
pyVideoTrans 是一套开源的外语视频翻译流水线:把一段英日韩视频丢进去,它依次做语音识别、字幕翻译、AI 配音、音视频合成,最后输出一条带中文字幕或中文配音的成片。项目在 GitHub 上一万九千多星,Python 写的,GPL-3.0 授权,Windows 10/11 有打包好的 exe,不用配 Python 环境。
搬运或介绍外语内容,最耗时间的从来不是剪辑,而是把话听清、翻准、对上时间轴。手工流程是:先跑一遍识别出 SRT,再把字幕丢进翻译工具,逐句改机翻的生硬处,重新对齐时间码,最后配音。一条十五分钟的视频,熟练的人也要两三个小时,改一句字幕就得回头核对整段。多人对话更麻烦——几个嘉宾轮流讲话,字幕不分角色,翻译根本不知道谁在说什么,自己配音还得一人分饰多角。pyVideoTrans 把这些环节串成了一条可以一次跑完的流水线。
它具体能做什么
- 语音识别:本地可跑 faster-whisper 与 OpenAI Whisper,也能接阿里通义、字节等云端接口;带说话人分离,多人对话能分出角色。
- 字幕翻译:识别出的句子逐句翻译,可接大模型接口,可换翻译通道,翻完能逐句微调时间与文本。
- AI 配音:TTS 合成配音,支持 F5-TTS、CosyVoice、GPT-SoVITS 这类模型做零样本音色克隆,不同角色分配不同声音。
- 合成输出:自动对齐音轨和字幕,导出带字幕或带配音的成片,也可以只要一份 SRT。
- 批量与分段:多个文件排队跑,识别、翻译、配音分阶段,哪一步不满意可以只重跑那一步。
参数与门槛
| 项目 | 情况 |
|---|---|
| 开源协议 | GPL-3.0,可自部署、可改代码 |
| 代码语言 | Python 3.10+ |
| 支持平台 | Windows / macOS / Linux |
| 安装方式 | Windows 有打包 exe;其他系统用 uv 装源码 |
| 显卡加速 | NVIDIA 显卡可开 CUDA(需 CUDA 12.8 + cuDNN 9.11),纯 CPU 也能跑但慢 |
| 外部依赖 | 源码部署需自备 FFmpeg;打包版开箱可用 |
适合谁
- 做外语影视、知识区的 up 主,需要给片子补中文字幕或中文配音
- 跨境与出海团队,要把产品视频换成多语言版本
- 录了外语课程、会议素材,想要一份能读的文字稿
- 有独立显卡、不愿把原始素材上传到第三方的人
上手步骤
- Windows 10/11 从项目 Release 下载打包版,解压运行,首次启动会在本地建立配置目录。
- 设置里选识别模型:本地跑选 faster-whisper,显存 6G 以内建议 small 或 medium 档位。
- 选翻译通道和配音通道。只要字幕就停在翻译这一步,想配音再挂 TTS 模型。
- 拖入视频,选源语言和目标语言,点开始,右侧会显示每个阶段的进度。
- 成片与字幕文件分别落在输出目录,字幕可以单独拿去改。
第一次别急着上长片,拿两分钟短片试参数:断句太碎就调最长句长,翻得太直就换翻译通道。长片识别一趟几十分钟,参数不对重来很费时间。
常见疑问
问:没有独立显卡能跑吗?
答:能跑。CPU 上 faster-whisper 一样工作,只是十秒音频的活要几十秒,十分钟视频光识别就要十几分钟。有 NVIDIA 显卡并按文档装好 CUDA 会快好几倍。
问:翻出来的字幕机翻味重怎么办?
答:看你接的翻译通道。接大模型接口并给出上下文提示,句子会自然很多;用普通翻译接口偏直译,建议翻完人工过一遍专有名词。
问:配音听起来像机器人吗?
答:用音色克隆模型明显好于传统 TTS,但仍有机械感,情绪句容易飘。对外的成片建议先自己完整听一遍。
问:视频会被上传到别人的服务器吗?
答:全本地部署时不传,识别、配音都在自己电脑里跑;只有你主动接云端 API 时,音频才会发给对应服务商。
据项目主页显示,这个仓库仍在高频更新,最近一次提交就在本月。它的定位不是一键出片的傻瓜工具,而是把一条专业字幕与配音流水线的每个环节都摊开给你调——愿意花半小时摸清参数的人,能省下之后每条片子两三个小时。
最后更新:2026-11-06
