如何让 ai 软件提取不到视频文件里的人声为字幕？

这个问题你直接问 codex 无解吗？

@Rickkkkkkk 问了，不行才提问的，你可以问问，谁能给出好的解决方案，我可以给的大红包。

源视频加密,自己开发视频解密播放器
然后你得问题变为：
如何防止用户用手机在音响旁边进行录音提取字幕

@maocat 就是常规可以上传抖音，哔站或者 youtube 的视频，不考虑加密

AI 字幕的原理是用音频跑一遍 asr ，正常的 asr 识别会识别所有的声音内容，要忽略背景人声或者这种主讲副讲人声，需要对模型进行定向增强

做不到，除非牺牲用户体验，搞极其吵人的背景音乐

视频的人声必须是中/英这种常见的语言吗？如果不是可以换成小语种的音频 + 正确语言的字幕，这样不影响观看体验，普通的 asr 不一定能正确识别

应该是无法实现，你做再多干扰，一个滤过器就给你过滤了，不是说滤波器有多强，是人耳实在太弱了，你为人能听，总不能太恶心吧。

或者你一个视频里使用多门语言，在字幕里加上此时的语言是啥，目前 asr 技术识别语言可能都只擅长单语言

这就跟能够让用户查看图片情况下不让他用相机拍下来?

https://www.bilibili.com/video/BV1WXjX6vEu6/

之前刷到的，是个思路，不一定对大模型有用

窃听屏蔽器的原理吧， 可以听到 但是录音录不下来

@firefox12 有道理啊，发射人类耳朵听不到、但对麦克风传感器具有破坏性的高频超声波，使附近的手机、录音笔等设备录下的音频变成一片无法还原的“嗡嗡”杂音。

反过来应该挺好做的，AI 可以分析人耳不能听到。

@gaogao321 对的，核心就是要这种实现方式。就是加入特定波干扰 asr 的识别，但是对正常人来说又没区别。

@Puteulanus 感谢，确实是这个思路

@laodao 这个思路只能解决唤醒词误触发，因为那个在端侧的。现在云端模型没那么傻。

@TimePPT 我已经找到多篇相关论文，核心原理和这个差不多，更系统的解决这个问题。云端模型可能比这个还傻，比如 openai 的语音模型只要识别到特定音频波暗号，就直接结束识别，后面的内容就不识别了。