AI MediaKit 的语音转字幕工具利用先进的自动语音识别（ASR）技术，能够将视频或音频文件中的语音内容精准地转换成带时间戳的字幕文本。该工具支持多种语言，并能选择性地识别不同说话人，为视频后期制作、内容分析、无障碍访问等场景提供强大支持。本篇开发指南将引导您： * 理解语音转字幕的核心能力与工作流程。 * 快速从一个媒体文件中生成带时间戳的字幕。 * 学习如何使用高级功能，如说话人识别和语种指定。 ## 效果预览通过语音转字幕工具，您可以将一段包含语音的视频或音频文件作为输入，最终得到结构化的 JSON 字幕数据，其中包含了每一句字幕的文本内容、起止时间，以及可选的说话人信息。 |输入的视频文件 |输出的字幕数据 | |---|---| |

|原始 API 输出为 JSON 格式，处理后可得到类似 SRT 格式的数据：

```Plain Text```
```00:00:00,320 --> 00:00:02,100 [说话人 1] 怎么浑身上下干干净净```
```00:00:02,100 --> 00:00:02,733 [说话人 2] 我```
```00:00:03,200 --> 00:00:04,540 [说话人 1] 反倒是侄媳```
```00:00:04,880 --> 00:00:06,020 [说话人 1] 满头大汗```
```00:00:06,440 --> 00:00:07,460 [说话人 3] 祖母的病```
```00:00:07,640 --> 00:00:09,060 [说话人 3] 小娘治了三年```
```00:00:09,360 --> 00:00:10,380 [说话人 3] 了然于胸```
```00:00:10,680 --> 00:00:12,300 [说话人 3] 治起来当然不费劲了```
```00:00:12,720 --> 00:00:16,380 [说话人 3] 素心一介后宅妇人没见过什么世面```
```00:00:16,560 --> 00:00:17,980 [说话人 3] 紧张了出点汗```
```00:00:24,960 --> 00:00:26,540 [说话人 1] 我看以叶姨娘的医术```
```00:00:26,600 --> 00:00:28,340 [说话人 1] 如此高深的药理搭配```
```00:00:28,520 --> 00:00:29,840 [说话人 1] 怕是开不出来吧```
```00:00:29,840 --> 00:00:31,180 [说话人 2] 他竟然看得懂```
```00:00:32,400 --> 00:00:34,620 [说话人 1] 富家药行近年来势头正猛```
```00:00:34,880 --> 00:00:36,380 [说话人 1] 怕是藏了不少名医```
```00:00:37,720 --> 00:00:39,100 [说话人 1] 怎么不引荐引荐```
| ## 快速体验：从视频生成中文字幕本场景演示如何从一段中文视频中，提取出所有语音对应的字幕文本及时间轴。 ### 准备工作 * **获取访问凭证**：在开始之前，访问 AI MediaKit 控制台 [API Key 管理页面](https://console.volcengine.com/imp/ai-mediakit/settings)，创建并获取 **MediaKit API Key**（用于媒体处理功能鉴权）。 * **准备视频文件**：准备一个待处理的视频文件，并将其上传至公网可访问的服务器或[视频点播服务](https://www.volcengine.com/docs/4/2834?lang=zh)中，以获取可供 API 调用的 URL。为方便您快速测试，本文后续步骤的示例代码中提供了一个可直接使用的演示视频 URL。 ### 操作流程语音转字幕是一个异步任务，完整流程如下： 1. 成功调用 `POST /api/v1/tools/asr-subtitles` 后，API 将返回一个任务 ID。 2. 您可以轮询[查询任务信息 API](https://docs.volcengine.com/docs/6448/2278532)，直到任务状态 `status` 变为 `completed`；或者使用[事件回调](https://docs.volcengine.com/docs/6448/2288701)自动接收任务状态变化。 3. 任务完成后，解析 `result` 字段，即可在 `subtitles` 数组中获取所有字幕信息。 #### 第 1 步：提交任务您需要调用[提交语音转字幕（ASR）任务 API](https://docs.volcengine.com/docs/6448/2386124)。可直接复制以下 cURL 命令提交一个基础任务。 ```Bash curl -X POST 'https://mediakit.cn-beijing.volces.com/api/v1/tools/asr-subtitles' \ --header 'Authorization: Bearer {Your_API_Key}' \ --header 'Content-Type: application/json' \ --data '{ "video_url": "https://vod-ai-test.tos-cn-beijing.volces.com/demo/demo_video_drama_hard_subs.mp4" }' ```

