WorkBuddy
df56c2c137
内容分四块： 1、产品规划产出 —— MCN 短视频整合营销工作台的①段五份（1a 需求／1b 竞品／1c 画像／1d 策略／1e 场景）、②段两份（2a 功能／2b 布局）、③段界面（DESIGN.md 契约与令牌表 ＋ mcn-workbench.html 原型 ＋ 实测/会诊/审查三份 ＋ 23 张闸门截图）。 2、开源竞品调研 —— 5 个内容工作台项目的取证原始件与 1b 系列分析文档。 3、参考资料 —— 竞品视频抽帧 1145 张 ＋ 2 个源视频 ＋ 功能点截图。 4、机制侧 —— 协作脚本与状态台账、工作区记忆日志、抽帧/OCR 脚本。 .gitignore 只排运行时日志、脚本备份副本与一次性探针输出，其余按原样入库。
115 lines
4.2 KiB
Python
115 lines
4.2 KiB
Python
# -*- coding: utf-8 -*-
|
|
"""对关键帧字幕区逐帧 OCR，输出规范要求的时间线表字幕稿。
|
|
|
|
与 v1 的差异：
|
|
- 不再做聚类取代表帧，而是对每一帧都 OCR，避免代表帧模糊/漏句导致整句丢失。
|
|
- 字幕区 OCR 用底部 18%，防止双行字幕被截断（检测仍用 15%）。
|
|
- 按时间滚动去重（相似度≥0.80 视为同一句，保留最长版本）。
|
|
- 输出格式严格为：字幕稿_日期.md，正文用时间线表（时间 | 台词 | 帧文件）。
|
|
|
|
用法：
|
|
python subtitle_ocr_v2.py --frames <帧目录> --video <源视频说明> --out <字幕稿.md>
|
|
"""
|
|
import argparse, difflib, glob, os, re, sys
|
|
import numpy as np
|
|
from PIL import Image
|
|
|
|
|
|
def fmt_ts(t):
|
|
m = int(t // 60)
|
|
s = t - m * 60
|
|
return "%02d:%06.3f" % (m, s)
|
|
|
|
|
|
def ts_from_name(name):
|
|
m = re.search(r"_(\d+\.\d+)s\.jpg", name)
|
|
return float(m.group(1)) if m else 0.0
|
|
|
|
|
|
def crop_subtitle(img, crop_ratio):
|
|
"""从底部裁剪指定比例的区域用于 OCR。"""
|
|
w, h = img.size
|
|
sh = max(1, int(round(h * crop_ratio)))
|
|
sy = h - sh
|
|
return img.crop((0, sy, w, h))
|
|
|
|
|
|
def has_meaningful_cjk(text):
|
|
cjk = len(re.findall(r"[一-鿿]", text))
|
|
# 也允许纯英文/数字的短片段，但要求至少有一些可见字符
|
|
return cjk >= 2 or len(text.strip()) >= 8
|
|
|
|
|
|
def sim(a, b):
|
|
return difflib.SequenceMatcher(None, a, b).ratio()
|
|
|
|
|
|
def main():
|
|
ap = argparse.ArgumentParser()
|
|
ap.add_argument("--frames", required=True, help="关键帧目录")
|
|
ap.add_argument("--video", required=True, help="源视频说明")
|
|
ap.add_argument("--out", required=True, help="输出字幕稿路径")
|
|
ap.add_argument("--crop", type=float, default=0.18, help="OCR 字幕区裁剪比例")
|
|
ap.add_argument("--dup", type=float, default=0.80, help="滚动去重相似度阈值")
|
|
args = ap.parse_args()
|
|
|
|
from rapidocr_onnxruntime import RapidOCR
|
|
engine = RapidOCR()
|
|
|
|
files = sorted(glob.glob(os.path.join(args.frames, "*.jpg")))
|
|
print("总帧数：%d" % len(files))
|
|
|
|
raw = []
|
|
for f in files:
|
|
sub = crop_subtitle(Image.open(f), args.crop)
|
|
# 2x 放大提升 OCR 识别率
|
|
sub = sub.resize((sub.width * 2, sub.height * 2), Image.LANCZOS)
|
|
res = engine(np.array(sub))
|
|
if not res or not res[0]:
|
|
continue
|
|
txt = " ".join([line[1] for line in res[0] if line[1].strip()]).strip()
|
|
txt = re.sub(r"\s+", " ", txt)
|
|
if not txt or not has_meaningful_cjk(txt):
|
|
continue
|
|
ts = ts_from_name(os.path.basename(f))
|
|
raw.append((ts, txt, os.path.basename(f)))
|
|
|
|
print("OCR 有效行：%d" % len(raw))
|
|
|
|
# 按时间滚动去重：同一句保留最长、最完整的版本，时间取最早
|
|
merged = []
|
|
for ts, txt, fname in raw:
|
|
if not merged:
|
|
merged.append([ts, txt, fname])
|
|
continue
|
|
last_ts, last_txt, last_fname = merged[-1]
|
|
if sim(txt, last_txt) >= args.dup:
|
|
# 视为同一句，保留内容更长的版本（如果当前更长则替换文本，但保留最早时间）
|
|
if len(txt) > len(last_txt):
|
|
merged[-1][1] = txt
|
|
merged[-1][2] = fname
|
|
# 时间保持 earliest
|
|
else:
|
|
merged.append([ts, txt, fname])
|
|
|
|
print("去重后：%d" % len(merged))
|
|
|
|
# 写规范时间线表
|
|
date_stamp = os.path.basename(args.out).replace("字幕稿_", "").replace(".md", "")
|
|
with open(args.out, "w", encoding="utf-8", newline="\n") as fo:
|
|
fo.write("# 字幕稿_%s\n\n" % date_stamp)
|
|
fo.write("源视频：%s\n\n" % args.video)
|
|
fo.write("> 说明：视频无独立字幕轨，本字幕由关键帧画面字幕区逐帧 OCR 提取并按时间排序；"
|
|
"相似度≥%.0f%% 的连续重复句已合并，保留最完整的一句。\n\n" % (args.dup * 100))
|
|
fo.write("| 时间 | 台词 | 帧文件 |\n")
|
|
fo.write("|------|------|--------|\n")
|
|
for ts, txt, fname in merged:
|
|
fo.write("| %s | %s | %s |\n" % (fmt_ts(ts), txt, fname))
|
|
fo.write("\n共 %d 条字幕。\n" % len(merged))
|
|
|
|
print("已写出 → %s" % args.out)
|
|
|
|
|
|
if __name__ == "__main__":
|
|
main()
|