这个Apple PodCast下载转字幕的脚本基本上可以用了，需要借助Google Colab colab.research.google.com ，按照上面的步骤执行，输入你要下载的PodCast Url，目前只支持MP3和M4A格式的音频。
自动生成srt字幕。
github.com/JimLiu/whisper…
自动生成srt字幕。
github.com/JimLiu/whisper…
https://twitter.com/dotey/status/1639535856829464576
第一次写Jupyter Notebook，有限的几次写Python代码的经验。其中解析音频地址部分是GPT-4帮助下完成的。
其余部分大量参考（复制粘贴）了whisper-youtube github.com/ArthurFDLR/whi… 和 N46Whisper github.com/Ayanaminn/N46W…
其余部分大量参考（复制粘贴）了whisper-youtube github.com/ArthurFDLR/whi… 和 N46Whisper github.com/Ayanaminn/N46W…
之前的版本我发现有一个问题，就是从字幕看不出来是谁在说话，这还是不够好，于是我研究了一下，终于找到一个库可以帮助分辨是谁在说话，然后将它和Whisper配合起来用，效果很不错，可以精准的分辨出来是谁在说话。
下图就是我生成的结果（手工替换了Speaker名字），我对照音频验证了一下，非常准确。
下图就是我生成的结果（手工替换了Speaker名字），我对照音频验证了一下，非常准确。
借助的是一个声纹识别的包叫Pyannote.audio
github.com/pyannote/pyann…
实际实现的时候，要分别用Whisper和Pyannote对语音进行解析，Pyannote还只支持wav文件。Pyannote在解析后，可以将每个发言人的时间段标记出来，然后将Whisper生成的字幕两个一起对比，就可以将发言人和文本对应上。
github.com/pyannote/pyann…
实际实现的时候，要分别用Whisper和Pyannote对语音进行解析，Pyannote还只支持wav文件。Pyannote在解析后，可以将每个发言人的时间段标记出来，然后将Whisper生成的字幕两个一起对比，就可以将发言人和文本对应上。
生成的结果有一个问题就是某个发言人的文字全部都堆在一起了，没有标点符号分割，不过这对于ChatGPT倒不是问题，如果用来生成摘要已经足够了，如果想生成质量比较好的文字版，还需要让ChatGPT重新加上标点和修改一下错别字。
相关代码我已经放到了GitHub上：github.com/JimLiu/whisper…
相关代码我已经放到了GitHub上：github.com/JimLiu/whisper…
• • •
Missing some Tweet in this thread? You can try to
force a refresh
