||
|
||
---
|
||
|
||
## ⚠️ 注意事项
|
||
|
||
### 1. 存储空间
|
||
- Whisper 模型文件：~150MB (tiny) - 3GB (large)
|
||
- 音频缓存：每分钟视频约 1-2MB
|
||
- 字幕缓存：每分钟视频约 1-3KB
|
||
|
||
**建议：**
|
||
- 定期清理 `cache/audio` 目录
|
||
- 字幕缓存可以长期保留
|
||
- 使用 `base` 模型作为默认
|
||
|
||
### 2. CPU/GPU
|
||
- **无 GPU**: 使用 base 模型，10分钟视频约 2-5 分钟
|
||
- **有 GPU**: 可使用 medium/large 模型，速度提升 5-10 倍
|
||
|
||
### 3. 隐私安全
|
||
- Whisper 本地处理，不上传音频
|
||
- 缓存文件在本地，不共享
|
||
|
||
### 4. 错误处理
|
||
- 下载失败 → 记录错误，继续处理
|
||
- 识别失败 → 记录错误，继续处理
|
||
- 格式化失败 → 使用原始文本
|
||
|
||
---
|
||
|
||
## 🎯 预期效果
|
||
|
||
### 用户体验
|
||
- 无字幕视频也能生成笔记
|
||
- 等待时间可接受（显示进度）
|
||
- 缓存加速重复处理
|
||
|
||
### 覆盖率提升
|
||
- 当前：只能处理有字幕视频（~60%）
|
||
- 目标：所有视频（~95%，部分音频质量问题除外）
|
||
|
||
### 成本
|
||
- 软件成本：0 元（开源免费）
|
||
- 硬件成本：0 元（复用现有机器）
|
||
- 网络流量：下载音频（每次约 5-20MB）
|
||
|
||
---
|
||
|
||
## 📅 时间线
|
||
|
||
| 阶段 | 任务 | 预计时间 |
|
||
|------|------|----------|
|
||
| Phase 1 | 环境准备 + 音频下载 | 1.5h |
|
||
| Phase 2 | Whisper 识别 + SRT 格式化 | 2h |
|
||
| Phase 3 | 缓存 + 集成 + 测试 | 1.5h |
|
||
| Phase 4 | 文档 + 优化 | 1h |
|
||
| **总计** | | **4-6h** |
|
||
|
||
---
|
||
|
||
## 🚀 后续优化方向
|
||
|
||
1. **GPU 加速** - 如果有 CUDA，可大幅提升速度
|
||
2. **多语言支持** - 支持更多语言识别
|
||
3. **批量处理** - 一次生成多个视频的字幕
|
||
4. **字幕编辑** - 提供 Web 界面编辑生成的字幕
|
||
5. **云端集成** - 可选切换到云 API（阿里云/腾讯云）
|
||
|
||
---
|
||
|
||
**规划完成！是否开始实施？**
|