hot_video_analyse/code/api_video.py

from openai import OpenAI
import os
import base64
import time
from datetime import datetime


#  Base64 编码格式
def encode_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")
    
def encode_audio(audio_path):
    with open(audio_path, "rb") as audio_file:
        return base64.b64encode(audio_file.read()).decode("utf-8")

def read_txt_file(txt_path):
    """读取txt文件内容"""
    try:
        with open(txt_path, 'r', encoding='utf-8') as file:
            content = file.read()
        print(f"成功读取txt文件: {txt_path}")
        print(f"文件内容长度: {len(content)} 字符")
        return content
    except FileNotFoundError:
        print(f"错误: 找不到文件 {txt_path}")
        return ""
    except Exception as e:
        print(f"读取文件时出错: {e}")
        return ""

def read_json_file(json_path):
    """读取JSON文件内容"""
    try:
        import json
        with open(json_path, 'r', encoding='utf-8') as file:
            data = json.load(file)
        print(f"成功读取JSON文件: {json_path}")
        return data
    except FileNotFoundError:
        print(f"错误: 找不到文件 {json_path}")
        return None
    except json.JSONDecodeError as e:
        print(f"JSON解析错误: {e}")
        return None
    except Exception as e:
        print(f"读取JSON文件时出错: {e}")
        return None

def format_speech_json(speech_data):
    """格式化口播转文字JSON数据（支持SenseVoice格式）"""
    if not speech_data:
        return ""
    
    formatted_text = "【口播转文字内容】\n"
    
    if isinstance(speech_data, dict):
        # 新SenseVoice格式 - 处理raw_result
        if 'raw_result' in speech_data:
            raw_result = speech_data['raw_result']
            if isinstance(raw_result, list) and len(raw_result) > 0:
                # 提取所有文本内容
                all_texts = []
                for item in raw_result:
                    if isinstance(item, dict) and 'text' in item:
                        text = item['text']
                        # 清理SenseVoice的特殊标签
                        import re
                        clean_text = re.sub(r'<\|[^|]+\|>', '', text)
                        clean_text = ' '.join(clean_text.split())
                        if clean_text.strip():
                            all_texts.append(clean_text.strip())
                
                if all_texts:
                    formatted_text += f"完整转录文本: {' '.join(all_texts)}\n"
            
            # 基本信息
            if 'model' in speech_data:
                formatted_text += f"转录模型: {speech_data['model']}\n"
                
            if 'transcribe_time' in speech_data:
                formatted_text += f"转录耗时: {speech_data['transcribe_time']:.3f}秒\n"
                
            if 'file_path' in speech_data:
                formatted_text += f"音频文件: {speech_data['file_path']}\n"
        
        # 旧SenseVoice格式（兼容）
        elif 'clean_text' in speech_data:
            formatted_text += f"完整转录文本: {speech_data['clean_text']}\n"
            
            if 'model' in speech_data:
                formatted_text += f"转录模型: {speech_data['model']}\n"
                
            if 'transcribe_time' in speech_data:
                formatted_text += f"转录耗时: {speech_data['transcribe_time']:.3f}秒\n"
                
            # 情绪分析
            if 'emotions' in speech_data and speech_data['emotions']:
                emotions = [emotion.get('emotion', '') for emotion in speech_data['emotions']]
                formatted_text += f"情绪分析: {', '.join(emotions)}\n"
                
            # 背景事件
            if 'events' in speech_data and speech_data['events']:
                events = [event.get('event', '') for event in speech_data['events']]
                formatted_text += f"音频事件: {', '.join(events)}\n"
        
