如何将语音识别文本转换为标准.srt字幕并实现停顿分段？

你当前的代码只能获取完整的识别文本，无法拿到语音停顿的时间戳，要生成标准SRT字幕，需要换用支持返回时间戳信息的语音识别工具，这里推荐使用OpenAI的Whisper模型——它本地即可运行，能返回词级或句子级的时间戳，完全满足需求。

步骤1：安装依赖 #

先安装Whisper和必要的音频处理库：

pip install openai-whisper ffmpeg-python

步骤2：带时间戳的语音识别与SRT生成 #

替换原有的识别代码，用Whisper完成转录并生成SRT文件：

import whisper
from datetime import timedelta

def format_time(seconds):
    """将秒数格式化为SRT要求的时间格式：HH:MM:SS,mmm"""
    td = timedelta(seconds=seconds)
    hours = td.seconds // 3600
    minutes = (td.seconds % 3600) // 60
    secs = td.seconds % 60
    millis = td.microseconds // 1000
    return f"{hours:02d}:{minutes:02d}:{secs:02d},{millis:03d}"

def generate_srt(audio_path, output_srt_path):
    # 加载Whisper模型（可选base/small/large等，越大精度越高）
    model = whisper.load_model("base")
    # 开启word_timestamps获取词级时间戳，方便分割字幕
    result = model.transcribe(audio_path, word_timestamps=True)

    srt_content = []
    subtitle_index = 1
    current_start = None
    current_text = []
    max_words_per_subtitle = 8  # 控制每个字幕的单词数，避免过长

    for segment in result["segments"]:
        for word in segment["words"]:
            if current_start is None:
                current_start = word["start"]
            
            current_text.append(word["word"])
            # 当达到指定单词数，或遇到标点结尾时，生成一个字幕片段
            if len(current_text) >= max_words_per_subtitle or word["word"].strip()[-1] in ".!?":
                current_end = word["end"]
                # 格式化时间
                start_time = format_time(current_start)
                end_time = format_time(current_end)
                # 拼接字幕内容
                srt_content.append(f"{subtitle_index}")
                srt_content.append(f"{start_time} --> {end_time}")
                srt_content.append(" ".join(current_text).strip().capitalize())
                srt_content.append("")  # 空行分隔字幕
                
                subtitle_index += 1
                current_start = None
                current_text = []
    
    # 处理最后一段剩余的文本
    if current_text:
        current_end = segment["words"][-1]["end"]
        start_time = format_time(current_start)
        end_time = format_time(current_end)
        srt_content.append(f"{subtitle_index}")
        srt_content.append(f"{start_time} --> {end_time}")
        srt_content.append(" ".join(current_text).strip().capitalize())
        srt_content.append("")
    
    # 写入SRT文件
    with open(output_srt_path, "w", encoding="utf-8") as f:
        f.write("\n".join(srt_content))

# 调用函数生成SRT
generate_srt("intro.wav", "intro.srt")

代码说明 #

• format_time函数：将Whisper返回的秒数转换为SRT标准的时间格式（比如00:00:01,510）。
• 字幕分割逻辑：通过控制每个字幕的单词数（max_words_per_subtitle）和标点符号，自动识别语音停顿点，生成符合阅读习惯的字幕片段。
• Whisper模型选择：base模型体积小、速度快，适合快速测试；如果需要更高精度（比如识别专业术语、口音），可以换成small或large模型。

生成的SRT示例 #

运行后生成的intro.srt内容会类似：

1
00:00:01,510 --> 00:00:05,860
This is chapter 1 of the flask mega tutorial welcome.

2
00:00:05,860 --> 00:00:11,270
Before we begin i want to spend a couple of minutes showing you how you can work.

内容的提问来源于stack exchange，提问作者Oliveira