v2srt - 视频智能字幕生成工具

v2srt 是一个基于人工智能的视频字幕生成工具，能够快速、准确地为任意视频文件生成高质量的字幕文件。

✨ 功能特点

• 🎯 本地运行: 使用 whisper.cpp 在本地运行 Whisper 模型生成字幕，无需依赖云服务
• ⚡ GPU 加速: 支持使用 GPU 运行模型，大幅提升字幕生成速度
• 🌐 智能翻译: 集成 Gemini API，支持将生成的字幕自动翻译成中文（可选）
• 🎙️ 人声检测: 使用 Silero VAD 模型进行人声活动检测，提高字幕准确性（可选）
• 📝 多格式支持: 支持大多数视频格式，并输出标准 SRT 格式字幕文件
• 🔧 灵活配置: 支持自定义语言、模型选择和时间分段处理

📋 系统要求

• Python 3.12+
• FFmpeg（用于音视频处理）
• whisper.cpp（Whisper C++实现）

依赖安装

pip install -r requirements.txt

🚀 快速开始

基本用法

指定Whisper模型和视频文件路径，即可为视频生成其对应语言的字幕文件：

python v2srt.py -wm path/to/whisper_model.bin /path/to/your_video.mp4

手工指定语言

使用-l参数可以手工指定音频语言，默认情况下会自动检测音频语言：

python v2srt.py -wm path/to/whisper_model.bin \
    -l ja \
    /path/to/your_video.mp4

带翻译功能

指定Gemini模型和API密钥，将可以将字幕文件自动翻译成中文：

python v2srt.py -wm path/to/whisper_model.bin \
    -gm gemini-2.5-flash-preview-05-20 \
    -gk your_gemini_api_key \
    -l ja \
    /path/to/your_video.mp4

使用VAD模型提高准确性

python v2srt.py -wm path/to/whisper_model.bin \
    -vm path/to/vad_model.bin \
    -gm gemini-2.5-flash-preview-05-20 \
    -gk your_gemini_api_key \
    -l ja \
    /path/to/your_video.mp4

分段处理长视频

当视频过长时，模型识别效果将会下降。你可以通过-c参数指定视频分段时间点，将视频分段处理：

python v2srt.py -wm path/to/whisper_model.bin \
    -vm path/to/vad_model.bin \
    -gm gemini-2.5-flash-preview-05-20 \
    -gk your_gemini_api_key \
    -c 01:00:00 02:00:00 \
    -l ja \
    /path/to/your_video.mp4

假如视频长度是3个小时，上述命令将会在第1小时和第2小时处对视频进行切割，并为三个子视频逐一生成字幕，最终再将字幕合并，这个过程不会修改原始视频。

📖 详细参数说明

参数	简写	必需	说明
input_file	-	✅	输入视频文件路径
--model	-wm	✅	Whisper.cpp 模型文件路径
--vad-model	-vm	❌	VAD 模型文件路径（可以提高识别准确性，不指定则不使用）
--gemini-model	-gm	❌	Gemini 模型名称（默认：gemini-2.5-flash-preview-05-20）
--gemini-key	-gk	❌	Gemini API 密钥（用于翻译，不指定则不进行翻译）
--language	-l	❌	音频语言（默认：auto，自动识别音频语言）
--cut-times	-c	❌	视频分段时间点（格式：HH:MM:SS）
--output	-o	❌	输出文件名（默认：原文件名.srt）

🔧 运行前准备

安装 FFmpeg

从 FFmpeg releases 可以下载 FFmpeg 的二进制文件，并添加到系统 PATH 环境变量中。

Whisper 命令行程序

从 whisper.cpp releases 可以下载 Whisper.cpp 的二进制文件，并添加到系统 PATH 环境变量中。

Whisper 模型

你可以在ggerganov/whisper.cpp下载预训练模型，推荐选择下面三个系列，如果显卡性能较好可以选择large：

• ggml-small.bin - 速度较快，准确性一般
• ggml-medium.bin - 速度较慢，准确性较高
• ggml-large.bin - 速度最慢，准确性最高

VAD 模型

从 ggml-org/whisper-vad 获取 Silero VAD 模型文件。

🌐 翻译功能

v2srt 支持使用 Google Gemini API 进行智能翻译：

1. 获取 Gemini API 密钥：访问 Google AI Studio
2. 在命令行中使用 -gk 参数提供API密钥
3. 程序会自动将识别出的文本翻译成中文

使用代理访问 Gemini API

对于中国大陆用户，如果无法直接访问 Gemini API，可以通过设置代理来解决：

比如：

# Windows
set GRPC_PROXY=http://127.0.0.1:1080
python v2srt.py -wm path/to/whisper_model.bin -gk your_gemini_api_key /path/to/your_video.mp4

# Linux/Mac
export GRPC_PROXY=http://127.0.0.1:1080
python v2srt.py -wm path/to/whisper_model.bin -gk your_gemini_api_key /path/to/your_video.mp4

或者：

GRPC_PROXY=http://127.0.0.1:1080 python v2srt.py -wm path/to/whisper_model.bin -gk your_gemini_api_key /path/to/your_video.mp4

⚠️ 注意事项

• 将 FFmpeg、Whisper.cpp 的二进制文件添加到系统 PATH 环境变量中
• Gemini API 可能产生费用，请注意使用量
• VAD 模型可以提高识别准确性，但会增加处理时间
• 超过1个小时的视频，建议使用-c参数进行分段处理

📄 许可证

MIT

---

🎉 享受智能字幕生成的便利！