        # 如果是字幕提取器的格式（备用）
        elif 'continuous_text' in speech_data:
            formatted_text += f"完整文本: {speech_data['continuous_text']}\n"
            
            if 'stats' in speech_data:
                stats = speech_data['stats']
                formatted_text += f"统计信息: 检测数量{stats.get('filtered_detections', 0)}个，"
                formatted_text += f"平均置信度{stats.get('average_confidence', 0):.3f}\n"
    
    return formatted_text

def format_whisper_json(whisper_data):
    """格式化Whisper口播转文字JSON数据"""
    if not whisper_data:
        return ""
    
    formatted_text = "【Whisper口播转文字内容】\n"
    
    if isinstance(whisper_data, dict):
        # 基本信息
        # 详细时间轴 - 显示所有片段
        if 'segments' in whisper_data and len(whisper_data['segments']) > 0:
            formatted_text += "\n详细时间轴:\n"
            for segment in whisper_data['segments']:
                segment_id = segment.get('id', 0)
                start_time = segment.get('start', 0)
                end_time = segment.get('end', 0)
                text = segment.get('text', '')
                formatted_text += f"  id:{segment_id}, start:{start_time:.2f}, end:{end_time:.2f}, text:{text}\n"
    
    return formatted_text

def format_ocr_json(ocr_data):
    """格式化OCR字幕转文字JSON数据"""
    if not ocr_data:
        return ""
    
    formatted_text = "【OCR字幕识别内容】\n"
    
    # 如果是字幕提取器的格式
    if isinstance(ocr_data, dict):
        # 显示使用的OCR引擎
        # if 'ocr_engine' in ocr_data:
        #     formatted_text += f"OCR引擎: {ocr_data['ocr_engine']}\n"
        
        if 'continuous_text' in ocr_data:
            formatted_text += f"完整字幕文本: {ocr_data['continuous_text']}\n"
        
        # if 'subtitles' in ocr_data and len(ocr_data['subtitles']) > 0:
        #     formatted_text += "详细字幕时间轴:\n"
        #     for subtitle in ocr_data['subtitles'][:10]:  # 只显示前10个，避免过长
        #         timestamp = subtitle.get('timestamp', 0)
        #         text = subtitle.get('text', '')
        #         engine = subtitle.get('engine', '')
        #         confidence = subtitle.get('confidence', 0)
        #         formatted_text += f"  {timestamp:.2f}s [{engine}|{confidence:.3f}]: {text}\n"
            
        #     if len(ocr_data['subtitles']) > 10:
        #         formatted_text += f"  ... (还有{len(ocr_data['subtitles']) - 10}个字幕片段)\n"
    
    return formatted_text

def format_clip_json(clip_data):
    """格式化视频转场分析JSON数据"""
    if not clip_data:
        return ""
    
    formatted_text = "【视频转场分析内容】\n"
    
    if isinstance(clip_data, dict):
        # 显示视频基本信息
        if 'video_name' in clip_data:
            formatted_text += f"视频名称: {clip_data['video_name']}\n"
        
        if 'analysis_time' in clip_data:
            formatted_text += f"分析时间: {clip_data['analysis_time']}\n"
        
        if 'total_scenes' in clip_data:
            formatted_text += f"检测到场景数: {clip_data['total_scenes']} 个\n"
        
        # 详细场景信息
        if 'scenes' in clip_data and len(clip_data['scenes']) > 0:
            formatted_text += "\n详细场景信息:\n"
            for i, scene in enumerate(clip_data['scenes'], 1):
                formatted_text += f"scenes {i}:\n"
                formatted_text += f"  start_time: {scene.get('start_time', 0):.2f}秒\n"
                formatted_text += f"  end_time: {scene.get('end_time', 0):.2f}秒\n"
                formatted_text += f"  duration: {scene.get('duration', 0):.2f}秒\n"
                formatted_text += f"  type: {scene.get('type')}\n"
                formatted_text += "\n"
    
    return formatted_text

def save_result_to_txt(response_text, video_path, save_dir="/root/autodl-tmp/final_output"):
    """将分析结果保存为TXT文件"""
    # 创建保存目录
    os.makedirs(save_dir, exist_ok=True)
    
    # 生成文件名（基于视频文件名和时间戳）
    video_name = os.path.splitext(os.path.basename(video_path))[0]
    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
    txt_filename = f"{video_name}_analysis_{timestamp}.txt"
    txt_path = os.path.join(save_dir, txt_filename)
    
