- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术路漫漫
手把手帮你视频转文本（2-音频转录）
这是本系列的第二篇，第一篇我们完成了将MP4视频转换为PCM音频，这篇我们实现基于百度云的录音转写，本文所有源代码参见：https://gitee.com/coolpine/thomas 对象存储服务调用 BosFileService中，主要是基于BosClient进行文件操作： 1、获取bucket下所有文件： bosClient.listObjects(THOMAS_BUCKET_NAME).getContents(); 2、 thomas-ai-token") public Optional<String> getAccessToken() { Map<String, String> params = new HashMap<>(2) Optional.ofNullable(restTemplate.postForEntity(postUrl.toString(), request, String.class)); } 基于录音文件URL，创建文本转写任务 到此，我们将完成了将PCM文件上传到云端，并实现调用录音转写服务，解析得到文本内容，如果相关问题或疑问，欢迎给我留言。
1.6K01发布于 2020-06-10 java实现音频转文本
欢迎关注微信公众号：数据科学与艺术 作者WX:superhe199 实现音频转文本，可以使用Java中的SpeechRecognitionAPI。 StreamSpeechRecognizer recognizer = new StreamSpeechRecognizer(configuration); // 读取音频文件 audio.wav"); InputStream audioStream = new FileInputStream(audioFile); // 开始识别音频流
32510编辑于 2025-08-29- 来自专栏txp玩Linux
音频调试(2)
前言： 大家好，今天继续分享记录一下最近的音频调试心得！同时这个过程中，也有朋友过来交流音频的问题，通过交流，也是学习到了新东西！ 视频和音频复合推流： 在上一篇文章里面有提到fdk-aac编码库，最近在调试通过获取声卡的pcm数据，然后通过fdk-aac进行编码，得到aac的音频数据，然后通过rtsp推流出去，在这个过程中遇到一个问题 ，就是和h264一起推流出去的时候，用ffplay拉流解码播放的时候，发现aq不断递增(音频缓存，网上说是帧长度，但是测试发现但不发送音频流的时候，aq的值会变小了，同时还可以听到声音) 这个现象显然是不对的 ，用ffplay解码播放，音频的音质质量是没有问题的，但是用vlc拉流播放就会出现音频卡顿的现象！ 最后分享一点就是，通过和网友的交流，音频调试真的要非常仔细，稍微一个参数错了，声音就异常了！ 好了，今天的分享就到这里了，简单记录一下音视频的问题点和解决思路，下期继续聊！
41500编辑于 2024-04-11 - 来自专栏Chasays
音频质量评估-2
音频质量评估-1：之前主要学习了音视频的编码和解码原理，和测试音频质量的方法。接下来继续学习下当前 短视频 领域的 视频质量测试方法。 scikit-image opencv-python imutils from skimage.measure import compare_ssim import imutils import cv2 Load the two input images imageA = cv2.imread("1.png") imageB = cv2.imread("2.png") # 4. Convert the images to grayscale grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor (imageB, cv2.COLOR_BGR2GRAY) # 5.
