SubFlow 字幕生成工作流 —— 一键为你的番剧/歌词生成字幕

这是一个专为二次元内容设计的自动化字幕生成工具。它利用 OpenAI Whisper 进行高精度语音转写，并结合 LLM (GPT-4o) 进行符合语境的动漫风格翻译。

✨ 最新更新：新增 歌曲逐字歌词/卡拉OK模式，支持生成 Word-level Lyrics

✨ 主要功能 (Features)

🌸 1. 动漫/剧集模式 (Anime Mode)

• 高精度转写：使用 Whisper 模型生成带有时间戳的日语字幕。
• 智能切分：基于语义和标点自动合并过碎的片段，优化阅读体验。
• AI 翻译：使用 LLM (GPT-4o-mini 等) 进行日中翻译，支持上下文记忆，确保人称和术语连贯。
• 多格式导出：
  • .srt (标准外挂字幕)
  • .ass (带样式的双语字幕，默认仿宋体/黑体)

🎵 2. 歌曲逐字歌词模式 (Song Mode)

• 逐字时间戳：精确到词/字级别的对齐，适合制作 MV 或卡拉OK。
• 格式转换：自动将输入音频转换为 .m4a 格式。
• 特效导出：
• Enhanced LRC (.lrc): 包含 <mm:ss.xx> 逐字时间标签，兼容现代播放器。
• Karaoke ASS (.ass): 包含 {\k} 特效标签，播放时带有卡拉OK变色效果。

---

🛠️ 安装指南 (Installation)

1. 前置依赖

确保你的电脑上安装了 FFmpeg（音频转换和处理必须）。

• Windows: 下载编译好的 exe 并配置环境变量。
• Mac: brew install ffmpeg
• Linux: sudo apt install ffmpeg

2. 安装 Python 库

建议使用 Conda 或 venv 创建虚拟环境，然后安装依赖：

# 基础依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118  # 如果有N卡，建议安装CUDA版
pip install openai-whisper
pip install openai

(注意：如果需要在 GPU 上运行 Whisper，请确保安装了对应 CUDA 版本的 PyTorch)

3. 项目结构

请确保文件目录结构如下：

Project/
├── anime_sub_gen.py       # 主程序入口
└── subtitle/              # 核心模块包
    ├── __init__.py        # 空文件即可
    ├── subtitle_core.py   # 对话字幕处理逻辑
    ├── music_core.py      # 歌曲字幕处理逻辑
    └── translator.py      # LLM 翻译模块

---

🚀 快速开始 (Usage)

🌸 场景 A：生成动漫字幕 (带翻译)

适用于番剧、广播剧、生肉视频。

# 基本用法：转写 + 翻译 + 双语字幕
python anime_sub_gen.py "D:/Video/anime_ep01.mp4" --translate --api_key "sk-xxxx"

# 指定模型和风格
python anime_sub_gen.py "input.mp4" \
    --model medium \
    --translate \
    --gpt_model gpt-4o-mini \
    --sub_style bilingual

常用参数：

• --translate: 开启翻译功能（需要 API Key）。
• --sub_style: 字幕样式。bilingual (双语), zh (仅中文), jp (仅日文)。
• --max_gap: 如果两句话间隔小于此秒数（默认 0.25），则合并为一句。

---

🎵 场景 B：生成歌曲字幕 (逐字歌词)

适用于提取歌曲歌词、制作 AMV 字幕。

# 开启歌曲模式
python anime_sub_gen.py "D:/Music/opening_theme.mp3" --mode song --model large-v2

输出文件：

1. opening_theme.lrc (逐字 LRC):

[00:14.53]最[00:15.35]高[00:15.93]の[00:18.48]思[00:18.94]い[00:19.28]出[00:19.67]を[00:22.42]

2. opening_theme.lrc (增强型 LRC):

[00:14.53]<00:14.53>最<00:15.35>高<00:15.93>の<00:18.48>思<00:18.94>い<00:19.28>出<00:19.67>を

3. opening_theme_k.ass (ASS):

Dialogue: 0,0:00:14.54,0:00:22.42,Karaoke,,0,0,0,,{\k82}最{\k58}高{\k254}の{\k46}思{\k33}い{\k39}出{\k274}を

---

⚙️ 参数详解 (Parameters)

参数	默认值	说明
input	(必填)	输入视频或音频文件路径
--mode	anime	anime: 对话模式 (合并短句，支持翻译) song: 歌曲模式 (逐字时间戳，LRC/Karaoke)
-m, --model	medium	Whisper 模型大小 (tiny/base/small/medium/large/turbo)
--translate	False	是否启用 LLM 翻译 (仅 Anime 模式有效)
--api_key	None	OpenAI API Key (也可通过环境变量 OPENAI_API_KEY 设置)
--base_url	None	自定义 API Base URL (用于第三方中转)
--gpt_model	gpt-4o-mini	翻译使用的模型名称
--sub_style	bilingual	字幕显示风格: bilingual, zh, jp
--out_dir	源文件目录	输出文件的保存位置

---

📝 常见问题 (FAQ)

Q: 第一次运行非常慢？ A: 第一次运行时 Whisper 需要下载模型权重（medium 模型约 1.5GB，large 约 3GB）。

Q: 歌曲模式支持翻译吗？ A: 目前歌曲模式仅支持提取日文逐字歌词。由于歌词翻译需要严格的音节对齐和意境处理，自动翻译功能正在开发中 (Coming Soon)。

Q: 如何获得更好的卡拉OK效果？ A: 建议在歌曲模式下使用 --model large-v2 或 large-v3，大模型对歌词的逐字对齐（Word timestamp）更加精准。