saber 酱的抱枕

我下载的日语学习资料里面有 4 个视频：

由于完全没有字幕，所以我产生了制作一个字幕的想法。但是我不会日语啊，这就得借助一些软件了。

提取音频

首先用 FFmpeg 提取出音频。安装 FFmpeg 并将其添加到 PATH（后续一些软件也需要 FFmpeg ）：

https://ffmpeg.org/download.html

然后执行命令如：

ffmpeg -i Scene0.mp4 -vn -c:a copy 1.aac

将 4 个视频提取出 4 个 acc 音频文件，拷贝原始编码。

---

提取人声（可选）

有个软件可以分离人声和伴奏（如果音频里本来就只有人声，可以跳过该步骤），它就是 UVR5 （Ultimate Vocal Remover）：

https://github.com/Anjok07/ultimatevocalremovergui

下载安装，打开后界面如下：

该软件最新版本里内置的模型较少，你可以点击它左下角的扳手按钮，在设置里自行下载更多模型。

你可以选择使用多个模型对音频进行处理，完成后会生成两个文件，一个是伴奏，一个是人声。

我的第四个音频文件开头的一部分有一些音效，导致人声未能被正确识别为日语，所以我尝试用这个软件分离人声，但是没啥效果，大概是因为那些音效也是人发出的声音，所以效果不佳。而且我对里面的模型也是两眼一抹黑，完全没搞懂。

---

音频转字幕文字

使用 WhisperDesktop 将每个 acc 文件转换成日语的字幕文件（srt）（使用显卡加速）。

Whisper 这个软件官方只有命令行的：

https://github.com/openai/whisper

虽说其安装和使用也不复杂，但是我比较菜，我选择 GUI 版本：

https://github.com/Const-me/Whisper

在其 Releases 页面下载 WhisperDesktop.zip，解压运行，首次运行会提示你选择模型文件：

这是因为 WhisperDesktop 没有自带模型文件，所以你需要点击标注 2 打开一个网页，自行下载模型文件，然后加载这个模型。

通常下载上图里的 medium.bin 这个模型就可以，这是个中等模型。越大的模型效果越好，但是体积会更大，占用的显存也会更多。不同模型的一些数据可以在 whisper 的 Readme 里查看：

https://github.com/openai/whisper?tab=readme-ov-file#available-models-and-languages

加载完模型之后，就可以选择音频文件，输出字幕了。

首先选择语言，我的视频是日语所以选择 Japanese。其后的 Translate 如果勾选的话，会将提取后的文字翻译为英语，生成英语字幕。注意，Translate 只会生成英语字幕，不能翻译到其他语言。所以我不勾选。

然后选择输入的文件和输出到的文件名。
有个小问题，它选择文件的对话框里不会显示 acc 文件，我们可以输入文件名来选择对应的文件，或者将文件的全路径直接粘贴到文件名输入框里。

它一次只能处理一个音频，操作 4 次，生成全部的 srt 字幕文件。执行的挺快的，在我的电脑上，25 分钟的音频只要 1 分钟半就可以处理完毕。

打开一个字幕文件看看，还挺像那么回事：

1
00:00:02,000 --> 00:00:04,000
(お姉ちゃんが起きた)

2
00:00:04,000 --> 00:00:04,500
ん?

3
00:00:04,500 --> 00:00:07,000
んー…

4
00:00:07,000 --> 00:00:17,000
お兄ちゃん、やっと起きたー

5
00:00:17,000 --> 00:00:19,000
まゆ?

---

翻译字幕

有了字幕文件，接下来只需要翻译成中文就大功告成啦。但是事情没有这么简单，如果用谷歌翻译、有道翻译之类的工具直接翻译，效果惨不忍睹。

例如对于如下文本：

それじゃあ、まゆのお部屋行こう
お化粧もヘアメイクも、ぜーんぶまゆがやってあげる
お兄ちゃんのかわいいお姿も、表情も、まゆにいっぱい見せてねー
今からそのエッチな想像を、このおちんぽで叶えてあげるからねー。
じゃあまずは、まゆのちんぽにメスとしてのご恩師、してみよっか。

谷歌翻译：

那么，我们就去Mayu的房间吧。
Zenbu Mayu 会照顾您的化妆、头发和化妆。
请多多向麻友展示你可爱的外表和表情。
从现在开始，我就用这家伙让你的顽皮幻想成真。
嗯，首先，你为什么不给Mayu的鸡巴找个女老师呢？

怎么还夹杂英文呢？

有道翻译：

那就去茧的房间吧
化妆和发型师都由zenbumau来做
哥哥可爱的样子，表情，眉毛都展现出来了。
从现在开始，我要用这个小鸡鸡来实现那个色情的想象。
那么，首先，让我来做你的恩师吧。

“茧”是女主名字？太怪了。

看来不得不求助于 AI 了。使用 ChatGPT 翻译，效果非常棒，如下：

那么，去真由的房间吧
化妆和发型，全部由真由来做
真由想看到可爱的哥哥，还有他的表情哦
从现在开始，用这根鸡巴来实现那个淫荡的想像吧。
那么，首先，让我做妹妹的恩师吧。

人名翻译成了“真由”，而不是 Mayu 或者茧。句子逻辑很通顺，除了最后一句让我迷惑外，其他的都很完美。

然而我很快遇到了预料之外的问题，那就是很多在线使用的 ChatGPT 是有内容审查的，前两个字幕的文本量很少，顺利翻译了，但第三个和第四个的文本量多，而且性描写更多，导致我试了几个 ChatGPT 工具都是拒绝翻译。

这个问题我没办法，最后我在论坛求助，有大佬用不受限的 ChatGPT 翻译了后两个字幕，这才算翻译完了。

---

不完美的地方

第四个音频的前面两分钟半里，因为有音效干扰，大部分地方的日语都未被识别出来。比如开头整整一分钟的部分全都是同样的一句话：

1
00:00:00,000 --> 00:00:02,000
(お腹がすいてる)

2
00:00:02,000 --> 00:00:04,000
(お腹がすいてる)

3
00:00:04,000 --> 00:00:06,000
(お腹がすいてる)

4
00:00:06,000 --> 00:00:08,000
(お腹がすいてる)

5
00:00:08,000 --> 00:00:10,000
(お腹がすいてる)

6
00:00:10,000 --> 00:00:12,000
(お腹がすいてる)

后面有个地方，这句话又重复出现了半分钟。

这句话的意思是肚子饿了，而视频里有口交时吮吸的声音，大概被 whisper 当做是肚子饿了的咕噜声了？

不过之后我用 whisper 把视频字幕翻译为英语输出（就是勾选了 Translate 选项，识别为日语后翻译为英语），结果这些地方却可以输出英语，看来 whisper 对英语的识别是最好的。但既然这里它能得到英语，为什么不能输出日语呢？

而且它生成的一些英文很难翻译到中文，比如在口交的时候有一句话：

I'm so happy to be sucked out of the baby's belly.

这句话不管用谷歌翻译还是 ChatGPT，都是字面意思：

我很高兴从宝宝的肚子里出来了

我觉得很不对劲，这种情况有好几个地方，但是因为我听不懂日语原文，所以我只能猜测大致意思，却不能具体的修正它。

使用 WhisperDesktop 给日语视频制作中文字幕