建议可以优化一下字幕截图提取方式

[zangwill]

是否可以先用ffmpeg提取视频的音频，根据音频检测人声所在的时间戳再进行截图

[eritpchy]

效果不好, 音频提取有https://github.com/YaoFANGUK/video-subtitle-generator, 你有更好的欢迎pr

[nhjydywd]

融合想法很不错。但是音频检测错的时候，应该信音频的还是信OCR的。所以最好还是ASR和OCR分开搞。