AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


介绍如何使用 Python 调用 ffmpeg 和 Gemini 实现电影字幕的翻译
发布日期:2024-04-24 07:39:09 浏览次数: 1880 来源:云云众生s


本文介绍了如何使用 Python 调用 ffmpeg 和 Gemini 实现电影字幕的翻译。效果可以看“效果展示”部分。

背景

不久前离开上家公司了,又恢复了自由身,之前的几个工作都几乎是无缝切换,少了一些思考,这一次决定先好好想想,可以放松的搞一点自己觉得好玩的东西。买了个 NAS,发现工作中的 IT 技能终于用到了生活中,其中首先是关于电影的中文字幕。

拿到 NAS 的第一步就是开始疯狂的下载 4K 电影,这些电影都自带字幕,不过有些不带中文字幕,或者翻译的不好。再加上我买的 NAS 软件功能不全,中文字幕下载比较麻烦,所以我希望有一个自动化的方案。经过评估,我觉得可以利用现在的 ChatGPT 和 Gemini 之类的 AI 翻译英文字幕,应该会有不错的效果。

使用 Poetry 管理项目

这几年没怎么搞过 Python 项目,但是看到有一些项目用到了poetry,所以决定这个项目用起来。试用感觉很不错,远超之前用过的 pipenv 。

我的 pyproject.toml 文件内容如下:

[tool.poetry]name = "upbox"version = "0.1.0"description = ""authors = ["rocksun <daijun@gmail.com>"]readme = "README.md"
[tool.poetry.dependencies]python = "^3.10"ffmpeg-python = "^0.2.0"llama-index = "^0.10.25"llama-index-llms-gemini = "^0.1.6"pysubs2 = "^1.6.1"# yt-dlp = "^2024.4.9"# typer = "^0.12.3"# faster-whisper = "^1.0.1"

[build-system]requires = ["poetry-core"]build-backend = "poetry.core.masonry.api"

关于 poetry 的使用我这里就不多说了,大家自行学习。这里引用了 ffmpeg 的包装库(需要路径里有 ffmpeg 命令);然后就是 llama-index 和 对应的 Gemini 库,其实用不用 llama-index 区别不大,本文并没有使用太多 llama-index 的功能;最后是字幕处理库 pysubs2,曾经考虑是否直接解析字幕,后来发现用 pysubs2 还是能节省不少时间。

英文字幕提取

通过 ffmpeg 提取视频中内嵌的字幕很容易,执行以下命令即可:

ffmpeg -i my_file.mkv outfile.vtt

但实际上一个视频里会有多个字幕,这样并不准确,所以还是要确认下。我还是考虑用一个 ffmpeg 的库,也就是ffmpeg-python,用这个库提取英文字幕的代码如下:

def _guess_eng_subtitle_index(video_path):probe = ffmpeg.probe(video_path)streams = probe['streams']for index, stream in enumerate(streams):if stream.get('codec_type') == 'subtitle' and stream.get('tags', {}).get('language') == 'eng':return indexfor index, stream in enumerate(streams):if stream['codec_type'] == 'subtitle' and stream.get('tags', {}).get('title', "").lower().find("english")!=-1 :return indexreturn -1
def _extract_subtitle_by_index(video_path, output_path, index):return ffmpeg.input(video_path).output(output_path, map='0:'+str(index)).run()
def extract_subtitle(video_path, en_subtitle_path):# get the streams from video with ffprobeindex = _guess_eng_subtitle_index(video_path)if index == -1:return -1return _extract_subtitle_by_index(video_path, en_subtitle_path, index)

增加了_guess_eng_subtitle_index方法来确定英文字幕的 index,这是因为虽然大多数视频都的字幕 tags 还是比较规范的,但是也确实有一些视频的字幕根本没有 tags,所以只能猜,我估计在实践中还有其他情况,只能根据实际情况应对。

英文字幕处理

一开始我以为就直接将字幕抛给 Gemini ,然后保存结果就行,但实际上并不行,有几个问题:

