# 影片筆記：终于有适合游戏实况的字幕制作工具了——我开源了一套AI视频创作工作流【MAW】【B站AI创造公开赛】

## 一句話總結

UP 主「莫偉」開發並開源了一套基於千問 ASR 技術的字幕生成與編輯工作流（暫名 MAW，計劃更名為 MOS），該工具通過多行波形顯示、字級時間碼智能拆分、靜音自動跳過及達芬奇（DaVinci Resolve）深度整合等功能，解決了遊戲實況字幕製作中定位困難、長句拆分複雜及與剪輯節奏對接的問題。

## 核心重點

1.  **高精度字幕生成**：基於千問 ASR（自動語音識別）技術，實測準確率達 95% 以上，原生支持標點符號，錯別字少。
2.  **多行波形顯示**：借鑒開源項目 Gap Gone，將單行波形擴展為多行，容量提升約十倍，支持點擊波形任意位置直接跳轉播放，大幅提升定位效率。
3.  **智能拆分與編輯**：利用千問 ASR 提供的字級時間碼，實現按語義邊界而非單純音頻波形的智能拆分，解決無空格長句拆分難題；支持行長控制（預設 16 字，可調至 20 字）及超長字幕篩選。
4.  **靜音處理機制**：自動識別並跳過長段靜音（如 40 分鐘視頻中 25 分鐘靜音），支持通過鼠標操作（中鍵拖動、Alt 鍵點擊）手動標記刪除、保留或恢復特定片段。
5.  **達芬奇（DaVinci Resolve）整合**：
    *   通過顏色標記（紅、紫、綠）對應剪輯動作（畫面放大、添加音樂、跳過/加速）。
    *   支持導出 OTIO (Open Timeline IO) 工程文件，將時間線、顏色標記及表情符號導入達芬奇時間軸。
    *   提供 JSON 及 FFMPG 腳本數據，供具備編程能力的用戶自行編寫 AI 腳本進行視頻切分。
6.  **OCR 輔助去重**：利用 Paddle OCR 識別視頻幀中的內建字幕，若與生成字幕相似度超過閾值，則自動灰顯禁用，避免字幕疊加（目前流程較複雜，暫未放入公開倉庫）。
7.  **技術架構與規劃**：當前為本地 HTML 網頁應用，需 Python 環境及千問 ASR API Key；未來計劃封裝為桌面應用（MOS Open Subtitle Editor），並考慮支持剪映等其他軟件格式。

## 詳細大綱

### I. 工具概覽與核心優勢
*   **項目背景**：開發者為「莫偉」，項目暫定名稱為 MAW (MOS ASR Workflow)，計劃改名為 MOS (MOS Open Subtitle Editor)。
*   **核心技術**：基於千問 ASR 生成字幕，高精度、少錯別字、原生支持標點。
*   **借鑒來源**：多行波形功能借鑒自另一位 UP 主分享的開源項目 Gap Gone。

### II. 界面與基礎操作
*   **多行波形顯示**：
    *   相比傳統單行波形，多行顯示可容納更多內容（容量提升約十倍）。
    *   支持點擊波形任意位置直接跳轉播放。
*   **字幕列表視圖**：
    *   支持將字幕拖入文本視圖，形成巨大字幕區域。
    *   支持按文本內容定位與跳轉。

### III. 智能拆分與編輯功能
*   **字級時間碼拆分**：
    *   千問 ASR 提供字級時間碼，拆分時不會簡單切割音頻，而是智能識別語義邊界。
    *   即使無空格長句，也能在語義空隙處拆分。
    *   拆分後的時間碼在導出時會保留。
*   **行長控制與過濾**：
    *   預設一行 16 字，可調整為 20 字。
    *   支持「僅看超長」功能，快速篩選出超出設定長度的字幕行進行合併或拆分。
*   **合併與拆分操作**：
    *   支持選中多條字幕後右鍵合併。
    *   支持在文本視圖中直接點擊拆分。

### IV. 靜音處理與批量替換
*   **靜音自動跳過**：
    *   自動識別視頻中的長段靜音（如本例中 40 分鐘視頻有 25 分鐘靜音）。
    *   播放時自動跳過靜音區域。
*   **靜音標記管理**：
    *   **刪除/跳過**：中鍵拖動可將片段標記為靜音跳過。
    *   **保留**：按住 Alt 鍵點擊可保留該片段（如保留笑聲）。
    *   **恢復**：按住 Alt 鍵中鍵拖動可恢復被標記為靜音的片段。
*   **批量替換**：
    *   支持搜索並全局替換特定詞彙（如將「藥理」替換為「药理」）。
    *   修改過的字幕會顯示黃色標記。

