Google Text-to-Speech API能否生成同步字幕及实现方法问询

核心结论 #

Google Text-to-Speech API不直接提供SRT/VTT格式的同步字幕生成功能，但可以通过API返回的时间戳数据，自行转换生成符合要求的字幕文件，实现与音频的同步。

实现步骤 #

1. 开启时间戳获取
   调用API时，在请求参数中添加enable_time_pointing配置，指定获取词级（SYNTHESIS_WORD）或音素级（SYNTHESIS_PHONEME）的时间戳。示例请求参数（以REST API为例）：

   {
     "input": {"text": "需要转换的文本内容"},
     "voice": {"languageCode": "zh-CN", "name": "zh-CN-Standard-A"},
     "audioConfig": {"audioEncoding": "MP3"},
     "enableTimePointing": ["SYNTHESIS_WORD"]
   }
   

2. 解析时间戳数据
   API返回的响应中会包含timepoints数组，每个元素包含对应文本片段的startTime、endTime和markName（即对应的词或音素）。例如：

   "timepoints": [
     {"startTime": "0s", "endTime": "0.3s", "markName": "需要"},
     {"startTime": "0.3s", "endTime": "0.7s", "markName": "转换"},
     ...
   ]
   

3. 转换为SRT/VTT格式
   编写脚本将时间戳数据转换为目标格式。以下是简单的Python示例（生成SRT）：

   def generate_srt(timepoints):
       srt_content = ""
       for idx, point in enumerate(timepoints, 1):
           # 转换时间格式为SRT要求的 HH:MM:SS,mmm
           start = format_time(point["startTime"])
           end = format_time(point["endTime"])
           srt_content += f"{idx}\n{start} --> {end}\n{point['markName']}\n\n"
       return srt_content
   
   def format_time(time_str):
       # 处理API返回的"Xs"格式，转换为SRT时间格式
       seconds = float(time_str[:-1])
       hours = int(seconds // 3600)
       minutes = int((seconds % 3600) // 60)
       secs = seconds % 60
       return f"{hours:02d}:{minutes:02d}:{secs:06.3f}".replace(".", ",")
   

使用限制 #

• 语言支持范围：时间戳功能仅支持部分语言和语音模型，需确认目标语言是否在支持列表内
• 时间戳精度：词级时间戳适用于大部分字幕场景，音素级精度更高但处理更复杂
• 文本长度限制：API单请求的文本长度上限会影响时间戳的完整性，超长文本需拆分请求后再合并字幕

与AWS Polly的差异 #

AWS Polly直接内置了字幕生成功能，可直接输出SRT/VTT；而Google TTS需要自行处理时间戳转换，但优势在于可以自定义字幕的格式、分段规则等，灵活性更强。

内容的提问来源于stack exchange，提问作者Min Chen