从今年5月份开始制作YouTube的长视频，到现在已经开通了6个YPP，RPM在4刀左右。中间经历了多轮的工具迭代，其中有一个痛点一直没有得到满足，就是长文本的文稿匹配，剪映只支持最长5000字，如果超过了，就得自己手动分段识别，然后一点点的调整对齐，做过的人都知道有多麻烦。
我的工作流程是：先AI生成文本，大概一万字左右，然后使用indexTTS进行克隆语音并朗读成音频，然后再将音频跟我的文本匹配输出SRT字幕。这样可以做到字幕没有任何错别字。如果是使用语音识别字幕，就会有很多错别字，对于我这种偏专业术语的内容，完全不可接受。
在网上找了很久，都没有找到合适的工具，也一直使用剪映人工分段识别并调整，但是最近文本越来越长，超过1万多字，剪映用起来就非常痛苦了，分段的不准的话匹配的字幕会乱飞，完全是浪费时间，于是使用cursor手搓了一个工具，迭代了几天，目前来看已经达到剪映90%功力了（当然5000字以下还是使用剪映比较快，但是剪映是在服务器端识别的，会受网络影响）。
工具的大概原理：
1、使用whisper识别语音成初步的字幕，这一步会有很多错别字
2、使用DTW算法把我提供的文本跟上一步识别的文字对比，并做修正
由于不止一个Python文件，不好贴在这里，想用的可以去GitHub拿：
https://github.com/blueslmj/txt2srt
附上工具的web UI界面：
whisper的模型我用的small，测试了几个模型，这个综合下来最好用，识别准确率也够用，每一行的字符限制是40，也可以自行修改。
Windows的客户端也有，不过界面比较丑：
这是运行的终端界面，可以看到识别准确率还是不错的，完全可以代替剪映，并且支持无限长文本：
对了，我的显卡是5070ti，最新的pytorch不支持，如果是40系的话可以安装最新版的，速度会更快一些（所以我升级了个啥。。。）
Comments on "从0到6个YouTube YPP，手搓字幕工具替代剪映，支持无限长文本" :