一、SRT字幕文件解析基础

SRT（SubRip Text）是视频字幕最常用的格式之一，其标准结构包含三个核心要素：序号、时间轴和字幕文本。每个字幕块以序号开头，紧接着是时间轴（格式为”开始时间 —> 结束时间”），最后是单行或多行的字幕文本。

在实际应用中，SRT文件可能存在时间轴格式不规范、包含BOM头、特殊字符编码等问题。建议使用chardet库检测文件编码，并通过正则表达式r'\d+\n\d{2}:\d{2}:\d{2},\d{3} --> \d{2}:\d{2}:\d{2},\d{3}\n'验证时间轴格式。对于多行字幕，需要将其合并为单个字符串，同时保留换行符\n以确保语音停顿自然。

二、Python文字转语音模块选型

当前Python生态中主流的文字转语音（TTS）方案可分为三类：

1. 本地化方案：

   • pyttsx3：跨平台离线引擎，支持Windows（SAPI5）、macOS（NSSpeechSynthesizer）和Linux（espeak）。其API设计简洁，通过init()初始化引擎后，可直接调用say()和runAndWait()。但语音库有限，中文支持需额外配置。
   • edge-tts：基于微软Edge浏览器的语音合成服务，通过调用本地WebSpeech API实现。支持SSML标记语言，可精细控制语速、音调和停顿。

2. 云服务API：

   • 阿里云、腾讯云等提供的TTS服务，具有高质量的语音库和丰富的参数配置。但需要处理API密钥管理、网络请求超时等复杂问题。

3. 深度学习模型：

   • Mozilla TTS：基于PyTorch的开源框架，支持VITS、FastSpeech2等先进模型。可本地部署，生成效果接近真人，但对硬件要求较高（建议GPU加速）。

对于SRT转语音场景，推荐pyttsx3（简单项目）或edge-tts（高质量需求）。若追求极致效果且具备计算资源，可尝试Mozilla TTS。

三、SRT转语音实现流程

1. SRT文件解析

import re
def parse_srt(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    # 分割字幕块（正则表达式匹配序号到下一个序号之间的内容）
    blocks = re.split(r'(\n\d+\n)', content)[1:]  # 跳过开头的空匹配
    subtitles = []
    for i in range(0, len(blocks), 2):
        if i+1 >= len(blocks):
            break
        index_line = blocks[i].strip()
        block_content = blocks[i+1]
        # 提取时间轴和文本
        parts = re.split(r'\n\d{2}:\d{2}:\d{2},\d{3} --> \d{2}:\d{2}:\d{2},\d{3}\n', block_content, 1)
        if len(parts) != 2:
            continue
        time_line = parts[0].strip()
        text_lines = parts[1].split('\n')
        text = ' '.join([line.strip() for line in text_lines if line.strip()])
        # 提取时间（简化版，实际需处理毫秒和格式验证）
        time_match = re.search(r'(\d{2}:\d{2}:\d{2},\d{3}) --> (\d{2}:\d{2}:\d{2},\d{3})', time_line)
        if time_match:
            start_time = time_match.group(1)
            end_time = time_match.group(2)
            subtitles.append({
                'start': start_time,
                'end': end_time,
                'text': text
            })
    return subtitles

2. 文字转语音生成

以pyttsx3为例：

import pyttsx3
def text_to_speech(text, output_file):
    engine = pyttsx3.init()
    # 设置语音属性（中文需确保系统有中文语音包）
    voices = engine.getProperty('voices')
    for voice in voices:
        if 'zh' in voice.id or 'Chinese' in voice.name:
            engine.setProperty('voice', voice.id)
            break
    engine.setProperty('rate', 150)  # 语速
    engine.setProperty('volume', 0.9)  # 音量
    engine.save_to_file(text, output_file)
    engine.runAndWait()

3. 音频分段与合并

使用pydub处理音频：

from pydub import AudioSegment
import os
def merge_audio_files(audio_files, output_path):
    combined = AudioSegment.silent(duration=0)
    for file in audio_files:
        audio = AudioSegment.from_file(file)
        combined += audio
    combined.export(output_path, format='mp3')
# 生成分段音频并合并
subtitles = parse_srt('input.srt')
audio_files = []
for i, sub in enumerate(subtitles):
    temp_file = f'temp_{i}.mp3'
    text_to_speech(sub['text'], temp_file)
    audio_files.append(temp_file)
merge_audio_files(audio_files, 'output.mp3')
# 清理临时文件
for file in audio_files:
    os.remove(file)

四、优化与扩展

1. 时间轴对齐优化：

   • 通过pydub的overlay()功能，将语音片段精确插入到背景音频的指定时间点。
   • 计算每个字幕块的持续时间（end_time - start_time），动态调整语速或插入静音。

2. 多语言支持：

   • 在pyttsx3中切换语音包，或使用云服务的多语言API。
   • 处理SRT文件中的语言标记（如<language>zh-CN</language>）。

3. 批量处理与自动化：

   • 遍历文件夹中的所有SRT文件，批量生成对应音频。
   • 结合FFmpeg自动生成带字幕的视频（ffmpeg -i video.mp4 -i audio.mp3 -map 0:v -map 1:a -c:v copy output.mp4）。

五、常见问题解决方案

1. 中文乱码：

   • 确保文件以UTF-8编码保存，或在解析时指定编码（如encoding='gbk'处理某些旧文件）。

2. 语音停顿不自然：

   • 在句子间插入，或。，TTS引擎通常会自动处理标点停顿。
   • 手动添加静音：AudioSegment.silent(duration=500)（500ms静音）。

3. 性能优化：

   • 多线程处理多个字幕块（使用concurrent.futures）。
   • 对长音频采用流式处理，避免内存溢出。

通过上述方法，开发者可以构建一个高效、灵活的SRT转语音系统，适用于视频本地化、辅助阅读、语音内容生成等场景。实际开发中需根据项目需求平衡音质、速度和资源消耗。