能否通过Whisper API生成.SRT格式的转录文件？

Whisper API本身不支持直接输出SRT格式，但可以通过获取带时间戳的详细转录数据，自行转换生成SRT文件，具体步骤如下：

• 第一步：获取带时间戳的转录数据
  默认调用openai.Audio.transcribe只会返回纯文本，需要指定response_format="verbose_json"参数，获取包含每个语音分段的开始/结束时间、文本等详细信息。修改后的API调用代码示例：

  import openai
  
  openai.api_key = "你的API密钥"
  audio_file = open("audio.mp3", "rb")
  transcript = openai.Audio.transcribe(
      model="whisper-1",
      file=audio_file,
      response_format="verbose_json"
  )
  

• 第二步：将转录数据转换为SRT格式
  SRT文件有固定格式：每段包含序号、时间范围、文本内容。编写逻辑提取transcript["segments"]中的数据，转换为符合规范的SRT内容：

  def format_srt_time(seconds):
      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}"
  
  def build_srt_content(transcript_data):
      srt_lines = []
      for i, segment in enumerate(transcript_data["segments"], 1):
          start = format_srt_time(segment["start"])
          end = format_srt_time(segment["end"])
          text = segment["text"].strip()
          srt_lines.extend([str(i), f"{start} --> {end}", text, ""])
      return "\n".join(srt_lines)
  
  # 生成并保存SRT文件
  srt_content = build_srt_content(transcript)
  with open("audio_transcript.srt", "w", encoding="utf-8") as f:
      f.write(srt_content)
  

这种方式不局限于Python，只要能调用Whisper API并解析JSON响应的语言都能实现。核心逻辑都是：请求详细格式的转录结果，提取分段时间和文本，按SRT规范拼接内容。

内容的提问来源于stack exchange，提问作者SazCoR