当前位置: 首页 > 网络编程 > python

Python实现音频去广告和字幕提取<

时间:2025-03-18 14:19:48 python 我要投稿
这篇文章主要为大家详细介绍了如何使用Python实现音频去广告和字幕提取功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下

之前下了一些音频课,但是存在一些音频中间插入广告,更万恶的是,它根本不分是不是整句,只要时间差不多了就插入。

要去掉广告我们分为以下步骤依次执行:

  • 分析规律(就是前面找规律)
  • 广告提取
  • 识别广告
  • 重新拼接

对于字幕提取,之前其实我们在 AI 相关的文章中也介绍过对应模型,直接转换并处理就可以了,后面再介绍。

分析规律

和写爬虫一样,第一点就是要找规律:用一张草稿纸记录每个广告的起始时间和结束时间,再分析它和整段音频的关系。

遗憾的是,在插入时或许是为了避免裁剪,逐秒计算(也叫做)后,我得出了一个结论:它是在固定时间(end_time - 3min) + random_offset 值,因为了 offset 值的介入,整个就变的玄学了起来。

还好很快我又有了一些新的想法:利用一些识别的手段把广告词裁掉就可以了。

还好广告词是固定的,而要处理的音频却多,这样计算下来 ROI 还是划算的。

广告提取

这一步是所有步骤里最耗费时间的,对于整句来说,切割分离是一个高敏感性的操作,稍微多留白几百毫秒,你听起来可能就很难受。只有原始数据切割的恰到好处,才能达到完美还原。

因此我们需要更精细化,精细到毫秒的裁剪手段。

Windows 下也不知道用啥,搜了下就选了 Audacity:

Python实现音频去广告和字幕提取<(图1)

以毫秒控制选区,然后切割后如果听感是无缝的,那么就相当于抽离了,如果觉得怪怪的就再调整毫秒重新裁,如此反复直到无缝衔接。

依赖列表

下文完整的 import依赖(因为懒得在文末贴完整代码了):

import glob
import os
from concurrent.futures import ThreadPoolExecutor, as_completed

import numpy as np
import librosa
import torch
import whisper
from pydub import AudioSegment
import soundfile as sf
import torch.nn.functional as F
import shutil

识别广告

接下来我们得到了两个片段,一个是完整版的音频,另一个是纯广告音频,将对应波形的相似度进行比对,找到相似的段,再进行切割。

当然,由于整段二三十分钟,相对的来说计算量会很大,由于我们知道了总是在一个音频快结束了插入广告,因此可以先裁剪缩小对比规模,然后再进行比对,减少计算量。

其中有一些非常抽象的音频和数学知识,只能说谢谢 GPT 老师(我也没学会)

# 已知的广告片段文件
AD_SNIPPET_FILE  = "./testcase/test2.wav"

# 待处理的音频文件目录
audio_dir = "./testcase"
TAIL_SECONDS = 300  # 只截取最后5分钟处理
SIMILARITY_THRESHOLD = 0.8  # 相似度阈值(0~1之间, 需根据实际情况调整)
SUCCESS_DIR = "./success"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

def load_audio_segment(file_path, sr=16000, tail_seconds=None):
info = sf.info(file_path)
total_duration = info.duration
if tail_seconds is not None and tail_seconds < total_duration:
    start_time = total_duration - tail_seconds
    audio, _ = librosa.load(file_path, sr=sr, mono=True, offset=start_time, duration=tail_seconds)
    return audio, start_time

else:
    audio, _ = librosa.load(file_path, sr=sr, mono=True)
    return audio, 0.0

def find_audio_snippet(main_audio_path, snippet_audio, snippet_norm, sr=16000, tail_seconds=300):
"""
在 main_audio_path 中寻找 snippet_audio 音频片段的出现位置。
snippet_audio 为事先加载好的 numpy 数组,snippet_norm 为 snippet 的二范数,用于相似度计算。
返回 (ad_start_time, ad_end_time, similarity)
若未找到则返回 (None, None, None)
"""
main_audio, main_start = load_audio_segment(main_audio_path, sr=sr, tail_seconds=tail_seconds)
if len(snippet_audio) > len(main_audio):
    return None, None, None
# 转换到 GPU 张量
main_audio_t = torch.from_numpy(main_audio).float().to(device).unsqueeze(0).unsqueeze(0)  # [1,1,M]
snippet_audio_t = torch.from_numpy(snippet_audio).float().to(device).unsqueeze(0).unsqueeze(0)  # [1,1,S]
# 使用 conv1d 来进行类似相似度搜索 (无 snippet 翻转)
correlation = F.conv1d(main_audio_t, snippet_audio_t)
correlation = correlation[0, 0].cpu().numpy()
best_index = np.argmax(correlation)
best_value = correlation[best_index]
# 相似度计算:归一化
similarity = best_value / snippet_norm if snippet_norm > 0 else 0
ad_start_time = main_start + best_index / sr
ad_end_time = ad_start_time + len(snippet_audio) / s

return ad_start_time, ad_end_time, similarity

重新拼接

找到广告后我们将广告段落减去,然后再重新拼接生成新的音频文件即可。

def process_file(filename, snippet_audio, snippet_norm, sr=16000, tail_seconds=300, similarity_threshold=0.8):
"""
处理单个文件,找到广告并移除。
"""
ad_start, ad_end, similarity = find_audio_snippet(filename, snippet_audio, snippet_norm, sr=sr,
                                                  tail_seconds=tail_seconds)