    # 准备保存内容（添加头部信息）
    content = f"""视频分析结果
=====================================
视频文件: {video_path}
分析时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
=====================================

{response_text}
"""
    
    # 保存到文件
    try:
        with open(txt_path, 'w', encoding='utf-8') as f:
            f.write(content)
        print(f"\n✅ 分析结果已保存到: {txt_path}")
        return txt_path
    except Exception as e:
        print(f"\n❌ 保存TXT文件失败: {e}")
        return None

STREAM_MODE = True

# 文件路径配置
video_path = "/root/autodl-tmp/new/西藏2.mp4"
#audio_path = "/root/autodl-tmp/video2audio/sample_demo_6.wav"
#txt_path = "/root/autodl-tmp/hot_video_analyse/source/example_reference.txt"  # 使用示例参考文档

# JSON文件路径配置
speech_json_path = "/root/autodl-tmp/new_sensevoice/西藏2_sensevoice.json"  # 口播转文字JSON文件
ocr_json_path = "/root/autodl-tmp/new_cnocr/西藏2_subtitles.json"     # OCR字幕转文字JSON文件
#clip_json_path = "/root/autodl-tmp/02_VideoSplitter/VideoSplitter_output/shou_gonglve_3_scenes.json"
whisper_json_path = "/root/autodl-tmp/new_whisper/西藏2_transcript.json"  # Whisper转文字JSON文件
ocr_txt_path = "/root/autodl-tmp/new_cnocr/西藏2_subtitles_processed.txt"
# 编码文件
print("开始编码文件...")
encode_start_time = time.time()

base64_video = encode_video(video_path)
#base64_audio = encode_audio(audio_path)
#txt_content = read_txt_file(txt_path)

#读取JSON文件内容
print("读取JSON文件...")
speech_data = read_json_file(speech_json_path)
ocr_data = read_json_file(ocr_json_path)
#clip_data = read_json_file(clip_json_path)
whisper_data = read_json_file(whisper_json_path)

# 格式化JSON内容
speech_content = format_speech_json(speech_data)
#ocr_content = format_ocr_json(ocr_data)
#clip_content = format_clip_json(clip_data)
whisper_content = format_whisper_json(whisper_data)

with open(ocr_txt_path, 'r') as file:
    ocr_content = file.read()

# # 合并内容
txt_content = ""
# if speech_content:
#     txt_content += speech_content + "\n\n"
if ocr_content:
    txt_content += ocr_content + "\n\n"
# if clip_content:
#     txt_content += clip_content + "\n\n"
if whisper_content:
    txt_content += whisper_content + "\n\n"

print(f"合并后的参考内容长度: {len(txt_content)} 字符")
print(txt_content)
encode_end_time = time.time()
encode_duration = encode_end_time - encode_start_time
print(f"文件编码完成，耗时: {encode_duration:.2f} 秒")


client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key="EMPTY",
    base_url="http://localhost:8000/v1",
)

# 构建content列表
content_list = [
    {
        # 直接传入视频文件时，请将type的值设置为video_url
        "type": "video_url",
        "video_url": {"url": f"data:video/mp4;base64,{base64_video}"},
    }

    # ,
    # {
    #     "type": "audio_url",
    #     "audio_url": {"url": f"data:audio/wav;base64,{base64_audio}"},
    # }
]

# 如果txt文件有内容，添加到content中
if txt_content.strip():
    content_list.append({
        "type": "text", 
        "text": f"参考资料内容:\n{txt_content}\n\n",
        "need": "第一部分是视频内容，第二部分是视频的字幕时间轴内容，第三部分是口播的字幕时间轴内容"
    })