### V. 達芬奇（DaVinci Resolve）整合與剪輯輔助
*   **顏色標記系統**：
    *   **紅色**：標記重點內容，對應剪輯時的畫面放大效果。
    *   **紫色**：標記有趣/歡樂內容，對應添加音樂。
    *   **綠色**：標記需跳過的內容，對應剪輯時的加速或跳過。
    *   顏色信息可導出至達芬奇 JSON，輔助快速識別剪輯重點。
*   **表情符號功能**：
    *   支持為特定字幕分配表情符號。
    *   可導出為 OTIO 工程文件導入達芬奇，在時間軸上對應位置顯示表情。
    *   目前僅開發者自用，未公開。
*   **導出格式**：
    *   **SRT**：傳統字幕格式。
    *   **靜音版 SRT**：已去除靜音片段後的字幕。
    *   **OTIO (Open Timeline IO)**：達芬奇工程文件，包含時間線、顏色標記及表情信息。
    *   **JSON / FFMPG 腳本數據**：提供時間區域數據，供具備編程能力的用戶自行編寫 AI 腳本進行視頻切分。

### VI. OCR 輔助工作流（附屬功能）
*   **功能描述**：
    *   利用字幕時間點截取視頻幀。
    *   使用 Paddle OCR 識別畫面中的文字。
    *   若畫面文字與字幕文本相似度超過閾值，判定為「對口型配音」或「遊戲內建字幕」。
*   **處理結果**：
    *   自動將此類字幕標記為灰色並禁用，導出時不生成該字幕。
    *   目的：避免字幕與遊戲畫面內建文本疊加。
*   **狀態**：流程較複雜，暫未放入公開倉庫。

### VII. 技術要求與未來規劃
*   **當前技術棧**：
    *   本地 HTML 網頁應用。
    *   需要電腦安裝 Python。
    *   需要用戶自行準備千問 ASR 的 API Key。
*   **未來規劃**：
    *   計劃將項目封裝為更易用的桌面應用（MOS Open Subtitle Editor）。
    *   若反響良好，將考慮支持剪映等其他軟件工程格式。
    *   若反響平平，可能僅作為個人工具繼續使用。

## 工具 / 模型 / 名詞整理

*   **千問 ASR (Qwen ASR)**：用於生成高精度字幕及字級時間碼的語音識別模型。
*   **Gap Gone**：借鑒多行波形功能的開源項目。
*   **SRT**：字幕文件格式。
*   **OTIO (Open Timeline IO)**：時間線交換格式，用於達芬奇工程文件。
*   **達芬奇 (DaVinci Resolve)**：視頻剪輯軟件，支持導入 OTIO 工程。
*   **FFMPG**：視頻處理工具，相關數據格式用於腳本切分。
*   **JSON**：數據交換格式，用於存儲時間區域數據。
*   **Paddle OCR (百度 Paddle OCR)**：用於識別視頻幀中畫面文字的 OCR 工具。
*   **GitHub**：代碼托管平台。
*   **Python**：開發語言環境。
*   **MAW (MOS ASR Workflow)**：當前項目暫定名稱。
*   **MOS (MOS Open Subtitle Editor)**：計劃中的項目新名稱。
*   **墨色**：MOS 的中文譯名或別稱。