  1. 许多英文字幕中有许多标签,翻译时会影响效果

  2. 一个字幕太大,全部抛给 Gemini 处理不了,而且上下文太长其实也容易出问题。

  3. 字幕中的时间戳太长,让 prompt 变得太长。

为此,我只好增加了一个字幕类 UpSubs 用来处理上面的问题:

class UpSubs:def __init__(self, subs_path):self.subs = pysubs2.load(subs_path)
def get_subtitle_text(self):text = ""for sub in self.subs:text += sub.text + "\n\n"return text
def get_subtitle_text_with_index(self):text = ""for i, sub in enumerate(self.subs):text += "chunk-"+str(i) + ":\n" + sub.text.replace("\\N", " ") + "\n\n"return textdef save(self, output_path):self.subs.save(output_path)
def clean(self):indexes = []for i, sub in enumerate(self.subs):# remove xml tag and line change in sub textsub.text = re.sub(r"<[^>]+>", "", sub.text)sub.text = sub.text.replace("\\N", " ")
def fill(self, text):text = text.strip()pattern = r"\n\s*\n"paragraphs = re.split(pattern, text)for para in paragraphs:try:firtline = para.split("\n")[0]countstr = firtline[6:len(firtline)-1]# print(countstr)index = int(countstr)p = "\n".join(para.split("\n")[1:])self.subs[index].text = pexcept Exception as e:print(f"Error merge paragraph : \n {para} \n with exception: \n {e}")raise(e)def merge_dual(self, subspath):second_subs = pysubs2.load(subspath)merged_subs = SSAFile()if len(self.subs.events) == len(second_subs.events):for i, first_event in enumerate(self.subs.events):second_event = second_subs[i]if first_event.text == second_event.text:merged_event = SSAEvent(first_event.start, first_event.end, first_event.text)else:merged_event = SSAEvent(first_event.start, first_event.end, first_event.text + '\n' + second_event.text)merged_subs.append(merged_event)return merged_subsreturn None

clean方法可以简单的清理字幕;save 方法可以用来保存字幕;merge_dual用来合并双语字幕。这些都比较简单,后面重点说说字幕文本的处理。

原始 srt 文件形式如下:

1200:02:30,776 --> 00:02:34,780Not even the great Dragon Warrior.
1300:02:43,830 --> 00:02:45,749Oh, where is Po?
1400:02:45,749 --> 00:02:48,502He was supposed to be here hours ago.

经过get_subtitle_text_with_index方法会变成:

chunk-12Not even the great Dragon Warrior.
chunk-13Oh, where is Po?
chunk-14He was supposed to be here hours ago.

这样做是为了减少文字数量,减少 chunk 数量。而且,依然能跟踪每一段字幕的编号,通过fill方法,我们可以从翻译后的文本还原回字幕。

调用 Gemini

调用 Gemini 有几个问题:

  • 需要访问密钥

  • 国内访问需要走合适的代理

  • 要有一定的容错能力

  • 还有要规避 Gemini 的安全机制

所以,针对这些问题,专门写了个complete方法:

def complete(prompt, max_tokens=32760):prompt = prompt.strip()if not prompt:return ""safety_settings = [{"category": "HARM_CATEGORY_HARASSMENT","threshold": "BLOCK_NONE"},{"category": "HARM_CATEGORY_HATE_SPEECH","threshold": "BLOCK_NONE"},{"category": "HARM_CATEGORY_SEXUALLY_EXPLICIT","threshold": "BLOCK_NONE"},{"category": "HARM_CATEGORY_DANGEROUS_CONTENT","threshold": "BLOCK_NONE"},]
retries = 3for _ in range(retries):try:return Gemini(max_tokens=max_tokens, safety_settings=safety_settings, temperature = 0.01).complete(prompt).textexcept Exception as e:print(f"Error completing prompt: {prompt} \n with error: \n ")traceback.print_exc()return ""

safety_settings很重要,电影字幕中经常出现一些特别敏感的语言,必须告知 Gemini 尽量多容忍。虽然据文档说只有收费账号才能BLOCK_NONE,但好像对于我翻译电影上述配置没有遇到太多问题,偶尔会遇到一些,但是重试都会消失。