# 添加主要提示文本
content_list.append({
    "type": "text", 
    "text": """🎥 **抖音短视频内容分析专家**
    ## 任务背景
您是一位经验丰富的视频导演和编辑，需要基于以上两个时间轴数据，和视频内容。为视频写一个完整、流畅的脚本。
请对这个抖音短视频进行详细的内容分析，重点关注以下三个方面：
## 🎤 一、口播内容提取
请仔细听取视频中的语音内容，完整转录：
- **完整口播转录**：逐字逐句转录所有口语表达
- **语音时长**：估算总的讲话时长
## 📝 二、字幕文字识别
请识别视频画面中出现的所有文字内容：
- **屏幕字幕**：视频中显示的字幕文字（包括自动字幕和手动添加的字幕）
- **标题文字**：视频开头、中间、结尾出现的大标题

## 🎬 三、转场效果分析
请仔细观察视频中的转场效果，并且结合参考资料中的转场内容，请你整体分析一下视频。比如几个画面出现第一个转场等.
转场的time_start","time_end","textIdx"请严格按照参考资料中的口播内容的时间戳start,end,id填写，不要自己生成。


## 📊 输出格式要求

## 视频内容分析
请按照以下JSON格式输出视频描述：

{
    "total_Oral broadcasting":"请你生成一个完整的口播内容。",
    "summary": "请用一句话总结视频的核心内容，突出视频的主要卖点和价值主张",
    "content": [
        {
            "type": "cut",
            "scenes": 1,
            "time_start": 0.0,
            "time_end": 2.0,
            "talk": "请将对应时间的口播或字幕信息，填入此",
            "description": "跳转到视频对应时间，将视频对应时间的图片，详细描述这个镜头的画面内容、人物动作、场景特点等。不要描述视频内容，只描述这个镜头的画面内容，不要重复描述。"
        },

        {
            "type": "cut",
            "scenes": 2,
            "time_start": 2.0,
            "time_end": 4.5,
            "talk": "请将对应时间的口播或字幕信息，填入此",
            "description": "跳转到视频对应时间，将视频对应时间的图片，详细描述这个镜头的画面内容、人物动作、场景特点等。不要描述视频内容，只描述这个镜头的画面内容，不要重复描述。"
        },

        {
            "type": "cut",
            "scenes": 3,
            "time_start": 4.5,
            "time_end": 6.0,
            "talk": "请将对应时间的口播或字幕信息，填入此",
            "description": "跳转到视频对应时间，将视频对应时间的图片，详细描述这个镜头的画面内容、人物动作、场景特点等。不要描述视频内容，只描述这个镜头的画面内容，不要重复描述。"
        }
    ]
}

## 输出要求
1. summary：用一句话概括视频核心内容，突出主要卖点
2. content：按时间顺序交替描述镜头和转场
   - 镜头(lens)描述：
     * textIdx：镜头序号，从1开始递增
     * time_start：开始时间（秒），精确到小数点后一位
     * time_end：结束时间（秒），精确到小数点后一位
     * talk：该镜头中的对话或文字内容
     * description：详细描述镜头内容，包括：
       - 画面构图和场景
       - 人物动作和表情
       - 重要道具和元素
       - 特殊效果和转场


## 注意事项
1. 保持描述简洁明了，但要有足够的细节
2. 突出视频的亮点和特色
3. 确保时间戳的准确性
4. 对话内容要符合视频画面
5. 整体风格要统一连贯
6. 每个镜头的描述要包含关键信息

## 示例内容描述
1. 镜头1：
   - 开场特写镜头，展示产品外观
   - 画面从模糊到清晰，突出产品细节
   - 背景音乐渐入，营造氛围
   - 文字提示："全新升级，品质保证"

2. 转场1-2：
   - 类型：平滑滑动
   - 目的：自然过渡到使用场景
   - 效果：画面从产品特写平滑滑向使用场景

3. 镜头2：
   - 中景展示使用场景
   - 人物自然流畅的动作展示
   - 光线明亮，突出产品效果
   - 文字说明："简单操作，轻松上手"

