跑字幕的发现 (模型对比，气音处理，AI字幕智能断句)

tutu112

本人也是看了论坛里的帖子，有时想看的片子冷门没字幕，找不到，或是还没出字幕，懊恼啊，为了字幕自由，安装软件开始就跑起来了。
{用的软件-VideoCaptioner v1.3.3}  ，门槛不高。操作可参考综合讨论区这个精华帖。
有时跑出来不太理想，一段时间后发现是VR里有些桥段会出现气音，这些气音软件基本提取不到的，所以就跳过了。 研究了一下简单总结。


之前一直使用预设的silero_v4+Large_2模型抓取，下面是对比。
【虽然列表上说Large_3较精准，但是翻了几部发现Large_v3抓出来后，deepseek翻出来的效果, 就是像不流畅的中文，有出入】
（补充：有评论说Large_3对英文较精准）

左边silero_v4，右边pyannote_v3，摘取字幕明显变多。另外发现把VAD阈值向下降是没用的，只会多很多吚吚呜呜和早安晚安这些词。



后来决定用Adobe Audition进行前期处理，【气音强化】，问的ai，参数照搬。

【Step 1】：噪音分析与降噪（重要！否则轻声会被背景掩盖）
【我觉得大部分片子无需降噪，直接跳过】

【Step 2】：压缩器提升轻声（如气音）


【Step 3】：频率强化（让气音更清晰）


【Step 4】：限制爆音（避免某些单词爆掉）【这个就是预设值，不用调】


【Audition上面这些操作可以一键打包，以后就是拉进去一键执行，也不复杂，就是小麻烦】

总结：大多片子大概是【Large_v2】+【pyannote_v3】，加上Audition优化（有的片子一下就跑完没拉到什么字幕，点开看，不是里面没说话，是说的话都是气音）
气音的片子用Audition优化后会有差别，但观感体验上不会强很多, 比如下面用的这部试验品kavr-433的part-3,感觉可能就提升个10%左右，取决于片子气音的多少。


实验用的是昨天的这部 稍微有点气音，有兴趣的可以下看看对比。 KAVR-433_3.zip (17.54 KB)

2025-7-30 15:09 上传

点击文件名下载附件

左边是Audition优化过的，右边是没优化过的，都是用的【Large_v3】+【pyannote_v3】 跑出来的。
（个人用Large_v3跑了几部， 过后用deepseek翻出来，有点不像人话，还是推荐用Large_v2）

提取后就是翻译了，用大模型就是会看上下文，对语境翻译。但有时还是会有出入。
自己用的deepseek，翻出来基本很优秀了，除非是提取出问题的文字（如上面这部中kirei美丽， kirai厌恶，它有时抓不准） 。
统计了一下目前大概翻了50-60几部，花了3美金不到。跑片的时间都花了，也没必要省那几毛钱。
而用Google就是直翻，只能说看着确实生硬。

不是技术流，纯交流贴不是教学贴，欢迎大神指点。
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【补充】
今天又试了这个方法，跑了部气音很重的这部VRKM-1584，展示图为part2



左边是【Audition气音优化】后用【Large_v2】+【pyannote_v3】能看到词条尾端条数，提取率明显多了不是一点半点。

最后还有个AI断句，大模型会根据语境判断断句的点，可以让句子不那么长，方便阅读。这个对VR观感有所提升。


━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
下面写给想入坑的兄弟，整个过程就两个步骤，【1】首先是提取字幕，用的这个软件、{用的软件-VideoCaptioner v1.3.3}  详细操作看综合讨论区的精华帖。

【2】再来就是把提取的日文翻译成中文的步骤，自己用的是deepseek, 就是把deepseek的API在相关设置内黏贴上去就行了）

无聊Tai

每个字都认识，还是一头雾水😂

Mark123

搁这玩解密游戏呢

joe123

试试gemini pro，把音频发给他，感觉语句已经很通顺也很骚。我要求不高，能看就行

tutu112

joe123 发表于 2025-7-30 16:20
试试gemini pro，把音频发给他，感觉语句已经很通顺也很骚。我要求不高，能看就行 ...

好，回头试试

Chanpeter

joe123 发表于 2025-7-30 16:20
试试gemini pro，把音频发给他，感觉语句已经很通顺也很骚。我要求不高，能看就行 ...

gemini pro 幾乎是最準,時間碼準確, 但有時漏了一兩句,你根本不知道在哪裡

近期gemini網頁版好像弱化了,更易出幼覺,所以我用whisper算了

whisper, gemini 翻譯較穩定, 7.5/10分 就夠了

gemini transcribe 加上翻譯,9/10分,但太煩了

wwh777777

gemini 2.5pro已经很可以了，不容易输出10分钟只有一句台词的时间轴，比之前的本地部署large v3+sakura 13b的方案精确合适特别多，唯一的缺点是只能白嫖公司的，不然400多刀搞赛博r18还是不太合适。

lovexangel

使用Audition进行前期处理的思路确实很厉害，但是V3模型早该更新了，现在看效果只能说差强人意！
也许就像上面说的gemini transcribe 的准确率能达到90%了
虽然价格没有使我望而却步，但是我的花呗做到了！
没办法，我已经放弃字幕了，还是好好背单词好了！
毕竟也长词汇量的吧！只不过有点慢罢了！

tutu112

lovexangel 发表于 2025-7-30 19:05
使用Audition进行前期处理的思路确实很厉害，但是V3模型早该更新了，现在看效果只能说差强人意！
也许就像 ...

我也学了半年日语，然后就放弃了，感觉身边没个会日语的，没输出的学习效率太低，学了就忘了

neos1013

我是用flashai_vision这个，转录还可以，就是翻译速度太慢了