if ad_start is not None and similarity > similarity_threshold:
    # 去除广告段落
    audio = AudioSegment.from_file(filename)
    part1 = audio[:ad_start * 1000]
    part2 = audio[ad_end * 1000:]
    cleaned = part1 + part2
    cleaned_file = f"output/{os.path.basename(filename)}"
    cleaned.export(cleaned_file, format="mp3")
    shutil.move(filename, SUCCESS_DIR)
    return f"{filename} 已移除广告,生成 {cleaned_file},相似度:{similarity}"
else:
    return f"{filename} 中未高相似度检测到广告或相似度过低({similarity})"


def remove_ads():
sr = 16000
# 预先加载广告片段
snippet_audio, _ = librosa.load(AD_SNIPPET_FILE , sr=sr, mono=True)
# 计算snippet的范数,用于相似度归一化
snippet_norm = np.dot(snippet_audio, snippet_audio)

file_list = [os.path.join(audio_dir, f) for f in os.listdir(audio_dir) if
             f.endswith(".mp3")]

# 使用多线程加速处理
# 线程数可根据您的机器资源调整
max_workers = 20
results = []
with ThreadPoolExecutor(max_workers=max_workers) as executor:
    futures = {
        executor.submit(process_file, file, snippet_audio, snippet_norm, sr, TAIL_SECONDS,
                        SIMILARITY_THRESHOLD): file
        for file in file_list
    }

    for future in as_completed(futures):
        file = futures[future]
        try:
            res = future.result()
            print(res)
        except Exception as e:
            print(f"{file} 处理时出错: {e}")

字幕提取

下一个问题是,音频是提取好了,但是音频的字幕和总结能力其实也是一个亮点,这个也是我们想要有的能力,而好多都是付费的,百度网盘虽然会员免费,但是实际听音频的过程中遇到了 Bug,让我不得不另谋高就。

要使用这个能力,核心还是使用 whisper这个模型的能力。

我考虑用 Emby 来当音频播放器,字幕可以和歌词字幕一样,因此就需要生成 lrc 格式的标准文件。

也就是:

  • 提取字幕
  • 给每段字幕和时间轴进行格式转换,转为 lrc 标准格式

而跑 AI 模型的时候,务必保证 GPU 加速(否则你会卡的痛不欲生)。

模型请根据自己的内存和实际情况决定,不一定是越大越好的,可以先跑一段音频试试效果。

如果本地没有找到对应的模型,whisper 先尝试下载,也可以使用本地准备好的模型。

def format_lrc_timestamp(seconds: float) -> str:
"""将秒数转换为 LRC 格式时间戳 [mm:ss.xx]"""
total_seconds = int(seconds)
m = total_seconds // 60
s = total_seconds % 60
# 毫秒取两位小数
ms = (seconds - total_seconds) * 100
return f"[{m:02d}:{s:02d}.{int(ms):02d}]"

def trans_files():
# 请将此路径替换为你的音频目录路径
audio_directory = "./audio_files"
# 可根据需要选择模型大小,如 "small"、"medium"、"large"
trans_text(audio_directory, model_name="medium", language="zh")

def transcribe_to_lrc(audio_path: str, lrc_path: str, model, language: str = "zh"):
"""
使用已加载的 whisper model 对 audio_path 进行转录,
并将结果保存为 lrc_path 文件。
"""
result = model.transcribe(audio_path, language=language)
segments = result.get("segments", [])

with open(lrc_path, "w", encoding="utf-8") as f:
    # 可根据需要添加标签信息,如标题、歌手、专辑
    f.write("[ti:未知标题]\n")
    f.write("[ar:未知作者]\n")
    f.write("[al:未知专辑]\n\n")

    for seg in segments:
        start_time = format_lrc_timestamp(seg['start'])
        text = seg['text'].strip()
        f.write(f"{start_time}{text}\n")


def trans_text(audio_dir: str, model_name: str = "medium", language: str = "zh"):
# 尝试使用 GPU
device = "cuda:0" if torch.cuda.is_available() else "cpu"
print(f"使用设备: {device}")

# 加载模型到指定设备
# 模型大小可根据资源调整,如:tiny, base, small, medium, large
print(f"加载 Whisper 模型 ({model_name}),请稍候...")
model = whisper.load_model(model_name, device=device)
print("模型加载完成。")

# 遍历指定目录下所有 mp3
audio_files = glob.glob(os.path.join(audio_dir, "*.mp3"))
if not audio_files:
    print("指定目录中未找到 MP3 文件。")
    return

for audio_path in audio_files:
    base_name = os.path.splitext(audio_path)[0]
    lrc_path = base_name + ".lrc"

    print(f"处理文件: {audio_path} -> {lrc_path}")
    transcribe_to_lrc(audio_path, lrc_path, model=model, language=language)
    print(f"完成: {lrc_path}")

print("所有文件处理完成!")

def trans_files():
# 请将此路径替换为你的音频目录路径
audio_directory = "./audio_files"
# 可根据需要选择模型大小,如 "small"、"medium"、"large"
trans_text(audio_directory, model_name="medium", language="zh")

目前我还没有做总结功能(主要是普通播放器也没地方显示总结),但是有了全量文本,相信对于各位来说并不是难事。

总结

本文的所有代码均由 AI 编写,可以说过去让它写的代码更多的是提效用,我姑且还算一知半解,但是涉及到音频和数学知识的本功能我是真的一无所知,但它却能帮我做出一个非常完美的效果,真的是科技改变生活了。

以上就是Python实现音频去广告和字幕提取的详细内容,更多关于Python音频去广告和字幕提取的资料请关注本站其它相关文章!