果然，折腾的尽头是躺平…
因为我经常使用PLEX进行影音播放，最近在听评书的时候，忽然想到可以像歌曲的歌词一样，在听的时候也能看一眼。但很明显，任何一本评书都不会有人制作歌词的，除了我~
之前有一阵追了一些国外影片，在遇到生肉的时候呢，就已经通过ASR进行语音识别，并且通过机器翻译制作字幕（正好介绍一个优质软件——Tern）。但之前都是轻度使用，一季的短剧也没几个小时，而恰好腾讯云又有每月10小时的免费额度，基本够用了。而这次我要的音频总量近千小时，各种评书、罗辑思维和喜马拉雅的音频文件，而看了眼云服务商的ASR（语音识别）的价格，着实劝退，最便宜的阿里云闲时ASR都要1元/小时，为了我一个突发奇想，也真是没必要。
但骨子里的折腾DNA还是动了，毕竟ASR这种技术早就应该普及了，开源的软件应该多的是吧，于是乎github逛了一圈，也尝试了几个开源的框架，效果很一般，很一般！然后又回到百度一通搜，于是乎发现了百度旗下的paddle飞桨开源平台，也有开源的ASR模型，安装也算方便，都是基于python，这不是很完美嘛，吗？
一下午过去了，我费劲吧啦的搞好了兼容性，成功的调用了cuda加速，我的970ti还能一战。然而是我天真了，等真的要开始的时候，才发现paddle-asr这玩意有时长上限50s，要进行长语音识别，还要再进行音频切割。而且吧，官方的文档中，使用的是每10ms遍历，出现静音就切割，我大致的体验了一下，因为我的音频大都是评书之类的，基本上每个气口都被切割了，识别出来的文字极其细碎，再补充时间轴和标点符号简直是无稽之谈。我还尝试了固定时间切割，每10s/30s/50s我都尝试过，效果也一般，毕竟谁讲话也不会这么固定啊。
于是乎我又是一顿搜索，然后发现了阿里云他兄弟达摩院的开源项目，也正是本文的领衔主演——ModelScope。同样是开源框架，同样也有ASR开源模型，可ModelScope的ASR开源模型足足有72个，还有专门的长音频版本，上限2小时，这完全满足我的需求啊。
啥也不说了，开干吧。但框架的安装过程，比paddle还难，首先是语音识别的相关功能是只能在linux环境运行的，我又不是专业搞机器学习的，手里肯定没有装linux的机器啊。妥协了一下，先搞一台ubuntu的虚拟机试试水，准备搞好了买个云服务器。但官方的推荐组合ubuntu20.04+cuda11.3.0+py37+torch1.11.0+tf1.15.5，我至今都没能成功安装[微笑]。
好在，人家是真善良，直接给了一个docker镜像，分分钟可以跑通，至于性能损失嘛……忍了吧。嘿，你别说，ModelScope的ASR还真可以，识别出来的结果自动加了标点符号，还有相对时间戳，留给我做的，只需要根据标点符号进行切割，然后把相对时间戳转换成时间轴，脚本放在后边。
然后呢，考虑到有一些视频可能也需要加字幕，直接一次到位，再加个功能，通过lrc转srt。（别问我为啥不通过识别结果直接写srt，这不是想省事嘛，折腾的尽头是躺平）在此要感谢github的开源项目djj45/lrc2srt，直接将功能加入至我的脚本中，就可以直接生成srt文件了。
至此，实现ASR就已经很简单了，先通过ffmpeg将音视频转码至wav格式（这是modelscope的模型要求），然后通过docker关联宿主机文件夹，在docker中运行脚本，坐等lrc/srt文件就OK了。而且虽然是docker，虽然没有cuda加速，但速度真的比想象中的快得多，我一个低压八核i7处理器，平均用了1/10的音频时间完成了转写，这个时间我真的可以接受了。希望有更强性能的，可以用gpu-docker，或者上云服务器，速度肯定还能再上一个台阶。