之前尝试过 免费使用 Gemini 2.0 将语音转换为多发言人字幕 ，效果可圈可点。借着 Gimine 2.5 pro 再次尝试一下。
首先找到一份较为标准的SRT字幕样本作为参考基准（提前做好语音转文本，采用市面主流模型）：
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
让我们先试试 免费使用 Gemini 2.0 将语音转换为多发言人字幕 该文章提供的提示词，多发言人的提示词用到单人应该也可以。
输出字幕：
[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]
该提示词更适合对话采访场景，总是保留说话人完整长句。断句略差。下面我们设计一个更加适合生成标准SRT字幕的提示词，并且要求根据语气准确断词、断句。
新的提示词
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。
输出字幕：
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。
关于可以处理视频、音频时长
15分钟左右时长的音频、视频较为稳定。理论上，1~2小时长的音视频压缩一下是符合输入、输出长度的，但实际结果略差（没有深入测试）。还有一个重要问题，Gimine 2.5 Pro 并不适合用于语音转文本，因为越长的音频，“思考”时间越长且越不稳定。
简体中文 
English 
日本語 
Deutsch 
Português do Brasil