1.6K10编辑于 2021-12-06 - 来自专栏小轻论坛
高效音频转文本工具Whisper
大家好，我是站长可乐，今天给大家推荐的是音频转文本工具——Whisper，Whisper是由OpenAI开发的一个自动语音识别(ASR)开源系统。 OpenAI的技术文档介绍了如何基于Whisper模型调用语言转文本API来实现语言转写或将语言翻译成英文的功能。 我们现在测试下事先录制好的音频文件，名为“小轻论坛公众号测试文件”。 我们将输出格式设置为文本格式，并将其输出到文件夹。点击“抄写”按钮进行转换。 从结果来看，文本识别效果还是不错的，有同音字属于正常情况。另外它还将我说的引用内容进行了符号引用，文本也进行了换行，这是我没想到的。 当然软件还有很多功能需要挖掘，比如翻译功能和音频捕获功能，这里先给大家演示音频捕获功能，就是边说边转文字。
1.5K10编辑于 2024-09-30 - 来自专栏iOS开发干货分享
AVFoundation 文本转语音和音频录制 播放
现在你应该对AVFoundation有了比较深入的了解，并且对数字媒体的细节也有了一定认识，下面介绍一下 AVFoundation的文本转语音功能 AVSpeechSynthesizer 开发者可以使用 就两行代码解决了文本转语音功能。当然很多人会有自己的需求，那么还需要对具体对话中用到的声音和语音字符串定义属性。 kAudioFormatMPEGLayer2 = '.mp2', kAudioFormatMPEGLayer3 = '.mp3', kAudioFormatTimeCode 选择诸如AAC或Apple IMA4的压缩格式会显著缩小文件，还能保证高质量的音频内容 2.采样率 AVSampleRateKey用于定义录音器的采样率，采样率定义了对输入的模拟音频信号每一秒内的采样数 3.通道数 AVNumberOfChannelsKey用于定义记录音频内容的通道数。指定默认值1意味着使用单声道录制，设置为2意味着使用立体声录制。
3.5K40发布于 2019-06-14 - 来自专栏点滴代码
Base64转amr音频文件
function dataURL2Audio(fname, base64Str, callback) { //base64转amr文件 var mv = base64Str || ''; if
2.7K50编辑于 2022-12-23 - 来自专栏python前行者
pyfiglet文本转艺术字体
pyfiglet 是一个 Python 库，用于将文本转换为各种 ASCII 艺术字体。通过该库，程序员可以轻松地将普通文本转换为具有装饰性的艺术字体，适用于打印标题、标语等。 易用性：简单几行代码即可实现文本转换。 灵活性：允许自定义文本样式和颜色。 renderText方法用于将文本转换为指定的样式。 字符串颜色 为文本添加颜色可以增强视觉冲击力，pyfiglet可以与第三方库配合实现文本颜色的添加。 多行文本处理 处理多行文本时，pyfiglet可以灵活应对，以下是如何处理多行文本的示例： import pyfiglet # 多行文本处理 figlet_text = pyfiglet.Figlet 字符串对齐 pyfiglet允许你轻松地对齐文本，以下是如何对齐文本的示例： import pyfiglet # 字符串对齐 figlet_text = pyfiglet.Figlet(justify
97500编辑于 2025-04-20 - 来自专栏Golang开发
iOS音频(2)——Audio Unit
Audio Unit几乎可以认为是对硬件驱动层的封装，通过它获取麦克风采集的音频数据或者将音频数据传输给扬声器播放。 但是随着直播热对音视频的传输速度高要求，将PCM音频转换成AAC主要用到就是Audio Unit。 ? （２）动态的配置，AUGraph可以动态的对音频数据的组合配置，改变音效。 ：是AUGraph音频处理环节中的一个节点。 （３）AudioUnit: 音频处理组件，是对音频处理节点的实例描述者和操控者。
2.9K41发布于 2019-05-29 AI 音频转视频秘籍：从原理到实践
