audio-summarizer 1.1

一个用于总结音频文件和视频音轨的内容的工具。

Audio Summarizer

一个用于自动处理音视频文件并生成文字总结的Python工具。

版本：1.1

🚀 功能特点

• 🔍 自动查找音视频文件：递归扫描目录，支持多种音视频格式
• 🎵 音频提取：从视频文件中提取音频（多进程并行）
• ☁️ OSS上传：将音频文件上传到阿里云OSS（多进程并行）
• 📝 语音转文字：使用阿里云Fun-ASR API将音频转换为文字（多进程并行）
• 📊 文字总结：使用DeepSeek API生成文字总结（多进程并行）
• ⚡ 高性能：支持多进程并行处理，提高处理速度
• 📋 完整日志：详细的处理日志和进度显示

✨ 1.1版本新特性

• 在github release上可以看到更详细的更新日志，这里只列出主要功能点：

🔄 Checkpoint断点续传

• 支持从上次中断处继续处理，避免重复工作
• 自动保存处理进度到checkpoint.txt
• 支持手动调整checkpoint值控制执行流程

🌐 跨平台支持

• 支持Windows、macOS和Linux系统
• 统一的路径处理接口，兼容不同操作系统

🔧 接口标准化

• 所有路径参数统一接受Union[str, pathlib.Path]类型
• 内部统一使用pathlib.Path对象，提高代码可维护性
• 简化主函数参数，提升代码可读性

📝 增强日志系统

• 每个类都有独立的日志标签（如[AVFinder]、[AudioExtractor]）
• 支持自定义日志文件路径
• 日志来源明确，便于调试和监控

🐛 Bug修复

• 修复音频转文字步骤中的编号错乱问题
• 修复音频提取步骤中的警告误报问题

📦 安装

1. 克隆项目

git clone https://github.com/UniBinary/audio_summarizer.git
cd audio_summarizer

2. 安装依赖

pip install -e .

或者手动安装依赖：

pip install oss2>=2.19.1 dashscope>=1.25.12 openai

3. 准备资源文件

将 ffmpeg.exe 和 ffprobe.exe 放在 audiosummarizer/assets/ 目录下。

⚙️ 配置

1. 获取API密钥和OSS配置

使用本项目需要：

1. 阿里云OSS：

   • AccessKey ID 和 AccessKey Secret
   • OSS存储桶名称和Endpoint

2. 阿里云百炼（Fun-ASR）：

   • API Key

3. DeepSeek：

   • API Key

2. 创建配置文件

创建 config.json 文件：

{
  "bucket-name": "your-bucket-name",
  "bucket-endpoint": "https://oss-cn-beijing.aliyuncs.com",
  "bucket-access-key-id": "your-access-key-id",
  "bucket-access-key-secret": "your-access-key-secret",
  "model-api-key": "your-funasr-api-key",
  "deepseek-api-key": "your-deepseek-api-key"
}

🚀 使用方法

命令行方式

# 基本用法（使用配置文件）
audiosummarizer --input-dir /path/to/videos --output-dir /path/to/output --config-file config.json

# 指定进程数
audiosummarizer --input-dir /path/to/videos --output-dir /path/to/output --processes 4 --config-file config.json

# 仅音频模式（输入目录只有音频文件）
audiosummarizer --input-dir /path/to/audios --output-dir /path/to/output --audio-only --config-file config.json

# 断点续传（自动从上次中断处继续）
audiosummarizer --input-dir /path/to/videos --output-dir /path/to/output --config-file config.json

# 直接指定所有参数
audiosummarizer --input-dir /path/to/videos --output-dir /path/to/output \
  --bucket-name your-bucket --bucket-endpoint https://oss-cn-beijing.aliyuncs.com \
  --access-key-id your-key-id --access-key-secret your-key-secret \
  --funasr-api-key your-funasr-key --deepseek-api-key your-deepseek-key

Python API方式

from audiosummarizer import summarize
from pathlib import Path

# 使用配置文件
summarize(
    input_dir=Path("/path/to/videos"),
    output_dir=Path("/path/to/output"),
    processes=4,
    audio_only=False,
    config_file="config.json"
)

# 直接指定参数
summarize(
    input_dir="/path/to/videos",
    output_dir="/path/to/output",
    processes=4,
    audio_only=False,
    bucket_name="your-bucket",
    bucket_endpoint="https://oss-cn-beijing.aliyuncs.com",
    access_key_id="your-key-id",
    access_key_secret="your-key-secret",
    funasr_api_key="your-funasr-key",
    deepseek_api_key="your-deepseek-key"
)

🔄 处理流程

项目按照以下步骤处理音视频文件：

graph LR
    A[寻找音视频文件] --> B[提取音频]
    B --> C[上传音频到OSS]
    C --> D[音频转文字]
    D --> E[总结文字]

步骤详解

1. 寻找音视频文件 (AVFinder)

   • 递归扫描输入目录
   • 支持的文件格式：.mp3, .wav, .flac, .aac, .ogg, .m4a, .wma, .opus, .mp4, .avi, .mkv, .mov, .wmv, .flv, .webm, .m4v, .mpg, .mpeg
   • 生成文件列表JSON

