每周碎碎念 - 0210
本周从 0 开始实现了「视字」小程序，可以 从视频中提取文字。这里记录了「视字」的诞生过程，也欢迎大家一试：
0203 - 以问题为驱动
这两天在做一件事：从视频中提取文字。
场景是这样的：比如，在看教学视频时，有时嫌视频太慢，希望从视频中提取出文字，打印出来看。10 分钟的视频，看文字可能 1 分钟就看完了，回看也很方便。还有其他一些场景，比如字幕组在翻译生肉视频时，很需要从视频中提取中英文原文，进而翻译、制作字幕。
这个问题说来也容易解决，视频 > 音频 > 文字。不过要放到具体的环境中，可就有些麻烦了。
先说从视频中提取音频。如果是在电脑端，这是很容易解决的。不过目前我打算先上个小程序，而小程序的能力很有限。想了半天，最后不得已暂时先使用在线转码服务。这样主要的问题有两个：一是视频文件通常很大，上传会需要花较多时间；二是需要找到这样的服务，最好是免费的、或者不贵。最后我找到的是 https://www.online-convert.com/ 这个强大又免费的在线服务。
再来就是音频中提取文字，这是重点。而其中最关键的，则是识别效果。我粗糙的比较了一系列云服务，最好的是讯飞和搜狗知音，其他的包括百度、阿里、腾讯，都没达到我想要的效果，算是第二梯队。讯飞的口碑和知名度是最好的，我没想到搜狗知音竟然也达到了几乎和讯飞相同的程度，可能搜狗输入法带来的大量语料也是种加持。
在这一过程中，能直观感受至各家水平的差异。比如，你好歹给个在线体验的入口，总不能非得写代码才能验证效果，这就太麻烦了。
其他因素包括接口便捷性、速度、并发性、价格等。我最后选择的是搜狗知音，很大程度是讯飞竟然只能上传本地音频文件，不支持使用 url 的方式。由于我先前说了，是使用云服务来提取音频，如果加上下载、再上传，那就太浪费时间了。价格方面，讯飞也是最感人的，搜狗基本是其一半多一点，一分钟约 0.1 元。
搜狗知音的接口也是有坑的：查询识别结果的接口，竟然要间隔 30s，这实在是太不自信了。好在我实测间隔 10s 也不会报 429 错误，先将就着用吧。另外就是识别速度并不快，我在深夜测试，这段时间应该不太会有很多其他用户的并发，可见其服务器资源并不充裕。
今天用 node 把这些流程全部实现并调通，明天准备创建小程序并接入。
0204 - 起名字真难
程序员中有个段子：最难的是，如何命名。
开发小程序，有同样的问题。今天的最后几分钟，本打算注册小程序并提交。结果，在给小程序起名时卡了半天。核心的在于，对于「视频」「文字」这些通用词汇，微信基本上是不给注册的。可怜我想起类似「视频文字提取」这样的名字，肯定是不行的。
憋到最后，在寒冷的冬天的晚上，我的腿都快冰了，站起来走两步，抖了个机灵，想到「视字」这个名字，立马坐电脑前一试：呀，居然成了！瞬间郁闷成了开心😄「视字」不就是视频中的文字嘛，而且还短，简直太贴切了。当然，最大的问题是对搜索不友好，用户连输入这两天字都有点麻烦。不管了，能想到这个名字就不错了。
万万没想到，我最后还是没提交。原因在于，小程序限制可访问的域名。而我用到的在线视频转码服务，是动态返回上传地址的。我简单测试了下，居然有将近 50 个可能的域名；而微信最多支持 20 个。哎，这个方式不行了，只能先上传至某个云存储或文件中转，然后再识别。哎，明日再战。
0205 - 「视字」小程序继续踩坑
今天早上把「视字」小程序的 体验版 做出来了，也发给了几个人试用，暴露出了很多问题。最关键的是，太太慢了。
首先，我使用了 https://file.io 进行 文件中转。这个是国外的服务，之前一直开代理没感觉；在普通网络下，上传很慢，甚至可能会有超时之类的错误。
然后，发现正在使用的、免费的 在线格式转换服务，其中限制了每天 30 分钟额度。哎，大意了。之前其实我是看了价格的，没注意到。并且，这个也是国外的服务，也有慢的问题。
由于这两个问题，现在的方案必须得有大的调整。现在可行的方案是：使用国内的云存储，上传视频后自动转码。本以为这是很成熟的服务了，没想到还是有很多坑。
