Conversão de vídeo e fala em legendas SRT usando o modelo Gimine 2.5 Pro

Já tentei isso antes. Converta fala em legendas para vários alto-falantes com o Gemini 2.0 gratuitamente! Os resultados são dignos de nota. Aproveitei a oportunidade para tentar novamente com o Gimine 2.5 pro.

Em primeiro lugar, encontramos uma amostra de uma legenda SRT mais padrão como referência (a conversão de fala em texto é feita com bastante antecedência e é usado o modelo mais comum do mercado):

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

Vamos tentar primeiro. Converta fala em legendas para vários alto-falantes com o Gemini 2.0 gratuitamente! O artigo fornece palavras de alerta para vários falantes que devem funcionar bem quando usadas para uma única pessoa.

Legendas de saída:

[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]

A dica é mais adequada para cenários de entrevistas de diálogo, sempre mantendo as frases longas completas do locutor. A quebra de frases é um pouco pior. A seguir, projetamos uma dica que é mais adequada para gerar legendas SRT padrão e requer quebras precisas de palavras e frases com base no tom.

Novas palavras-chave

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。

Legendas de saída:

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。

Sobre a duração do vídeo e do áudio que podem ser processados

Áudio e vídeo com cerca de 15 minutos de duração são mais estáveis. Teoricamente, a compressão de áudio e vídeo com duração de 1 a 2 horas está de acordo com a duração de entrada e saída, mas os resultados reais são um pouco piores (não testados em profundidade). Outra questão importante é que o Gimine 2.5 Pro não é adequado para a conversão de fala para texto, pois quanto mais longo for o áudio, maior será o tempo de "reflexão" e mais instável será o resultado.