自动字幕（语音转字幕）

把音频/视频里的人声识别成字幕。基于共享脚本 skills/shared/scripts/asr.py（faster-whisper 封装）， 参数确定、可复现，做中文友好断句。可选把字幕烧录进视频（复用 skills/shared/scripts/video_ops.py / ffmpeg subtitles 滤镜）。

只做"语音 → 字幕文件 (+ 可选烧录)"。通用视频剪辑见 video-editing；纯降噪见 audio-denoise；长视频智能切片+烧字幕见 clipify。

输入

字段	必填	说明
input_file	是	音频或视频文件路径（视频自动提取音轨）
format	否	srt（默认）/ ass / txt / json
language	否	auto（默认）或 zh/en 等 ISO 639-1 码
model	否	tiny/base（默认）/small/medium/large-v3，越大越准越慢
burn	否	是否把字幕烧录进视频（需视频输入）

支持：mp3/wav/m4a/aac/flac 等音频；mp4/mkv/mov/webm 等视频。

输出

• 字幕文件放入 outputs/主题名/（SRT/ASS/TXT/JSON）
• 若烧录：带硬字幕的视频（*-sub.mp4）
• 报告：识别语言、字幕条数、所用模型、输出路径

前置

• 首次运行会从 HuggingFace 下模型，需外网代理。脚本读取 EASEL_PROXY 或 http(s)_proxy 环境变量作代理； 都未设则直连。也可先 export https_proxy=... http_proxy=... 指定。
• CPU 环境用默认 --device cpu --compute-type int8 即可。

执行步骤

脚本路径（相对项目根）：skills/shared/scripts/asr.py、skills/shared/scripts/video_ops.py。

1. 生成字幕文件

# 视频 → SRT（自动提取音轨 + 自动检测语言）
python skills/shared/scripts/asr.py transcribe \
  -i input.mp4 -o outputs/主题名/input.srt --language zh

# 视频 → ASS（带样式，**字号/边距按视频横竖屏自适应**）：视频输入自动探测宽高
python skills/shared/scripts/asr.py transcribe \
  -i input.mp4 -o outputs/主题名/input.ass --format ass --model small
# 纯音频 → ASS：无法探测尺寸，默认竖屏 1080x1920；横屏加 --res 1920x1080
python skills/shared/scripts/asr.py transcribe \
  -i voice.mp3 -o outputs/主题名/voice.ass --format ass --res 1920x1080

• ASS 样式按目标视频宽高自适应：字号按短边(min(w,h)*0.05，竖/横屏都≈合适、不再横屏过大)， 底边距按高、左右边距按宽，PlayRes=真实宽高。视频输入自动探测；纯音频用 --res 宽x高 指定。 要带样式的硬字幕优先烧这份 ASS（下节），比裸 SRT + 手填 force_style 更省心、且自适应。
• 中文默认每行 ~18 字，超长自动断行/拆条；--max-line-chars 可调。
• 不给 -o 时按输入文件名建项目目录，例如 talk.mp4 输出到 outputs/talk/talk.srt；已有项目应显式 -o outputs/主题名/<文件名>.<format>。
• 查看可用模型/语言：python skills/shared/scripts/asr.py info。

2.（可选）把字幕烧录进视频

用户要"硬字幕/烧进视频"时，用 ffmpeg 的 subtitles（SRT）或 ass（ASS）滤镜：

# 烧 SRT（可定制样式）
ffmpeg -y -i input.mp4 \
  -vf "subtitles=outputs/主题名/input.srt:force_style='FontName=Noto Sans CJK SC,FontSize=20,PrimaryColour=&H00FFFFFF,OutlineColour=&H80000000,BorderStyle=1,Outline=2'" \
  -c:a copy outputs/主题名/input-sub.mp4

# 烧 ASS（样式已在 ass 文件里，保真）
ffmpeg -y -i input.mp4 \
  -vf "ass=outputs/主题名/input.ass" \
  -c:a copy outputs/主题名/input-sub.mp4

• 路径含特殊字符时，把 subtitles= 的值用单引号包裹并转义冒号。
• 需要软字幕（可关闭）而非烧录：ffmpeg -i in.mp4 -i sub.srt -c copy -c:s mov_text out.mp4。

3. 产物与报告

• 字幕文件、烧录视频均写入 outputs/主题名/。
• 向用户报告：识别语言、字幕条数、模型、文件路径；提示可换 --model/--max-line-chars 重跑。

规则

1. 视频先提取音轨 — 脚本自动用 ffmpeg 提取 16kHz 单声道 wav，不改原视频。
2. 中文友好断句 — 按标点/长度断行，避免一行过长。
3. 绝不删原文件 — 只产出新文件到 outputs/。
4. 模型选择 — 求快用 base，求准用 small/medium；CPU 用 int8。
5. 烧录需视频输入 — 纯音频无法烧录，只出字幕文件。
6. 无 Profile 依赖 — 转录不需要账号画像。

自研参考

• SYSTRAN/faster-whisper — CTranslate2 加速的 Whisper 推理
• openai/whisper — 原始 Whisper 模型与 ASR 方法
• FFmpeg subtitles / ass 滤镜（字幕烧录）