## 操作流程整理

1.  **環境準備**：
    *   安裝 Python 環境。
    *   獲取千問 ASR 的 API Key。
    *   訪問本地 HTML 網頁應用（MAW/MOS）。
2.  **字幕生成與初步編輯**：
    *   上傳視頻，利用千問 ASR 生成高精度字幕及字級時間碼。
    *   利用多行波形顯示功能，點擊波形任意位置進行跳轉與定位。
    *   在文本視圖中進行字幕的合併、拆分及行長控制（預設 16 字，可調至 20 字）。
    *   使用「僅看超長」功能篩選並處理超長字幕行。
3.  **靜音處理**：
    *   系統自動識別長段靜音並跳過播放。
    *   通過鼠標操作（中鍵拖動、Alt 鍵點擊）手動標記特定片段為「刪除/跳過」、「保留」或「恢復」。
    *   使用批量替換功能修正特定詞彙，修改內容顯示為黃色標記。
4.  **OCR 輔助去重（可選）**：
    *   利用字幕時間點截取視頻幀。
    *   使用 Paddle OCR 識別畫面文字。
    *   若畫面文字與字幕文本相似度超過閾值，自動灰顯禁用該字幕，避免疊加。
5.  **剪輯整合與導出**：
    *   為字幕分配顏色標記（紅：重點放大，紫：歡樂音樂，綠：跳過/加速）及表情符號。
    *   導出 SRT（傳統格式）或靜音版 SRT。
    *   導出 OTIO 工程文件至達芬奇，實現時間線、顏色標記及表情符號的同步。
    *   導出 JSON 或 FFMPG 腳本數據，供具備編程能力的用戶進行視頻切分。

## 值得注意的限制或風險

1.  **技術門檻**：當前版本為本地 HTML 網頁應用，需具備 Python 環境及千問 ASR API Key，對普通用戶有一定技術要求。
2.  **OCR 流程複雜**：OCR 輔助去重功能流程較複雜，暫未放入公開倉庫，可能影響部分用戶體驗。
3.  **表情符號功能未公開**：表情符號導出功能目前僅開發者自用，尚未公開，可能存在穩定性或兼容性問題。
4.  **依賴第三方服務**：字幕生成依賴千問 ASR API，需用戶自行準備 API Key，可能存在費用或可用性風險。
5.  **未來規劃不確定性**：項目是否會支持剪映等其他軟件格式，取決於反響，若反響平平可能僅作為個人工具使用。

## 逐字稿辨識疑點

*   **Gap Gone**：逐字稿提及借鑒自「Gap Gone」，需查證該開源項目確切名稱。
*   **索菲**：逐字稿中提到「可能也就跟索菲關係比較」，語境不明，疑為口誤或特定術語聽寫錯誤。
*   **MAW Gap Gone**：在批量替換演示中，逐字稿顯示替換結果為「MAW Gap Gone Qwen ASR PaddleOCR 哔哩哔哩」，此處邏輯或聽寫可能存在混亂。
*   **費十二**：逐字稿中出現「費十二」，疑為人名或特定術語的聽寫錯誤。
*   **凱利同學**：逐字稿中出現「凱利同學」，疑為人名或特定術語的聽寫錯誤。
*   **first pass**：逐字稿中出現「相當於 first pass」，指代初步編輯階段，保留英文原詞。
*   **MOSE**：逐字稿中計劃名稱提及「MOSE」，隨後又稱為「MOS」，需查證最終命名。
*   **Paddle百度的Paddle OCR**：逐字稿口語化表述，確認為 Paddle OCR。
*   **老輩子**：逐字稿中形容「像我這樣的老輩子」，疑為「老派」或「資深」的聽寫錯誤。

## 可延伸追問

1.  **Gap Gone 項目詳情**：Gap Gone 具體是一個什麼樣的開源項目？其多行波形功能的實現原理是什麼？
2.  **千問 ASR API 成本**：使用千問 ASR API 的具體費用結構如何？對於長視頻處理，成本是否可控？
3.  **MOS 桌面應用開發進度**：計劃封裝的桌面應用（MOS Open Subtitle Editor）預計何時發布？是否會考慮跨平台支持？
4.  **OCR 去重閾值設定**：OCR 輔助去重功能中，相似度閾值是如何設定的？用戶是否可以自定義調整？
5.  **達芬奇 OTIO 兼容性**：導出的 OTIO 文件在達芬奇中的具體兼容性如何？是否支持所有版本的達芬奇？
6.  **表情符號功能細節**：表情符號在達芬奇時間軸上的具體顯示形式是什麼？是否支持自定義表情符號？
7.  **靜音識別準確率**：靜音自動跳過功能的準確率如何？對於背景音樂或輕微噪音的處理邏輯是什麼？
8.  **批量替換的局限性**：批量替換功能是否支持正則表達式？對於複雜的文本替換需求是否足夠？
9.  **JSON/FFMPG 腳本數據格式**：JSON 和 FFMPG 腳本數據的具體格式規範是什麼？是否有文檔說明？
10. **未來支持剪映的可能性**：如果支持剪映，具體的整合方式是什麼？是否會開發專門的插件或腳本？