import json import re import argparse import os from typing import List, Dict, Tuple, Optional, Union def convert_time_format(time_str: str) -> str: """转换时间格式（兼容SRT和VTT）为目标格式（00:00:00.000）""" # 统一处理逗号和点分隔符 if ',' in time_str: time_str = time_str.replace(',', '.') # 确保毫秒部分为3位 if '.' in time_str: main, ms = time_str.split('.', 1) ms = ms.ljust(3, '0')[:3] # 补零到3位并截断 # 检查main部分是否缺少小时 parts = main.split(':') if len(parts) == 2: # MM:SS格式，补全小时 main = f"00:{parts[0].zfill(2)}:{parts[1].zfill(2)}" elif len(parts) == 3: # HH:MM:SS格式，确保每段两位 main = f"{parts[0].zfill(2)}:{parts[1].zfill(2)}:{parts[2].zfill(2)}" return f"{main}.{ms}" elif ':' in time_str: # 处理只有分:秒格式的情况 parts = time_str.split(':') if len(parts) == 2: # 分:秒格式 return f"00:{parts[0].zfill(2)}:{parts[1].zfill(2)}.000" return time_str + ".000" else: return time_str + ".000" def parse_srt(content: str) -> List[Dict[str, str]]: """解析SRT内容为字典列表""" blocks = re.split(r'\n\s*\n', content.strip()) # 按空行分割块 entries = [] for block in blocks: lines = block.strip().splitlines() if len(lines) < 3: # 确保有编号、时间轴和内容 continue # 解析时间轴（格式：00:00:00,000 --> 00:00:00,000） time_match = re.match(r'(\d{2}:\d{2}:\d{2}[.,]\d{3}) --\> (\d{2}:\d{2}:\d{2}[.,]\d{3})', lines[1]) if not time_match: continue start_time = convert_time_format(time_match.group(1)) end_time = convert_time_format(time_match.group(2)) src_text = lines[2] trans_texts = lines[3:] entries.append({ "start": start_time, "end": end_time, "srcText": src_text, "transTexts": trans_texts }) return entries def parse_vtt(content: str) -> List[Dict[str, str]]: """解析VTT内容为字典列表""" # 移除WEBVTT头部和可能的样式信息 content = re.sub(r'^WEBVTT.*?\n\n', '', content, flags=re.DOTALL | re.IGNORECASE) # 按空行分割块 blocks = re.split(r'\n\s*\n', content.strip()) entries = [] for block in blocks: lines = block.strip().splitlines() if not lines: continue # 检查是否有时间轴行（格式：00:00:00.000 --> 00:00:00.000 或 00:00.000 --> 00:00.000） time_match = re.match(r'(\d{2}:\d{2}:\d{2}[.,]\d{3}|\d{1,2}:\d{2}[.,]\d{3}) --\> (\d{2}:\d{2}:\d{2}[.,]\d{3}|\d{1,2}:\d{2}[.,]\d{3})', lines[0]) if time_match: # 时间轴在第一行 start_time = convert_time_format(time_match.group(1)) end_time = convert_time_format(time_match.group(2)) text_lines = lines[1:] elif len(lines) > 1: # 尝试第二行是否为时间轴 time_match = re.match(r'(\d{2}:\d{2}:\d{2}[.,]\d{3}|\d{1,2}:\d{2}[.,]\d{3}) --\> (\d{2}:\d{2}:\d{2}[.,]\d{3}|\d{1,2}:\d{2}[.,]\d{3})', lines[1]) if time_match: start_time = convert_time_format(time_match.group(1)) end_time = convert_time_format(time_match.group(2)) text_lines = lines[2:] else: continue else: continue def remove_cue_settings(text): # 移除cue设置 text = re.sub(r'<[^>]+>', '', text) # 移除HTML标签 text = re.sub(r'^\s*[-–]?\s*', '', text) # 移除行首的破折号 text = re.sub(r'^\s*]+>\s*', '', text, flags=re.IGNORECASE) # 移除说话人标签 return text src_text = text_lines[0] trans_texts = text_lines[1:] src_text = remove_cue_settings(src_text) for i in range(len(trans_texts)): trans_texts[i] = remove_cue_settings(trans_texts[i]) entries.append({ "start": start_time, "end": end_time, "srcText": src_text, "transTexts": trans_texts }) return entries def align_entries(src_entries: List[Dict], dst_entries: List[Dict]) -> List[Tuple[Optional[Dict], Optional[Dict]]]: """对齐源语言和目标语言条目""" aligned = [] # 简单对齐：按顺序匹配 min_len = min(len(src_entries), len(dst_entries)) for i in range(min_len): aligned.append((src_entries[i], dst_entries[i])) # 处理剩余条目 if len(src_entries) > min_len: for i in range(min_len, len(src_entries)): aligned.append((src_entries[i], None)) if len(dst_entries) > min_len: for i in range(min_len, len(dst_entries)): aligned.append((None, dst_entries[i])) return aligned def detect_file_type(filename: str) -> str: """检测文件类型（SRT或VTT）""" ext = os.path.splitext(filename)[1].lower() if ext == '.srt': return 'srt' elif ext == '.vtt': return 'vtt' else: raise ValueError(f"不支持的文件类型: {filename}。