Python语音识别和时间线排列

这不是一个非常具体的编程问题，但我正在寻找一种方法，让我的女朋友（一个视频编辑）从50%的重复性工作中解脱出来，这可能有助于编码。因此，提前非常感谢您提出的任何创新建议

她在工作，幕后其实是两个非常重复的步骤。1.在布局图和图2中定位作品。将单词（底部的红色轨迹）与语音轨迹对齐。 然后整个视频基本上是这两个步骤的组合。。。一次又一次

现在，她正在显著降低声音速度，以便手动将单词的开始时间与单词出现在语音轨迹中的时间点匹配

我想要的是：

有没有成熟的工具（Python/R接口）可以进行语音识别。所以我有一个语音文件（mp3/wmv），然后它将生成包含该语音文件内容的文本文件

是否有可能将单词与语音中出现的时间点匹配。。。 因此，在本例中，python脚本的输出应该是：

识别起始 所以100毫秒 I 110毫秒 有120毫秒 已经过135毫秒了

类似于Youtube的

标题

功能，但基于单个单词。。。

---

我知道不会有一个完美的解决方案，但非常感谢任何建议或建议，这样就可以务实地解决这一无聊旅行的一部分。

到目前为止，您尝试了什么，如果有的话？你看到过这样的条目吗？@VooDooNOFX嗯，我在看蜻蜓和pyspeech库，它们有win32依赖关系，不知怎的，我花了一段时间制作了一个简单的示例。。。然后我怀疑我是否犯了一些方向性的错误…同时我发布了这篇文章并尝试我的运气。谢谢你提到那篇文章。正如答案所提到的，这实际上是一个说话人识别问题，而不是语音识别问题。语音识别和说话人识别有什么区别？我是新手，我正在尝试做说话人识别。对我来说是一样的吗？