说明

将 {Your_API_Key} 替换为您的有效 API Key。

video_url ：示例中已提供可直接用于测试的演示视频 URL。您也可以将其替换为您自己的视频地址。您也可以传入 audio_url 参数来处理纯音频文件。

请求成功后，您会收到如下包含 `task_id` 的响应，请保存此 ID 用于后续查询。 ```JSON { "success": true, "task_id": "amk-tool-asr-subtitles-123456789", "request_id": "20240521110000ABCDEFG12345" } ``` #### 第 2 步：获取结果您需要轮询[查询任务信息 API](https://docs.volcengine.com/docs/6448/2278532)，直到任务状态 `status` 变为 `completed`。 ```Bash curl -X GET 'https://mediakit.cn-beijing.volces.com/api/v1/tasks/{task_id}' \ --header 'Authorization: Bearer {Your_API_Key}' ```

说明

将 URL 末尾的 {task_id} 替换为第 1 步返回的任务 ID。

当任务成功完成后，您将收到如下响应。`result` 字段包含了字幕结果。 ```JSON { "success": true, "task_id": "amk-tool-asr-subtitles-123456789", "status": "completed", "result": { "duration": 65.5, "subtitles": [ { "start_time": 0.5, "end_time": 2.8, "subtitle_text": "大家好，欢迎来到今天的分享。" }, { "start_time": 3.1, "end_time": 5.7, "subtitle_text": "今天我们主要讨论AI技术在文档写作中的应用。" } ] }, ... } ``` ## 进阶使用 ### 识别不同说话人如果您的视频中有多人对话，可以将 `enable_speaker_info` 参数设置为 `true` 来开启说话人识别（说话人日志）。API 会在返回的每个字幕片段中增加一个 `speaker` 字段，用于区分不同的说话人。 #### 示例：对一个英文视频开启说话人识别 ```Bash curl -X POST 'https://mediakit.cn-beijing.volces.com/api/v1/tools/asr-subtitles' \ -H 'Authorization: Bearer {Your_API_Key}' \ -H 'Content-Type: application/json' \ -d '{ "video_url": "https://example.com/your_english_video.mp4", "language": "eng-US", "enable_speaker_info": true }' ``` 任务完成后，返回的结果将类似如下： ```JSON { ... "result": { "duration": 8.0, "subtitles": [ { "start_time": 0.5, "end_time": 2.8, "subtitle_text": "Hello everyone, and welcome to today's session.", "speaker": "speaker_0" }, { "start_time": 6.2, "end_time": 8.0, "subtitle_text": "Indeed, this is a very interesting topic.", "speaker": "speaker_1" } ] }, ... } ``` ## 参考信息 ### 应用场景 * **视频字幕自动生成**：支持自动将视频中的语音识别转换为字幕，为短视频、长视频、直播回放等内容自动生成字幕文件，免去人工听写的繁琐流程。 * **会议与访谈转写**：将会议录音、访谈视频自动转为文字记录，支持说话人区分，方便后续整理和归档。 * **播客与音频内容提取**：将播客节目、有声读物等音频内容转写为文本，便于内容检索、摘要生成和二次创作。 ### 使用限制 |限制项 |说明 | |---|---| |输入文件限制 |* 文件来源：支持公网 HTTP/HTTPS URL、本地上传 (`mediakit://`)、来源于火山引擎视频点播 (`vod://`) 和火山引擎对象存储 (`tos://`) 四种输入协议。关于各协议的具体说明和使用示例，请参阅[多源媒体输入与本地上传](https://docs.volcengine.com/docs/6448/2536893)。

* 支持格式：

* `mp4`, `flv`, `ts`, `avi`, `mov`, `wmv`, `mkv` 等主流视频格式。

* `mp3`, `m4a`, `wav` 等主流音频格式。

* 文件时长：单个文件不超过 3 小时。

* 语种支持：支持简体中文（`cmn-Hans-CN`）、英语（`eng-US`）、西班牙语（`spa-ES`）、印尼语（`ind-ID`）。可通过 `language` 参数指定。 | ## 相关 API 文档 * [提交语音转字幕（ASR）任务 API](https://docs.volcengine.com/docs/6448/2386124) * [查询任务信息 API](https://docs.volcengine.com/docs/6448/2278532) * [事件回调](https://docs.volcengine.com/docs/6448/2288701)