FunClipper-开源语音识别模型的自动化视频剪辑工具

作者 : noise 发布时间： 2024-03-16

介绍

FunClipper是一款自动化视频剪辑工具，通过调用阿里巴巴通义实验室开源的FunASR Paraformer系列模型进行视频的语音识别，随后用户可以自由选择识别结果中的片段，点击裁剪按钮即可获取对应片段的视频（快速体验）。

项目地址：https://github.com/alibaba-damo-academy/FunClipper

在上述基本功能的基础上，FunClipper有以下特色：

FunClipper集成了阿里巴巴开源的工业级模型Paraformer-Large，是当前识别效果最优的开源中文ASR模型之一，Modelscope下载量1300w+次，并且能够一体化的准确预测时间戳。
FunClipper集成了SeACo-Paraformer的热词定制化功能，在ASR过程中可以指定一些实体词、人名等作为热词，提升识别效果。
FunClipper集成了CAM++说话人识别模型，用户可以将自动识别出的说话人ID作为裁剪目标，将某一说话人的段落裁剪出来。
通过Gradio交互实现上述功能，安装简单使用方便，并且可以在服务端搭建服务通过浏览器使用。
FunClipper支持多段自由剪辑，并且会自动返回全视频SRT字幕、目标段落SRT字幕，使用简单方便。

使用FunClipper进行视频剪辑✂️

安装

# 安装FunASR（必须）
pip install -U funasr
# 安装FunClipper的Python依赖（必须）
pip install -r ./requirments.txt

安装imagemagick（可选）

如果你希望使用自动生成字幕的视频裁剪功能，需要安装imagemagick

Ubuntu

apt-get -y update && apt-get -y install ffmpeg imagemagick
sed -i 's/none/read,write/g' /etc/ImageMagick-6/policy.xml

MacOS

brew install imagemagick
sed -i 's/none/read,write/g' /usr/local/Cellar/imagemagick/7.1.1-8_1/etc/ImageMagick-7/policy.xml

并且下载你需要的字体文件，这里我们提供一个默认的黑体字体文件

wget https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/FunClipper/STHeitiMedium.ttc -O font/STHeitiMedium.ttc

使用FunClipper

A.在本地启动Gradio服务

python FunClipper/launch.py

随后在浏览器中访问localhost:7860即可看到如下图所示的界面，按如下步骤即可进行视频剪辑

上传你的视频（或使用下方的视频用例）
（可选）设置热词，勾选是否使用说话人识别功能
点击识别按钮获取识别结果
将识别结果中的选段复制到对应位置，或者将说话人ID输入到对应为止
（可选）配置剪辑参数，偏移量与字幕设置等
点击“裁剪”或“裁剪并添加字幕”按钮

B.通过命令行调用使用FunClipper的相关功能（更新中）

# 步骤一：识别
python funclipper/videoclipper.py --stage 1 \
                       --file examples/2022云栖大会_片段.mp4 \
                       --output_dir ./output
# ./output中生成了识别结果与srt字幕等
# 步骤二：裁剪
python funclipper/videoclipper.py --stage 2 \
                       --file examples/2022云栖大会_片段.mp4 \
                       --output_dir ./output \
                       --dest_text '我们把它跟乡村振兴去结合起来，利用我们的设计的能力' \
                       --start_ost 0 \
                       --end_ost 100 \
                       --output_file './output/res.mp4'