如何在不将视频上传到YouTube的情况下使用Google的YouTube语音识别？

我有很多演讲视频内容，我想为其添加字幕。YouTube在特定条件下会自动为视频生成字幕（这些条件对我来说还是个谜）。

我希望能够在YouTube之外使用此语音识别技术。我不想上传每个视频只是为了获取成绩单（太耗时），而且，我不认为YouTube会为超过30分钟（大多数是30分钟）的视频使用该视频。不要以为它会在非公开列出的视频中使用（这是个问题，因为它是要出售的优质内容）。

完美的场景：有一个程序可以在我的桌面上运行，以从这些视频中获取抄本，并且其质量与YouTube相同或更好，并且其时间代码类似于YouTube生成的SRT或XML [ 如何获得YouTube字幕 ]。

可以接受的情况：我可以采取一些技巧来迫使YouTube抄录视频，无论是公开的还是公开的，尽管长度不限。

可行的方案：有一个库或我可以用来编写自己的程序的东西。我对C＃很好，对C ++很好（但是我真的更喜欢C＃）。

Google在Chrome中实现了Web Speech API（用于语音识别和合成），如果您是开发人员，则可以使用。这就是YouTube用于为某些视频添加字幕的方式。也许您会找到与之交互的代码。

数据流可能是：

视频文件=>提取并转换音频=>将其发送到Google API =>获取文本=>写入SRT。

编辑：除W3C规范外，似乎没有正式的API页面。因此，这里有更多链接：

• http://www.sitepoint.com/experimenting-web-speech-api/
• http://www.smashingmagazine.com/2014/12/05/enhancing-ux-with-the-web-speech-api/

这些示例是关于在Chrome内部使用API​​的，但是您可以直接查询Google的在线语音识别引擎。例如，Raspberrry Pi的语音识别个人助理Jasper允许您选择Google作为语音识别引擎。

尽管使用了较旧的Google语音API，但有一个名为“ autosub”的工具（请参阅github上的agermanidis / autosub）可以精确地完成此操作。该工具使用ffmpeg将音频剥离为FLAC文件，然后将FLAC文件发送给Google进行转录。它产生一个SRT或VTT文件。

准确性较低的部分原因是Google API较旧。有更新的API（位于https://cloud.google.com/speech/docs/apis的 “ Cloud Speech REST API” ）。这个API非常简单，在某些时候，我将派出autosub来使用它。

另一种方法是在字幕制作完成后上载到YouTube并下载VTT文件。这样做的复杂之处在于，YouTube会生成非常细腻的字幕（例如，几个单词），而不是一个句子。这使得在进行手动扫描时更难检查字幕。

最简单的方法是：转到google docs，打开一个新的文本文档，然后从工具“语音输入”中选择，然后播放磁带。是。很简单！（并支持多种语言）

否则，您可以使用具有HTML5的本地网页，如下所示：https : //www.labnol.org/software/add-speech-recognition-to-website/19989/