其中，AI 音频转视频技术为创作者们提供了一个全新的维度，使得将单纯的音频内容转化为富有视觉吸引力的视频变得轻而易举。 一、AI 音频转视频的原理剖析AI 音频转视频并非魔法，其背后有着严谨的技术逻辑。当输入一段音频时，AI 系统首先会对音频进行全面分析。这包括解析音频的节奏、旋律、和声、音色等多个维度的特征 。 Pictory特点：专注于从脚本生成视频，对有详细脚本的音频内容转化效果极佳。它具备强大的文本转语音功能，提供多种逼真的语音选项，可根据音频内容的情感和风格选择合适的语音进行配音。 Descript特点：Descript 以其独特的基于文本的视频编辑方式而闻名。它允许用户像编辑文档一样编辑视频，通过直接修改音频的文字转录来剪辑视频，操作简单直观。 输入创意指令（如果需要）文本提示：一些高级的 AI 工具支持通过输入文本提示来引导视频的生成。例如，你可以描述你希望在视频中看到的场景、画面元素、色彩风格等。
2K00编辑于 2025-08-07- 来自专栏python与大数据分析
关于PDF文件转图片、转文本
前几天在做应标方案，少不了从各种合同、验收文档中截取一下案例图片，试了半天也没找到合适的工具，从网上找python相关方案，最后选中了PyMuPDF，主要是好用，而且功能也听过，目前只实现了pdf转图片 ，pdf抽取文本两种功能，后续的有待再学习。
2.2K20编辑于 2022-03-11 - 来自专栏ZackSock
文本文件转excel文件
2、简单操作 我们来看一些简单的操作： from openpyxl import Workbook # 创建工作簿 wb = Workbook() # 激活 ws = wb.active # 设置指定格的数据 ws['A1'] = 41 # 在下一行添加数据 ws.append([1, 2, 3]) # 保存 wb.save("1.xlsx") 这里前面两步是基本操作，首先创建Workbook对象，然后调用 三、文本文件转excel文件 上面的几个操作就足够我们今天的操作了，下面我们来看看如何将文本文件转换成Excel文件。 1、寻找规律 在文章开头说了，我们只能将有规律的文本文件转换成Excel，不然没有太多意义。所以我们第一步就是找规律。 2、开始转换 首先我们要处理文本，然后再写入Excel，具体代码如下： from openpyxl import Workbook wb = Workbook() ws = wb.active # 处理文件
2.8K50编辑于 2021-12-18 - 来自专栏Linux兵工厂
音频总线-I2S
基本介绍 1.1 I2S “I2S(Inter—IC Sound)总线, 又称集成电路内置音频总线，是飞利浦公司为数字音频设备之间的音频数据传输而制定的一种总线标准。 I2S采用了独立的导线传输时钟与数据信号的设计，通过将数据和时钟信号分离，避免了因时差诱发的失真，为用户节省了购买抵抗音频抖动的专业设备的费用。 I2S特点 支持全双工和半双工模式 支持主、从模式 1.2 数字音频技术 现实生活中的声音是通过一定介质传播的连续的波，它可以由周期和振幅两个重要指标描述。 2. I2S规范 “标准的I2S总线电缆至少是由3根串行导线组成 串行时钟SCLK，也叫位时钟（BCLK），即对应数字音频的每一位数据，SCLK都有1个脉冲。SCLK的频率=2×采样频率×采样位数。 为了保证数字音频信号的正确传输，发送端和接收端应该采用相同的数据格式和长度。当然，对I2S格式来说数据长度可以不同。 I2S格式 左右通道的数据MSB是在WS变化后第二个SCK/BCLK上升沿有效。
2K40编辑于 2023-02-28 - 来自专栏量子位
不识字也能翻译：谷歌AI直接用音频翻音频，不用先转文本
而AI在翻译语音的时候，不把西语的音频转成文本，也不生成任何英语的文本，直接产出了英文音频。和标答一字不差。 这是谷歌团队的最新成果，想法大胆而有效。 ? 怎么会不用看文本？ 这个翻译模型，名字叫做S2ST (全称Speech-to-Speech Translation) 。 当然，一个完整的翻译模型，并没有上面说的这么简单，它由三个部分组成： 一是基于注意力的序列到序列 (seq2seq) 神经网络。 就是下图的蓝色部分，它负责生成目标声谱图，这只是第一步，还不是音频； 二是一个声码器(Vocoder) 。 肉眼看过之后，再让S2ST和先转换文本再翻译的AI对比一下BLEU分。 在“Conversational”大数据集上，S2ST的BLEU分比对手差了6分：42.7比48.7。 ?
