前阵子，花了不少时间在做MATLAB视频这件事上。

不得不说，做视频要比写文章难太多了！

可能是因为视频新手的原因，在做第一个视频的时候，录了3个小时，剪了6个小时，我终于完成了一个10分钟的视频！

然而，沉浸在第一支视频的兴奋中没多久，我发现了一个问题。

在我阅片无数之后，我发现自己做的视频居然没有字幕……

于是，在做第二个视频的时候，除了录视频，剪视频之外，我又多花了两个小时，做了一次汉语听写练习，视频里放一句，我手敲字幕一句。

这次做视频的经历实在是太折磨了！

我不相信做字幕会用这么蠢的办法，于是我就上网搜做字幕最快最简单的方法，我很快在B站找到了答案

答案跟我说，先把音频转txt文本，然后在arctime软件中手动对每句字幕进行时间轴上的定位。

了解行业内幕之后的我，迫不及待要开始第三个视频的制作！

在录完视频、剪完视频之后，又到了制作字幕环节

网上就有很多在线音频转字幕的网站，我选择了科大讯飞

然而，在音频转写完成后，转写预览里的文字，居然没办法选中复制……

要导出文档的话，需要付费，每分钟音频0.33元……

我是一个在乎3毛钱的人吗！

这不是3不3毛钱的问题！

对于程序员来说，这是尊严的问题！

于是，我就用MATLAB写了一款音频转文字的工具。

https://www.zhihu.com/video/1181588808822419456

我可能是B站里为数不多的，没有打光器，没有麦克风，但是居然会先给自己写工具的Up主……

实现音频转文字之后，我开始用acrtime加时间轴做字幕文件。

整个制作过程非常梦幻……

首先要把整个文本进行分行，每一行代表每次要显示的字幕

于是，还没开始做时间轴，我就要花差不多5分钟时间，见到句号要回车，见到逗号要回车，感觉句子太长要回车，听到语气有转折，还要回车！

此刻，我非常想念我的解压神器……

文本分段完之后，我就开始体验所谓全网最快最简单的上字幕法。

在arctime里有一个模式，叫快速拖拽创建工具。

我一直不太理解这个名字的意思，不过在这个模式下，每听到一句字幕，就要按一下暂停，然后字幕会加到这段时间轴上。

这难道不是另一种形式的汉语听力练习吗！

说好的全网最快最简单的上字幕方法呢！

于是，我就用MATLAB写了一款音频转字幕的工具，在加载处理完音频文件之后，自动生成srt字幕文件。

我可能是B站里为数不多的，没有打光器，没有麦克风，写完一个工具不过瘾又写了一个工具的Up主……

接下来简单地聊一聊如何用MATLAB实现音频转文字的功能。

这个功能的实现，是通过调用百度语音识别的API，这类网站还有不少，包括科大讯飞，也有提供API可以调用。

如果大家有兴趣也想玩一玩这个语音识别的话，需要先登陆百度智能云管理中心，创建一个语音识别的应用。

应用创建成功之后，会生成属于自己的API Key和Secret Key，之后通过https://openapi.baidu.com/oauth/2.0/token获取token，token的值将会作为之后API调用的其中一项参数传递。

API调用的另一个非常重要的参数就是音频信号，这里需要base64的格式，这个格式的转换代码，大家也是可以在我之后发布的源代码中看到的。

还需要注意的一点是，API接受的频率只有16000，这个是在API技术文档中定义好的。所以大家有些录制的音频，如果频率不是16000的话，就需要对频率进行一个转化。

其他所需的API参数，有兴趣的朋友可以在百度智能云的技术文档里查看，最后需要把这些参数定义为一个struct格式通过webwrite进行传递

https://cloud.baidu.com/doc/SPEECH/s/rjwvy5jlx/

关于音频转字幕文件，目前我在这部分使用的策略比较简单。

在MATLAB读取完音频之后，先进行滤波，之后检测音频中幅值小于阈值并持续0.5秒，则认为处于句子停顿。

在未识别出停顿的情况下，根据语音识别的文字，进行标点符号的正则法处理，然后在单句音频上进行断句设置时间轴。

虽然这个策略比较简单，不过实现起来不太容易。

如果音频时长太长的话，读取到的数据非常大，如果代码里但凡使用一个for循环，整体的计算效率会非常差。

音频数据处理，是一个非常好的MATLAB练习题，可以强迫自己不使用for循环，这个练习也是知识星球“基础训练营”中的其中一道练习题，非常推荐大家试一试。

以上就是今天的分享，对源代码感兴趣的朋友，可以在公众号后台回复“语音识别”获取源代码下载链接。

如果大家有兴趣，欢迎关注我的微信公众号“打浦桥程序员”，谢谢