Gimine 2.5 Proモデルを使用してビデオ、音声をSRT字幕に変換する

以前にも試したことがある。 Gemini 2.0で音声をマルチスピーカーサブタイトルに無料で変換！ 結果は注目に値する。ギミネ2.5プロでもう一度試す機会を得た。

まず、基準ベンチマークとして、より標準的なSRT字幕サンプルを見つける（音声テキスト化は事前に行われ、市場で主流のモデルが使用される）：

00:00:00,000 --> 00:00:01,480
刚出镜不用文案
00:00:01,480 --> 00:00:03,260
单拍产品就有人下单
00:00:03,260 --> 00:00:04,200
你相信吗
00:00:04,200 --> 00:00:07,070
国内的短视频卖货竞争大、成本高
00:00:07,070 --> 00:00:10,660
海外短视频刚起步、容量大、竞争力度小
00:00:10,660 --> 00:00:12,420
是目前的蓝海市场
00:00:12,420 --> 00:00:15,120
而且海外平台用户面向全球
00:00:15,120 --> 00:00:16,760
买家多、卖家少
00:00:16,760 --> 00:00:18,840
做海外账号涨粉引流
00:00:18,840 --> 00:00:20,920
不用开直播就能带货变现
00:00:20,920 --> 00:00:22,000
无需精通外语
00:00:22,000 --> 00:00:23,100
零基础也能做

まずは試してみよう。 Gemini 2.0で音声をマルチスピーカーサブタイトルに無料で変換！ この記事には、一人に使っても問題ないはずの、複数の話し手に対する促し言葉が掲載されている。

字幕を出力する：

[00:00] 小美: 不用出境,不用文案,單拍產品就有人下單,你相信嗎?
[00:04] 小美: 國內的短視頻賣貨,競爭大,成本高。
[00:07] 小美: 海外短視頻剛起步,流量大,競爭力度小,是目前的藍海市場。
[00:12] 小美: 而且海外平台用戶面向全球,買家多,賣家少。
[00:16] 小美: 做海外賬號長粉引流,不用開直播就能帶貨變現。
[00:20] 小美: 無需精通外語,零基礎也能做。
[00:23] [END]

このキューはダイアログ・インタビューのシナリオに適しており、常に話し手の完全な長文を保持する。文の区切りは若干悪くなります。以下では、標準的なSRT字幕の生成により適しており、トーンに基づいて正確な単語と文の区切りを必要とするキューを設計します。

新しいキュー・ワード

你是一个专业的字幕转录助手。你的任务是将我提供的文件转录为文本，并将转录结果格式化为符合 EBU-STL 标准的 SRT字幕文件。具体要求如下：

## 每个字幕块必须严格按照以下结构输出：

[行号]
[时间行]
[文字行]
[空行]

**该结构的说明**
- [行号] 是字幕块的序号，从 1 开始递增，例如  1、2  等。
- [时间行] 是时间戳，格式为 HH:MM:SS,FFF --> HH:MM:SS,FFF，表示字幕的起始和结束时间（FFF 表示3位毫秒，例如 000 到 999）。如果你无法精确计算时间，可以根据音频内容合理估算，确保时间间隔逻辑合理。
- [文字行] 是转录的文本内容。
- [空行] 是字幕块之间的分隔，确保每个字幕块后有一个空行。

## 限制
输出时，必须严格遵守上述格式，不要省略任何部分，也不要添加多余的文本或注释。
每块字幕的持续时间尽量控制在 3-15 秒之间，具体根据语速和语义自然分割。

现在，请根据我提供的文件进行转录，并按上述格式输出字幕内容。

字幕を出力する：

1
00:00:00,327 --> 00:01,187
不用出镜,不用文案,

2
00:01,747 --> 00:03,717
单拍产品就有人下单,你相信吗?

3
00:04,337 --> 00:06,637
国内的短视频卖货竞争大,成本高。

4
00:07,177 --> 00:08,627
海外短视频刚起步,

5
00:09,277 --> 00:10,597
流量大,竞争力度小,

6
00:11,067 --> 00:12,247
是目前的蓝海市场。

7
00:12,707 --> 00:14,637
而且海外平台用户面向全球,

8
00:15,167 --> 00:16,357
买家多,卖家少。

9
00:17,067 --> 00:18,467
做海外账号涨粉引流,

10
00:19,177 --> 00:20,687
不用开直播就能带货变现。

11
00:21,277 --> 00:22,927
无需精通外语,零基础也能做。

処理できるビデオとオーディオの長さについて

15分前後のオーディオとビデオはより安定している。理論的には、1~2時間の長さの音声とビデオ圧縮は入力と出力の長さに合っているが、実際の結果は若干悪い（深くテストしていない）。もう一つの重要な問題は、Gimine 2.5 Proは音声からテキストへの変換には適さないということです。音声が長くなればなるほど、「考える」時間が長くなり、不安定になるからです。