Spaces:
Running
on
Zero
Running
on
Zero
File size: 1,659 Bytes
6c226f9 0c59afa 6c226f9 0c59afa 6c226f9 0c59afa |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 |
---
title: Whisper V3 - Energy Based SRT
emoji: 🎧
colorFrom: blue
colorTo: purple
sdk: gradio
sdk_version: "4.36.1"
app_file: app.py
pinned: false
---
# Whisper Large V3 - Energy Based Subtitle Generator
本 Space 使用 **[openai/whisper-large-v3](https://huggingface.co/openai/whisper-large-v3)** 进行语音识别，
并基于 **音频能量 (RMS → dB)** 自动检测静音段切分字幕。
特点：
- ✅ 自动识别长音频（分块推理）
- ✅ 静音检测切分（非依赖标点，停顿 ≥ 0.2 秒自动分段）
- ✅ 输出标准 `.srt` 文件（无编号，更适合编辑）
- ✅ 兼容 **GPU / CPU / ZeroGPU** 环境，避免 AcceleratorError
---
## 🚀 使用方法
1. 上传音频文件（支持 mp3, wav, flac 等常见格式）。
2. 选择任务模式：
- `transcribe`：原语言转写
- `translate`：翻译为英文
3. 点击提交，等待处理完成。
4. 在下方：
- 预览区可查看字幕（SRT 格式，无编号）。
- 点击下载按钮可获取 `.srt` 文件。
---
## ⚙️ 参数说明
- `SILENCE_MIN_LEN = 0.20` → 停顿 ≥ 0.2s 判定为静音段
- `DB_DROP = 25.0` → 静音阈值：最大能量 -25dB 以下
- `PCTL_FLOOR = 20.0` → 能量分位数阈值（避免底噪过低）
- `MIN_SEG_DUR = 0.30` → 每段最短显示 0.3s，避免闪烁
可根据需要在 **`app.py`** 中调节这些参数。
---
## 📦 依赖 (requirements.txt)
```txt
torch>=2.3.0
torchaudio>=2.3.0
transformers>=4.43.0
accelerate>=0.32.0
huggingface_hub>=0.23.0
datasets>=2.19.0
gradio>=4.36.1
librosa>=0.10.1
soundfile>=0.12.1
numpy>=1.24.0
scipy>=1.12.0
|