只支持 .srt 和 .vtt 文件") def main(): parser = argparse.ArgumentParser(description='转换字幕文件到Speaker JSON格式') parser.add_argument('inputs', nargs='+', help='输入文件路径（1-2个文件）') parser.add_argument('output', help='输出JSON文件路径') parser.add_argument('--src_lang', default='zh', help='源语言代码 (默认: zh)') parser.add_argument('--dst_langs', default='en', help='逗号分隔的目标语言代码 (默认: en)') parser.add_argument('--alternate', action='store_true', help='在条目间交替说话人') parser.add_argument('--default_speaker', default='speaker_0', help='默认说话人ID (默认: speaker_0)') parser.add_argument('--speakers', default='male,female', help='逗号分隔的说话人性别 (默认: male,female)') parser.add_argument('--time_tolerance', type=float, default=0.5, help='匹配条目的时间差容差（秒）(默认: 0.5)') args = parser.parse_args() # 验证输入文件数量 if len(args.inputs) not in [1, 2]: parser.error("需要1或2个输入文件") # 检测文件类型 file_types = [detect_file_type(f) for f in args.inputs] # 如果是双文件模式，确保文件类型一致 if len(file_types) == 2 and file_types[0] != file_types[1]: parser.error("双文件模式下，输入文件必须是相同类型（都是SRT或都是VTT）") # 读取和解析文件 entries_list = [] for i, filename in enumerate(args.inputs): with open(filename, 'r', encoding='utf-8') as f: content = f.read() if file_types[i] == 'srt': entries = parse_srt(content) else: # vtt entries = parse_vtt(content) entries_list.append(entries) # 处理单文件或双文件模式 if len(entries_list) == 1: # 单文件模式 src_entries = entries_list[0] dst_entries = [] # 空列表，表示无翻译 else: # 双文件模式 src_entries, dst_entries = entries_list # 对齐条目（双文件模式） if dst_entries: aligned_entries = align_entries(src_entries, dst_entries) else: # 单文件模式，每个源条目对应None作为目标 aligned_entries = [(entry, None) for entry in src_entries] # 解析说话人配置 speaker_genders = args.speakers.split(',') speakers = [] for i, gender in enumerate(speaker_genders): speakers.append({"Id": f"speaker_{i}", "Gender": gender.strip()}) # 解析目标语言 dst_langs = args.dst_langs.split(',') # 构建目标结构 result = { "SrcLang": args.src_lang, "DstLangs": dst_langs, "Speakers": speakers, "Clips": [] } # 生成Clips for idx, (src_entry, dst_entry) in enumerate(aligned_entries): speaker_id = args.default_speaker if args.alternate: speaker_id = f"speaker_{idx % len(speakers)}" # 循环使用所有说话人 # 确保至少有一个条目存在 if src_entry is None and dst_entry is None: continue # 创建Clip对象 clip = { "SpeakerId": speaker_id, "DstTexts": {} } # 添加源语言信息 if src_entry: clip["TextStartTime"] = src_entry["start"] clip["TextEndTime"] = src_entry["end"] clip["SrcText"] = src_entry["srcText"] # 单文件模式下从源语言条目中获取目标语言文本 for i in range(len(src_entry["transTexts"])): if i < len(dst_langs): clip["DstTexts"][dst_langs[i]] = src_entry["transTexts"][i] else: # 如果源语言条目缺失，使用目标语言的时间 clip["TextStartTime"] = dst_entry["start"] clip["TextEndTime"] = dst_entry["end"] clip["SrcText"] = "" # 源文本留空 if dst_entry: # 双文件模式下从目标语言条目中获取目标语言文本 clip["DstTexts"][dst_langs[0]] = dst_entry["srcText"] result["Clips"].append(clip) # 写入输出文件 with open(args.output, 'w', encoding='utf-8') as f: json.dump(result, f, ensure_ascii=False, indent=2) print(f"转换完成！共处理 {len(result['Clips'])} 个条目") if __name__ == "__main__": main()