2.2K20发布于 2019-04-22 - 来自专栏Python基础、进阶与实战
python WAV音频文件处理—— (2)处理PCM音频-- waveio包
from enum import IntEnum class PCMEncoding(IntEnum): UNSIGNED_8 = 1 SIGNED_16 = 2 SIGNED self == 1 else -self.min -1 @property def min(self): return 0 if self == 1 else -(2* return np.frombuffer(frames, "<i2") / -self.min case PCMEncoding.SIGNED_24: samples = padded.flatten().view("<i4") samples[samples > self.max] += 2 读取音频帧的切片 如果您有一个特别长的音频文件，则可以通过缩小感兴趣的音频帧的范围来减少加载和解码基础数据所需的时间。 我们将通过切片功能实现读取一个范围的音频。
1.2K10编辑于 2024-04-11 - 来自专栏机器之心
任意文本、视觉、音频混合生成，多模态有了强大的基础引擎CoDi-2
「CoDi-2 遵循复杂的多模态交错上下文指令，以零样本或少样本交互的方式生成任何模态（文本、视觉和音频）。」 而为了训练 CoDi-2，研究者构建了一个大规模生成数据集，包含了跨文本、视觉和音频的上下文多模态指令。 其中在主题驱动图像生成、视觉转换和音频编辑等任务上超越了以往领域特定的模型。 人类与 CoDi-2 的多轮对话为图像编辑提供了上下文多模态指令。 模型架构 CoDi-2 在设计时旨在处理上下文中的文本、图像和音频等多模态输入，利用特定指令促进上下文学习并生成相应的文本、图像和音频输出。CoDi-2 模型架构图如下所示。 研究者使用 ImageBind ，它具有对齐的图像、视频、音频、文本、深度、thermal 和 IMU 模式编码器。
57110编辑于 2023-12-05 - 来自专栏办公魔盒
VBA EXCEL 转 TXT 文本文件
在日常工作中，我们很多时候都会用到TXT，XML,JSON等文件作为数据储存介质，方便我们导进系统，数据库等；今天开号第一天先来一个Excel转TXT文件文件，VBA小源码！ Integer Dim txtwd As String '弹窗选择保存路径，并注明保存类型 wjm = Application.GetSaveAsFilename(FileFilter:="文本文件
3K10发布于 2019-07-22 - 来自专栏办公魔盒
VBA TXT文本文件 转 Excel
导入数据 '关闭屏幕刷新 Application.ScreenUpdating = false Dim arry() As String, f As String, j As Long '选择文本文件 Application.GetOpenFilename("Text Files (*.txt),*.txt", , "请选择文件") If mytxt = False Then Exit Sub '打开文本文件
3.3K40发布于 2019-07-22 - 来自专栏AI SPPECH
Audio-Text-to-Text：2025年音频文本转文本技术全解析与应用指南
这类技术不仅能够将各类音频内容转换为可读文本，更能通过多模态融合技术同时处理音频和文本输入，为智能交互提供全新的可能性。 ，同时处理音频和文本输入，生成高质量文本输出；2025年的技术通过深度学习模型、多模态融合和自适应算法，实现更准确、更智能的系统 驱动 掌握音频-文本转文本技术将在媒体、教育、医疗、法律等领域占据领先优势 Audio-Text-to-Text是一种将音频信号转换为文本的技术，同时也是一类能够同时接收音频和文本作为输入，并生成文本作为输出的多模态AI模型。 这种机制允许模型在生成文本时，同时考虑音频和文本的信息，提高生成文本的准确性和连贯性。 3.2.4 AudioT5模型 AudioT5是Huggingface Research开发的Audio-Text-to-Text模型，它结合了Wav2Vec2的音频处理能力和T5的文本生成能力，在多种音频文本任务中取得了优异的性能
71510编辑于 2025-11-12 - 来自专栏FPGA开源工作室
音频总线I2S协议
音频总线I2S协议 1 概述 I2S(Inter—IC Sound)总线, 又称 集成电路内置音频总线，是飞利浦公司为数字音频设备之间的音频数据传输而制定的一种总线标准，该总线专门用于音频设备之间的数据传输 I2S采用了沿独立的导线传输时钟与数据信号的设计，通过将数据和时钟信号分离，避免了因时差诱发的失真，为用户节省了购买抵抗音频抖动的专业设备的费用。 在飞利浦公司的I2S标准中，I2S主要有三个信号。 1.位时钟 BICK（也叫串行时钟SCLK），即对应数字音频的每一位数据，BCLK都有1个脉冲。BCLK的频率=2×采样频率×采样位数。 2.帧时钟LRCK，(也称WS)，用于切换左右声道的数据。 3.串行数据SDATA，就是用二进制补码表示的音频数据。 3 I2S收发模块FPGA的仿真设计 i2s_test模块为i2s_in和i2s_out模块的顶层，i2s_in模块将输入的串行数据转换成并行的数据，然后i2s_out模块将并行数据转换成串行数据输出
7.7K20发布于 2019-10-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号