2. 提取音频 (AudioExtractor)

   • 从视频文件中提取音频轨道
   • 音频文件命名为 001.mp3, 002.mp3 等（保持原顺序）
   • 多进程并行处理

3. 上传音频到OSS (OSSUploader)

   • 将音频文件上传到阿里云OSS
   • 文件存储在 oss://audios/ 目录下
   • 生成可访问的URL列表
   • 多进程并行上传

4. 音频转文字 (AudioTranscriber)

   • 使用阿里云Fun-ASR API进行语音识别
   • 支持说话人分离（声纹识别）
   • 输出格式：<说话人ID>: <文本>
   • 多进程并行处理

5. 总结文字 (TextSummarizer)

   • 使用DeepSeek API生成文字总结
   • 输出Markdown格式
   • 在总结开头添加原视频链接（如果提供）
   • 多进程并行处理

📁 输出文件结构

output_dir/
├── audio_summarizer.log          # 主日志文件
├── checkpoint.txt                # 断点续传状态文件
├── intermediates/
│   └── YYYYMMDD_HHMMSS/          # 中间文件（时间戳目录）
│       ├── inputs.json           # 输入文件列表
│       ├── audios.json           # 音频文件列表
│       ├── oss_urls.json         # OSS URL列表
│       ├── texts.json            # 文本文件路径列表
│       ├── summaries.json        # 总结文件路径列表
│       ├── audios/               # 提取的音频文件
│       ├── texts/                # 转录的文本文件
│       └── summaries/            # 生成的总结文件
│       ├── AVFinder.log          # 文件查找器日志
│       ├── AudioExtractor.log    # 音频提取器日志
│       ├── OSSUploader.log       # OSS上传器日志
│       ├── AudioTranscriber.log  # 音频转录器日志
│       └── TextSummarizer.log    # 文本总结器日志
└── summaries/                    # 最终总结文件（符号链接）
    ├── 001.md
    ├── 002.md
    └── ...

💰 费用估算

截止2026年2月，处理一小时音视频的估算费用：

服务	费用	说明
阿里云OSS	0.014元	上传+读取，约100MB流量
阿里云Fun-ASR	0.76元	语音识别，使用节省计划
DeepSeek	0.028元	文字总结
总计	约0.8元/小时

🛠️ 类说明

AVFinder

• 功能：查找音视频文件
• 参数：input_dir, output_json, logger, log_file
• 方法：find_and_save()

AudioExtractor

• 功能：从视频中提取音频
• 参数：input_json, output_json, audio_dir, ffmpeg_path, ffprobe_path, num_processes, logger, log_file
• 方法：process_videos()

OSSUploader

• 功能：上传文件到阿里云OSS
• 参数：input_json, output_json, bucket_name, bucket_endpoint, access_key_id, access_key_secret, num_processes, logger, log_file
• 方法：upload_files()

AudioTranscriber

• 功能：音频转文字
• 参数：input_json, output_json, text_dir, model_api_key, num_processes, logger, log_file
• 方法：transcribe_audio()

TextSummarizer

• 功能：总结文字
• 参数：input_json, output_json, summary_dir, model_api_key, num_processes, origin_json, logger, log_file
• 方法：summarize_texts()

⚠️ 注意事项

1. 费用控制：处理大量文件前，建议先测试小批量文件
2. 网络要求：需要稳定的网络连接访问OSS和API
3. 文件大小：单个音频文件不宜过大，建议分割长音频
4. API限制：注意各API的调用频率和并发限制
5. 隐私保护：音频内容可能包含敏感信息，请妥善处理
6. 断点续传：不要手动删除checkpoint.txt和中间目录，否则无法继续处理

🔧 故障排除

常见问题

1. 导入错误：确保已安装所有依赖 pip install oss2 dashscope openai
2. OSS连接失败：检查AccessKey和Endpoint配置
3. API调用失败：检查API密钥和网络连接
4. ffmpeg错误：确保 ffmpeg.exe 和 ffprobe.exe 在正确位置
5. 断点续传失败：检查checkpoint.txt文件是否损坏，或中间目录是否被删除

日志查看

查看以下日志文件获取详细错误信息：

• output_dir/audio_summarizer.log - 主日志文件
• output_dir/intermediates/YYYYMMDD_HHMMSS/*.log - 各步骤详细日志

📄 许可证

MIT License

👤 作者

UniBinary - [e-mail]

🌐 项目地址

GitHub: https://github.com/UniBinary/audio_summarizer

📈 版本历史

1.1 (2026-02-17)

• ✅ 新增Checkpoint断点续传功能
• ✅ 支持跨平台（Windows/macOS/Linux）
• ✅ 接口标准化，统一路径参数类型
• ✅ 增强日志系统，支持自定义日志文件
• ✅ 修复音频转文字编号错乱问题
• ✅ 修复音频提取警告误报问题

1.0a1 (Alpha 1)

• 初始版本发布
• 基本音视频处理流程
• 多进程并行处理支持