首先，我试用了 阿里云和腾讯云 的相关服务，发现有个致命的问题：音频的最低采样率大于 16k Hz。而 搜狗的音频识别必须使用 16k 的采样率。发工单问了客服，告知确实不行。哎，没办法，只能放弃这两家。
然后去看了 七牛。恩，看起来老实厚道七牛是没问题的，可真的一试，又发现一个坑：音频转码时不支持设置 bit per sample（中文是分辨率？位深？）。这也麻烦了，因为 搜狗的音频识别必须使用 8 bit 或 16 bit 的分辨率。理论上，可以通过设置码率（因为码率 = 采样率 * 位深 * 声道数）来倒过来设置位深，而实际测试并不工作。发工单给七牛，无奈这有点专业，售后解决不了，得等他们技术来支持。现在，这事卡在这了，除非我再去找一家云服务。
同时，我又去了解了下 腾讯 AI 长语音识别，哎，也有坑。比如，服务器时不时返回 502（可以看出，给其配备的服务器资源并不充足）；很多时候创建任务成功，却永远收不到回调。从偶尔成功时返回的结果来看，文字识别结果并不如讯飞或搜狗，包括文字不准确、大段文字而没有标点等。
我感觉，腾讯 AI 还是试验性阶段，各种不靠谱。可能腾讯云是商务的，应该靠谱些。其实我也不明白，腾讯云和腾讯 AI 是什么关系，不会像 QQ 和微信的关系吧。
除此之外，百度 也提供了长音频提取文字，不过刚刚开始公测。我已经申请了，在等结果。现在是疫情时期，估计会很慢。下午错过了一个百度的电话，可能跟这事有关，有点后悔没接到电话，耽误事了。
哎，这么个小程序、小项目，没想到会遇到这么多坑。有时，你看到一个产品很简洁，殊不知，在走到最后简洁这一步之前，已经踩过多少坑。再一个感叹便是，国内的这些云服务，看起来大而全，真往细了用时，问题很多。
0206 - 有一点代码洁癖
今天在写小程序云函数，为了不依赖第三方库，自动手动实现鉴权，并找单独的 base64/md5/hmac/post 等单文件实现的版本。最后，终于还是实现功能了，可惜花的时间太多了。本打算今天放出体验版的，结果还是做不到。
好处是，有些工作只用做一次，下次直接复制这些代码即可。不过，如无必要，还是直接依赖第三方库算了。人生苦短，还是少重复造轮子的好。
0207 - 「视字」收尾
昨天把主体工作完成了，今天就是收尾。
其实，收尾会有很多杂事，比如校对文案，错误日志收集，关键服务监控，设计 Logo、图标，提交审核并发布，制作宣传材料和文案，考虑推广方案，等等。
Anyway，今天小程序已经上线了，宣传视频也做好了，明天开始逐步推广。
0208 - 「视字」上线
折腾了差不多一周，「视字」小程序上线了。
用法很简单：选择视频，等待，即可识别出视频中的文字。
欢迎一试，也请帮忙介绍给周围需要的朋友。
使用过程中遇到任何问题，可以点击应用底部的「反馈」，我这个小客服会很负责的哦~
0209 - 「视字」集成讯飞
今天没忍住，动手给「视字」集成了 讯飞语音识别。
为什么呢？本来对讯飞期望挺高的，毕竟在公开的产品中，讯飞听见的识别结果是相对来说最理想的，我自然想将其集成到「视字」中。之前选择搜狗而非讯飞，主要是几个原因：
讯飞只支持上传本地音频文件，不支持提供网络音频文件。
讯飞价格最美丽，入门价基本是搜狗等其他产品的 2 倍+
不过，后来看如果选择比较贵的套餐，基本价格能做到和其他产品差不多。冲着它的效果，我就动手了。
不过，折腾了一天，等集成后，傻眼了：相同的音频文件，讯飞 API 返回的识别结果，和讯飞自家的产品如讯飞听听，那简单不是一个量级的东西，差太多了。跟腾讯、阿里比都不如，更别说搜狗。我当时那个吐血啊。都怪我太善良，没相信讯飞这个浓眉大眼的家伙，也会干这种事。
目前，我已经发了工单，提供了音频文件和分别的识别结果，询问官方到底是怎么回事，期待结果吧。如果没有合理的答复，我只能粉转黑，再也不义务宣传讯飞的产品了。
当然，今天还件开心的事：从视频中提取音频，我选用的是七牛的服务。本以为会按视频转码计费；给七牛发工单，官人也是这么说的。没想到今天看实时费用，应该是按音频转码计费的，这可是视频价格的 1/10。恩，好事，可以压低成本了。不过，七牛的服务响应速度堪忧，说人话就是很慢。哎，这问题目前怕是无解了。
想不想知道「视字」的识别效果到底如何？点开一试便知：