我想编写一个程序，自动同步未同步的字幕。我想到的解决方案之一是以某种方式通过算法找到人类语音并根据其调整字幕。我发现的 API（Google Speech API、Yandex SpeechKit）与服务器一起工作（这对我来说不太方便）并且（可能）做了很多不必要的工作来确定到底说了些什么，而我只需要知道某些内容被说过。
换句话说，我想给它音频文件并得到如下内容：
[(00:12, 00:26), (01:45, 01:49) ... , (25:21, 26:11)]
有没有一种解决方案（最好是Python）只能找到人类语音并在本地计算机上运行？
您正在尝试做的事情的技术术语称为语音活动检测 (VAD) https://en.wikipedia.org/wiki/Voice_activity_detection。有一个Python库叫做SPEAR https://pypi.org/project/bob.bio.spear/这样做（除其他外）。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
