赛题题目：视频字幕AI自动识别显示工具 赛题说明： 随着短视频、直播、在线教育等场景的爆发式增长，视频内容的可访问性和跨语言传播需求日益增强。传统字幕制作依赖人工转录，效率低且成本高。近年来，基于深度学习的语音识别（ASR）、自然语言处理（NLP）显著提升了字幕生成的自动化水平。AI字幕技术通过自动识别音频、生成精准字幕并支持多语言翻译，正在重塑视频创作与传播方式。 本赛题旨在推动AI技术在视频处理领域的创新应用，优化音视频播放逻辑，同时探索跨语言适配、实时处理等关键技术难点。该方向与“智能技术应用与创新”赛道目标高度契合，可促进教育、娱乐、跨国协作等场景的智能化升级。

赛题要求： 软件基于开源操作系统研发及运行； 核心功能：基于操作系统桌面接口或SDK开发工具实现视频的语音识别、字幕自动生成及时间轴同步，支持中英等多语言翻译切换； 性能要求：字幕生成准确率≥90%，支持实时或准实时处理（延迟<3秒），对字幕获取处理流程输出系统资源使用情况； 扩展功能：支持字幕样式自定义（字体、颜色、位置）、多说话人分离、背景噪音过滤。 评分标准： 功能完整性（40%）： 基于操作系统桌面接口或SDK开发工具实现视频播放（20分）； 可以显示视频字幕（30分）； 可以显示多种语言字幕（30分）； 支持多种扩展功能（字幕字体，颜色，位置调整，多说话人分离等）（20分）。 性能优化（30%）： 字幕识别准确率超过90%（55分） 准确率低于60%（0分）； 准确率高于60%，低于70%（35分）； 准确率高于70%，低于80%（45分）； 准确率高于80%，低于90%（55分）。 字幕识别延迟小于1s（35分） 字幕识别延迟大于1s，小于2s（35分）； 字幕识别延迟大于s2，小于3s（25分）； 字幕识别延迟大于3s（0分）。 对字幕获取处理流程输出系统资源使用情况（10分） 输出字幕获取过程的系统资源情况，内存、CPU、显存等信息（10分）。 代码规范性（20%）： 代码目录结构清晰，易读，可维护性强（50分）； 符合开源社区规范（50分）。 文档质量（10%）： 概要设计说明书、测试设计说明书（50分）； 申报书、用户手册和安装说明（50分）。 赛题联系人： 于恒 yuheng@kylinos.cn

参考资料： [1] FFmpeg多媒体处理框架 官网：https://github.com/linyqh/NarratoAIhttps://github.com/mpv-player/org 核心功能：音视频流提取、格式转换与时间轴同步；支持多轨道合成（字幕、配音、视频），为AI字幕工具提供底层处理能力 [2] MPV播放器矿框架 项目地址：https://github.com/mpv-player/ 核心功能：集成音视频播放能力，便于开发； [3] NarratoAI（智能视频解说与字幕生成） 项目地址：https://github.com/linyqh/NarratoAI 相关技术：基于Whisper的语音识别与时间轴同步技术； 多语言翻译（支持Qwen2-VL模型）与字幕-视频自动合成（FFmpeg集成）； 实时处理优化方案，支持GPU加速降低延迟。 参赛资源支持： [1] 麒麟软件有限公司可提供软件开发环境

d0520d2dbb8a99c015f156ae087194588b0d4f79