剪映专业版字幕导出随笔

最近有个识别视频中人声转成字幕并导出的小需求，找了一圈发现头条系的剪映专业版真好用，借助剪映专业版的识别字幕功能，以及抓包工具 fiddler 获取到字幕的json文件，实现“字幕导出”。特以此文纪念一下，截止2021年03月14日12:19:26，此方法有效，不排除剪映升级后方法可能失效。

环境准备

首先必须安装剪映专业版，如果您还没用过剪映专业版，请自行搜索关键字【剪映】下载安装；另外需要安装抓包工具，笔者安装的是【Fiddler】，值得注意的是需要开启 https 抓包模式。

环境截图如下：

• 剪映

• Fiddler

数据处理我使用的 NodeJS，此处就不展开介绍了，如果您不会代码，可以搜索一下【剪映字幕转srt】

字幕生成

首先，我们将视频导入到剪映素材中，如下图所示，导入成功之后会生成视频预览，并且左边小窗上回显示已添加。接着，我们切换到到【文本-识别字幕】，点击【开始识别】，此时剪映专业版就会识别视频中的人声，并自动在时间轴上生成字幕文件。

字幕捕获

然后呢，我们有条不紊地打开抓包工具，并开启 HTTPS 模式，这一步值得注意的是需要信任证书。

这时我们最好加个筛选条件，只显示lv-pc-api.ulikecam.com这域下的请求，也就是剪映字幕处理的接口。如果此时字幕已处理完毕，则重新点下上文步骤中的【开始识别】按钮。

由于笔者处理的视频比较长，大概有一个半小时，因此生成字幕的时间比较久，也是笔者不慌不忙的原因，稍等片刻，发现 fiddler 不再吐新的请求信息了，最终https://lv-pc-api.ulikecam.com/lv/v1/audio_subtitle/query 这个接口返回的就是我们的字幕。

字幕处理

最后一步了，其实我们只需复制上一步抓到的JSON数据就实现了字幕导出。处理这个JSON数据的方式有很多，比如可以借助一些公开的小工具，把这个JSON数据直接转成SRT字幕文件，也可以通过编程语言来自行编写程序按照自己的需要来处理。笔者比较熟悉的是JavaScript，因此使用NodeJS来处理，最终生成文本格式的文件。

先来看看笔者抓到的字幕数据格式：

{
	"ret": "0",
	"errmsg": "success",
	"svr_time": 1615699052,
	"log_id": "202103141317310102121441631D8D72AD",
	"data": {
		"utterances": [{
				"text": "直播课堂",
				"start_time": 0,
				"end_time": 896,
				"words": [{
						"text": "直",
						"start_time": 0,
						"end_time": 258
					},
					{
						"text": "播",
						"start_time": 258,
						"end_time": 360
					},
					{
						"text": "课",
						"start_time": 360,
						"end_time": 520
					},
					{
						"text": "堂",
						"start_time": 520,
						"end_time": 896
					}
				]
			},
			{
				"text": "又一次跟大家见面了",
				"start_time": 2063,
				"end_time": 3680,
				"words": [{
						"text": "又",
						"start_time": 2063,
						"end_time": 2240
					},
					{
						"text": "一",
						"start_time": 2240,
						"end_time": 2400
					},
					{
						"text": "次",
						"start_time": 2400,
						"end_time": 2576
					},
					{
						"text": "跟",
						"start_time": 2663,
						"end_time": 2840
					},
					{
						"text": "大",
						"start_time": 2840,
						"end_time": 2980
					},
					{
						"text": "家",
						"start_time": 2980,
						"end_time": 3120
					},
					{
						"text": "见",
						"start_time": 3120,
						"end_time": 3296
					},
					{
						"text": "面",
						"start_time": 3303,
						"end_time": 3496
					},
					{
						"text": "了",
						"start_time": 3503,
						"end_time": 3680
					}
				]
			},
			{
				"text": "我还是大家熟悉的主持人美娜",
				"start_time": 3680,
				"end_time": 6656,
				"words": [{
						"text": "我",
						"start_time": 3680,
						"end_time": 3856
					},
					{
						"text": "还",
						"start_time": 3863,
						"end_time": 4056
					},
					{
						"text": "是",
						"start_time": 4103,
						"end_time": 4296
					},
					{
						"text": "大",
						"start_time": 4543,
						"end_time": 4700
					},
					{
						"text": "家",
						"start_time": 4700,
						"end_time": 4856
					},
					{
						"text": "熟",
						"start_time": 5023,
						"end_time": 5216
					},
					{
						"text": "悉",
						"start_time": 5223,
						"end_time": 5380
					},
					{
						"text": "的",
						"start_time": 5380,
						"end_time": 5500
					},
					{
						"text": "主",
						"start_time": 5500,
						"end_time": 5620
					},
					{
						"text": "持",
						"start_time": 5620,
						"end_time": 5740
					},
					{
						"text": "人",
						"start_time": 5740,
						"end_time": 5896
					},
					{
						"text": "美",
						"start_time": 6063,
						"end_time": 6256
					},
					{
						"text": "娜",
						"start_time": 6263,
						"end_time": 6656
					}
				]
			}
		]
	}
}

因此，笔者的代码也非常简洁:

const fs = require('fs')
const rawdata = fs.readFileSync('./srt.json');
const {data} = JSON.parse(rawdata);
 
const {utterances} = data
let txt = ''
for(let i of utterances) {
    txt += i.text + '\n'
}
fs.writeFile('srt.txt', txt, function (err) {
    if (err) {
        return console.error(err);
    }
});

最终生成的txt文件如下图：当然如果您需要处理时间，处理start_time和end_time这两个字段即可。

小结

本次分享就到这，其实整个步骤也非常简单，只是在剪映专业版识别字幕的基础上对识别请求进行抓包，最终获得JOSN数据。如果您有更好的处理方式，欢迎评论区留言与我分享。