然后是增加了 3 次重试,调用会偶尔有失败,重试能解决一些问题。

最后,可以通过Google AI Studio获取 API Key。然后在项目增加一个 .env 文件:

http_proxy=http://192.168.0.107:7890https_proxy=http://192.168.0.107:7890GOOGLE_API_KEY=[your-api-key]

程序就可以读取到 API Key 和代理的设置。

调用流程

先看一下最外层tran_subtitles方法

def tran_subtitles(fixed_subtitle, zh_subtitle=None, cncf = False, chunk_size=3000):subtitle_base = os.path.splitext(fixed_subtitle)[0]video_base = os.path.splitext(subtitle_base)[0]if zh_subtitle is None:zh_subtitle = video_base + ".zh-fixed.vtt"if os.path.exists(zh_subtitle):print(f"zh subtitle {zh_subtitle} already translated, skip to translate.")return 1
prompt_tpl = MOVIE_TRAN_PROMPT_TPLopts = { }
srtp = UpSubs(fixed_subtitle)text = srtp.get_subtitle_text_with_index()
process_text(srtp, text, prompt_tpl, opts, chunk_size = chunk_size)srtp.save(zh_subtitle)
return zh_subtitle

这个逻辑比较简单,读取英文字幕,使用get_subtitle_text_with_index方法转化为待翻译的文本,然后执行 process_text 方法,完成翻译。提示词模板 prompt_tpl 直接引用了 MOVIE_TRAN_PROMPT_TPL,其中内容为:

MOVIE_TRAN_PROMPT_TPL = """你是个专业电影字幕翻译,你需要将一份英文字幕翻译成中文。[需要翻译的英文字幕]:
{content}
# [中文字幕]:"""

可以看到这个提示还是相当简单的。

然后可以关注下process_text方法:

def process_text(subs, text, prompt_tpl, opts, chunk_size=2500):# ret = ""chunks = _split_subtitles(text, chunk_size)for(i, chunk) in enumerate(chunks):print("process chunk ({}/{})".format(i+1,len(chunks)))# if i==4:# break# format string with all the field in a dict opts["content"] = chunkprompt = prompt_tpl.format(**opts)
print(prompt)out = complete(prompt, max_tokens=32760)subs.fill(out)print(out)

通过_split_subtitles方法拆分字幕文本为多个 chunk ,然后分别扔给前面说的complete方法。

效果展示

一开始对字幕的翻译并没有太多的期待,不过最终的效果还是出乎意料的好,以功夫熊猫4为例,这是部分翻译的对比:

英文字幕:

1000:02:22,184 --> 00:02:27,606Let it be known from the highest mountainto the lowest valley that Tai Lung lives,
1100:02:27,606 --> 00:02:30,776and no one will stand in his way.
1200:02:30,776 --> 00:02:34,780Not even the great Dragon Warrior.
1300:02:43,830 --> 00:02:45,749Oh, where is Po?

中文字幕:

1000:02:22,184 --> 00:02:27,606让最高的山峰和最低的山谷都知道,泰隆还活着,
1100:02:27,606 --> 00:02:30,776没人能阻挡他。
1200:02:30,776 --> 00:02:34,780即使是伟大的神龙大侠也不行。
1300:02:43,830 --> 00:02:45,749哦,阿宝在哪儿?

看到结果出奇的好,我的 prmopt 里也没有提供更多的上下文,Gemini 却给出了地道的翻译。

总结

针对电影,上述代码运行的还比较稳定。但是当面对一些本身就不太好的字幕,翻译的结果也不会太好,而且出现了许多异常,为此还需要做许多改进。最近我的视频号(云云众生s)分享了一些技术的视频,就是用改进的代码实现的,后面也会跟大家分享。

     


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询