4. 转场2-3：
   - 类型：快速缩放
   - 目的：突出产品核心功能
   - 效果：画面快速聚焦到产品关键部位

5. 镜头3：
   - 特写展示产品核心功能
   - 慢动作展示关键细节
   - 画面色彩鲜明，对比强烈
   - 文字强调："专业性能，值得信赖"

请根据以上要求，分析视频并输出JSON格式的描述。 

请开始详细分析这个抖音短视频："""
})

print(f"\n开始请求API...")
print(f"请求时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
print(f"Stream模式: {STREAM_MODE}")
print(f"Content项目数量: {len(content_list)}")

# 记录API请求开始时间
api_start_time = time.time()
completion = client.chat.completions.create(
    model="/root/autodl-tmp/llm/Qwen-omni",  
    messages=[
        {
            "role": "system",
            "content": [{"type":"text","text": "You are a helpful assistant."}]
        },
        {
            "role": "user",
            "content": content_list
        }
    ],
    stream=STREAM_MODE,
    stream_options={"include_usage": True} if STREAM_MODE else None,
    temperature=0.4
)

if STREAM_MODE:
    # 流式输出 - 拼接完整回复
    full_response = ""
    usage_info = None
    
    # 记录第一个token的时间
    first_token_time = None
    token_count = 0
    
    print("正在生成回复...")
    for chunk in completion:
        if chunk.choices:
            delta = chunk.choices[0].delta
            if delta.content:
                # 记录第一个token的时间
                if first_token_time is None:
                    first_token_time = time.time()
                    first_token_delay = first_token_time - api_start_time
                    print(f"首个token延迟: {first_token_delay:.2f} 秒")
                
                # 拼接内容
                full_response += delta.content
                token_count += 1
                
                # 实时显示（可选）
                #print(delta.content, end='', flush=True)
        else:
            # 保存使用情况信息
            usage_info = chunk.usage
    
    # 记录API请求结束时间
    api_end_time = time.time()
    total_duration = api_end_time - api_start_time
    
    # 输出完整的响应
    print("\n" + "="*50)
    print("完整回复:")
    print("="*50)
    print(full_response)
    
    # 保存结果为TXT文件
    txt_file_path = save_result_to_txt(full_response + "total_duration:" + str(total_duration), video_path)
    
    # 输出时间统计信息
    print("\n" + "="*50)
    print("⏱️  时间统计:")
    print("="*50)
    print(f"📁 文件编码时间: {encode_duration:.2f} 秒")
    if first_token_time:
        print(f"🚀 首个token延迟: {first_token_delay:.2f} 秒")
        generation_time = api_end_time - first_token_time
        print(f"⚡ 内容生成时间: {generation_time:.2f} 秒")
    print(f"🕐 API总响应时间: {total_duration:.2f} 秒")
    print(f"📊 生成token数量: {token_count}")
    if first_token_time and token_count > 0:
        tokens_per_second = token_count / generation_time
        print(f"🔥 生成速度: {tokens_per_second:.2f} tokens/秒")
    print(f"⏰ 完成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
    
    # 输出使用情况信息
    if usage_info:
        print("\n" + "="*50)
        print("📈 使用情况:")
        print("="*50)
        print(usage_info)
        
else:
    # 非流式输出 - 直接输出完整响应
    api_end_time = time.time()
    total_duration = api_end_time - api_start_time
    
    print("非流式输出模式:")
    print("完整回复:")
    print("="*50)
    print(completion.choices[0].message.content)
    
    # 保存结果为TXT文件
    txt_file_path = save_result_to_txt(completion.choices[0].message.content, video_path)
    
    # 输出时间统计信息
    print("\n" + "="*50)
    print("⏱️  时间统计:")
    print("="*50)
    print(f"📁 文件编码时间: {encode_duration:.2f} 秒")
    print(f"🕐 API总响应时间: {total_duration:.2f} 秒")
    print(f"⏰ 完成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
    
    # 输出使用情况信息
    if hasattr(completion, 'usage') and completion.usage:
        print("\n" + "="*50)
        print("📈 使用情况:")
        print("="*50)
        print(completion.usage)