一、引言
上一篇对Whisper原理和实战进行了讲解，第7次拿到了热榜第一🏆。今天，我们在Whisper的基础上，引入ffmpeg工具对视频的音频进行抽取，再使用Whisper将音频转为文本，通过二阶段法实现视频内容的理解。
二、FFmpeg工具介绍
2.1 什么是FFmpeg
FFmpeg是一个开源的跨平台多媒体处理工具，它可以处理音频/视频数据，包括转码、转换格式、分割、合并等操作。
2.2 FFmpeg核心原理
- 多媒体流的解析：FFmpeg能够解析各种常见的多媒体格式，包括MP4, MKV, AVI, MP3, OGG等，并将其转换为FFmpeg内部的统一表示格式，也就是所谓的复用格式（Container Format）和编码格式（Codec）。
- 多媒体流的编码和解码：FFmpeg可以使用不同的编解码器来编码和解码音频/视频数据。例如，它可以使用H.264编码来压缩视频数据，使用AAC编码来压缩音频数据。
- 过滤器（Filters）：FFmpeg提供了一个强大的过滤器系统，可以用来处理视频和音频的各种效果，例如裁剪、裁切、旋转、缩放等。
- 流的复用和解复用：FFmpeg可以将多个音频/视频流合并为一个文件，也可以将一个文件分离成多个音频/视频流。
- 并行处理：FFmpeg利用多线程技术，可以并行处理多个任务，比如同时进行多个转码操作。
2.3 FFmpeg使用示例
ffmpeg -i input.mp4 -vn -ar 44100 -ac 2 -ab 192k -f mp3 output.mp3
- -i input.mp4 指定输入文件。
- -vn 表示禁用视频录制。
- -ar 44100 设置采样率为44.1kHz。
- -ac 2 设置声道数为2（立体声）。
- -ab 192k 设置比特率为192k。
- -f mp3 设置输出格式为MP3。
- output.mp3 是输出文件的名称。
三、FFmpeg+Whisper二阶段法视频理解实战
3.1 FFmpeg安装
由于FFmpeg不支持pip安装，所以需要使用apt-get
sudo apt-get update && apt-get install ffmpeg
3.2 Whisper模型下载
这里与上一篇一样，还是采用transformers的pipeline，首先创建conda环境以及安装transformers
创建并激活conda环境：
conda create -n video2text python=3.11 conda activate video2text
安装transformers库：
pip install transformers -i https://mirrors.cloud.tencent.com/pypi/simple
基于transformers的pipeline会自动进行模型下载，当然，如果您的网速不行，请替换HF_ENDPOINT为国内镜像。
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com" transcriber = pipeline(task="automatic-speech-recognition", model="openai/whisper-medium")
不同尺寸模型参数量、多语言支持情况、需要现存大小以及推理速度如下
3.3 FFmpeg抽取视频的音频
3.3.1 方案一：命令行方式使用ffmpeg
首先将ffmpeg命令放入ffmpeg_command，之后采用subprocess库的run方法执行ffmpeg_command内的命令。
输入的视频文件为input_file，输出的音频文件为output_file。
import subprocess def extract_audio(input_file, output_file): """ 使用FFmpeg从MP4文件中提取音频并保存为MP3格式。 :param input_file: 输入的MP4文件路径 :param output_file: 输出的MP3文件路径 """ # 构建FFmpeg命令 ffmpeg_command = [ 'ffmpeg', '-i', input_file, '-vn', '-acodec', 'libmp3lame', output_file ] try: # 执行命令 subprocess.run(ffmpeg_command, check=True) print(f"音频已成功从 {input_file} 提取到 {output_file}") except subprocess.CalledProcessError as e: print(f"处理错误: {e}")
3.3.2 方案二：ffmpeg-python库使用ffmpeg
首先安装ffmpeg-python：
pip install ffmpeg-python -i https://mirrors.cloud.tencent.com/pypi/simple
引入ffmpeg库，一行代码完成音频转文本
import ffmpeg def extract_audio(input_file, output_file): """ 使用FFmpeg从MP4文件中提取音频并保存为MP3格式。 :param input_file: 输入的MP4文件路径 :param output_file: 输出的MP3文件路径 """ try: # 执行命令 ffmpeg.input(input_file).output(output_file, acodec="libmp3lame", ac=2, ar="44100").run() print(f"音频已成功从 {input_file} 提取到 {output_file}") except subprocess.CalledProcessError as e: print(f"处理错误: {e}")
3.4 Whisper将音频转为文本
from transformers import pipeline def speech2text(speech_file): transcriber = pipeline(task="automatic-speech-recognition", model="openai/whisper-medium") text_dict = transcriber(speech_file) return text_dict
这里采用pipeline完成openai/whisper-medium的模型下载以及实例化，将音频文件输入实例化的transcriber对象即刻得到文本。
3.5 视频理解完整代码
import os os.environ["HF_ENDPOINT"] = "https://hf-mirror.com" os.environ["CUDA_VISIBLE_DEVICES"] = "2" os.environ["TF_ENABLE_ONEDNN_OPTS"] = "0" from transformers import pipeline import subprocess def speech2text(speech_file): transcriber = pipeline(task="automatic-speech-recognition", model="openai/whisper-medium") text_dict = transcriber(speech_file) return text_dict def extract_audio(input_file, output_file): """ 使用FFmpeg从MP4文件中提取音频并保存为MP3格式。 :param input_file: 输入的MP4文件路径 :param output_file: 输出的MP3文件路径 """ # 构建FFmpeg命令 ffmpeg_command = [ 'ffmpeg', '-i', input_file, '-vn', '-acodec', 'libmp3lame', output_file ] try: # 执行命令 subprocess.run(ffmpeg_command, check=True) print(f"音频已成功从 {input_file} 提取到 {output_file}") except subprocess.CalledProcessError as e: print(f"处理错误: {e}") import argparse import json def main(): parser = argparse.ArgumentParser(description="视频转文本") parser.add_argument("--video","-v", type=str, help="输入视频文件路径") parser.add_argument("--audio","-a", type=str, help="输出音频文件路径") args = parser.parse_args() print(args) extract_audio(args.video, args.audio) text_dict = speech2text(args.audio) print("视频内的文本是：\n" + text_dict["text"]) #print("视频内的文本是：\n"+ json.dumps(text_dict,indent=4)) if __name__=="__main__": main()
输出为：
3.6 视频理解模型部署
如果想将该服务部署成语音识别API服务，可以参考之前的FastAPI相关文章。
四、总结
本文在上一篇音频转文本的基础上，引入了视频转音频，这样可以采用二阶段法：先提取音频，再音频转文字的方法完成视频内容理解。之后可以配上LLM对视频内提取的文本进行一系列应用。
希望可以帮到您，如果觉得有帮助的话，期待您的三连+投票！
