OpenLRC5分钟音频转同步字幕【免费下载链接】openlrcTranscribe and translate voice into LRC file using Whisper and LLMs (GPT, Claude, et,al). 使用whisper和LLM(GPTClaude等)来转录、翻译你的音频为字幕文件。项目地址: https://gitcode.com/gh_mirrors/op/openlrc手里一堆播客或采访录音想变成手机上能滚动的歌词字幕可手动对时间轴、逐句翻翻译几小时还没干完就劝退。OpenLRC 专门干这件事Whisper 负责听LLM 负责译最后自动吐出一份带时间戳的 LRC 字幕文件——整条音频转字幕链路它都接走了。从一段录音到一份字幕流程是一条清晰的输入→处理→输出链路。输入端是一个音频或视频文件mp3、wav、mp4 都行视频会自动抽音轨。处理分两段先用 faster-whisper 做语音识别得到带时间戳的文字再按段交给 LLM 翻译同时保留上下文让译文更连贯。输出端就是标准 .lrc 或 .srt 字幕文件。模块分工很直接语音识别模块 负责听字幕生成模块 负责对齐时间轴翻译模块 负责多语言互译。OpenLRC 音频转字幕五步跑通第 1 步装环境。先备好 Python 3.10 和 ffmpeg再装包。pip install openlrc这步把识别和翻译的依赖一次拉齐。第 2 步配 API Key。把翻译要用的 LLM 密钥写进环境变量比如OPENAI_API_KEY或OPENROUTER_API_KEY。识别在本地跑翻译走云端所以只缺一个翻译的 Key。第 3 步跑第一条字幕。用 Python 接口最省事from openlrc import LRCer lrcer LRCer() lrcer.run(./your_audio.mp3, target_langzh-cn)三行代码输出的 .lrc 文件就落在音频旁边。第 4 步核对时间轴。打开 .lrc抽一两句对着音频听一下是否卡点。第 5 步换格式。想直接喂剪辑软件输入换成视频文件即可它会给出 .srt。换个姿势用翻译串味、术语总翻错 → 挂一份 glossary。准备个 JSON 术语表如 aoe4→帝国时代4传给TranslationConfig(glossary...)专有名词从此固定不再瞎猜。录音底噪大、识别乱跳 → 开降噪。装pip install openlrc[full]后在 run 里加noise_suppressTrue多花点时间准确率明显更稳。一次处理一堆音频 → 传列表。lrcer.run([a.mp3,b.mp3], target_langzh-cn)识别串行、翻译并发比一个个手点快得多。不想写代码 → 开 Web 界面。openlrc gui拖文件、选模型、点 GO界面上还留着费用上限和线程数可调。谁在用它做播客的靠它给每期节目挂字幕省掉手动对时间轴那步还能顺手多喂一份文字稿给搜索引擎收录。教外语的把外语音频转成带翻译的字幕学生边听边看比纯音频吸收得快。剪视频的直接把视频扔进去出 .srt拖进剪辑软件就能用后期少一个活。学音乐的给自己喜欢的歌生成滚动歌词手机上一字一字跟着唱。踩坑与澄清Q没显卡、机器跑不动识别靠 faster-whisper有 CUDA 最快没卡走 CPUfloat32只是慢些。内存 8GB 起能跑 small 模型要质量再上 16GB。Q支持哪些格式音频支持 mp3、wav、flac、m4a 等常见格式视频文件会自动抽音轨处理。Q和 Whisper 本身有啥区别Whisper 只给你文字。OpenLRC 在识别之上加了 LLM 翻译、上下文保持和时间轴对齐直接产出能用的字幕文件省掉自己再拼的活。Q翻译要花多少钱走 LLM token 计费按模型定价算。README 里有 1 小时音频各模型的估算表挑个便宜的小模型成本很低。把整条链路跑起来回到开头那个卡点手动对时间轴和翻译是整件事里最磨人的部分。OpenLRC 把这两步都接走了你只管丢文件、收字幕。pip install openlrc【免费下载链接】openlrcTranscribe and translate voice into LRC file using Whisper and LLMs (GPT, Claude, et,al). 使用whisper和LLM(GPTClaude等)来转录、翻译你的音频为字幕文件。项目地址: https://gitcode.com/gh_mirrors/op/openlrc创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考