來自本地視頻的 SFSpeechRecognizer

Question

我正在嘗試從視頻中實現語音轉錄（語音到文本）。 我的方法是將其分解為 3 個步驟：

1. 將視頻轉換為音頻文件 (m4a/mp3)
2. 使用音頻文件 url 將音頻傳遞給 SFSpeechRecognizer 請求
3. 成績單

我的問題是我還沒有找到將源視頻文件（比如說 .mov）轉換為純音頻文件的方法。 視頻的 AVAsset 本身沒有任何音軌，但在播放文件時仍然有音頻（所以它確實存在）。

我想如果我能解決第 1 步，那么 2 + 3 是微不足道的，所以我的問題是 - 將視頻文件轉換為純音頻文件的最佳方法是什么，然后我可以將其用於轉錄。

Answer 1

您可以使用FFmpegKit庫來提取視頻的音頻部分。

庫示例： https ://github.com/tanersener/ffmpeg-kit/tree/main/apple#3-using

提取音頻的ffmpeg命令示例： https ://stackoverflow.com/a/27413824/5707560