这个功能之后会完全集成在 XnneHangLab 中.
它使用 funasr 生成字幕并且根据每句话的起止点把音频中的空白片段去除, 以 2s 空白音频填充, 防止有的录屏视频中总时长 30 分钟但是讲话的时长实际上不到 5 分钟, 那会在后续的降噪和音频预处理中浪费大量算力和时间.
- clip, 根据字幕的起止点切割音频, 并且去除空白片段, 以 2s 空白音频填充.
PS D:\program\auto_labeling_for_BERT_VITS2> uv run label
raw_audio:[WindowsPath('raw_audio/setting.wav')]
请确保待处理的音频已经放在./raw_audio下方y/n:y
INFO 开始处理
processing raw_audio\setting.wav --------------------------
funasr version: 1.2.6.
rtf_avg: 0.038: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1/1 [00:01<00:00, 1.60s/it]
rtf_avg: 0.010: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 23/23 [00:01<00:00, 17.12it/s]
rtf_avg: 0.016: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:01<00:00, 2.89it/s]
rtf_avg: 0.011, time_speech: 222.517, time_escape: 2.389: 100%|█████████████████████████████████████████████████████████████████████████████████████████████| 1/1 [00:02<00:00, 2.56s/it]
INFO 最短音频长: 0.24, 最长音频长: 20.855
INFO
Percentage Distribution:
INFO < 2s : 37.1% (13 items)
INFO 2-5s : 25.7% (9 items)
INFO 5-10s : 25.7% (9 items)
INFO > 10s : 11.4% (4 items)
是否直接切片? 1: 继续, 2: cut_sentence, 3: combine_sentence, 4: exit:3
你希望的 combine_line 是? (int)毫秒800
你希望的 max_sentence_length 是? (int)个字30
INFO 最短音频长: 0.995, 最长音频长: 20.855
INFO
Percentage Distribution:
INFO < 2s : 21.4% (6 items)
INFO 2-5s : 21.4% (6 items)
INFO 5-10s : 42.9% (12 items)
INFO > 10s : 14.3% (4 items)
是否直接切片? 1: 继续, 2: cut_sentence, 3: combine_sentence, 4: exit:1
处理进度: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 28/28 [00:00<00:00, 62.78it/s]
INFO All clips were done-
cut, 二次识别并且对音频切片, 且对切片后的音频进行识别和标注. (重构中 ....)
-
标注精修. (这个考虑下,一般来说,目前的 funasr 识别精度已经相当惊人了, 可以不必精修)