README.zh.md

连接世界每一帧

Website | Documentation

English｜中文

QQ群：875297969

🌟 简介（在线体验！）

VideoLingo 是一站式视频翻译本地化配音工具，能够一键生成 Netflix 级别的高质量字幕，告别生硬机翻，告别多行字幕，还能加上高质量的克隆配音，让全世界的知识能够跨越语言的障碍共享。

主要特点和功能：

• 🎥 使用 yt-dlp 从 Youtube 链接下载视频

• 🎙️ 使用 WhisperX 进行单词级时间轴字幕识别

• 📝 使用 NLP 和 GPT 根据句意进行字幕分割

• 📚 GPT 总结提取术语知识库，上下文连贯翻译

• 🔄 三步直译、反思、意译，媲美字幕组精翻效果

• ✅ 按照 Netflix 标准检查单行长度，绝无双行字幕

• 🗣️ 使用 GPT-SoVITS 等方法对齐克隆配音

• 🚀 整合包一键启动，在 streamlit 中一键出片

• 📝 详细记录每步操作日志，支持随时中断和恢复进度

与同类项目相比的优势：绝无多行字幕，最佳的翻译质量，无缝的配音体验

🎥 效果演示

俄语翻译 ru_demo.mp4

GPT-SoVITS配音 sovits.mp4

语言支持

输入语言支持：

🇺🇸 英语 🤩 | 🇷🇺 俄语 😊 | 🇫🇷 法语 🤩 | 🇩🇪 德语 🤩 | 🇮🇹 意大利语 🤩 | 🇪🇸 西班牙语 🤩 | 🇯🇵 日语 😐 | 🇨🇳 中文* 😊

*中文使用单独的标点增强后的 whisper 模型

翻译语言支持所有语言，配音语言取决于选取的TTS。

安装

注意: 在 Windows 上使用 NVIDIA GPU 加速需要先完成以下步骤:

1. 安装 CUDA Toolkit 12.6
2. 安装 CUDNN 9.3.0
3. 将 C:\Program Files\NVIDIA\CUDNN\v9.3\bin\12.6 添加到系统环境变量 PATH 中
4. 重启电脑

注意: FFmpeg 是必需的，请通过包管理器安装：

• Windows：choco install ffmpeg（通过 Chocolatey）
• macOS：brew install ffmpeg（通过 Homebrew）
• Linux：sudo apt install ffmpeg（Debian/Ubuntu）或 sudo dnf install ffmpeg（Fedora）

1. 克隆仓库

git clone https://github.com/Huanshere/VideoLingo.git
cd VideoLingo

2. 安装依赖（需要 python=3.10）

conda create -n videolingo python=3.10.0 -y
conda activate videolingo
python install.py

3. 启动应用

streamlit run st.py

Docker

还可以选择使用 Docker（要求 CUDA 12.4 和 NVIDIA Driver 版本 >550），详见Docker文档：

docker build -t videolingo .
docker run -d -p 8501:8501 --gpus all videolingo

API

本项目支持 OpenAI-Like 格式的 api 和多种配音接口：

• claude-3-5-sonnet-20240620, gemini-1.5-pro-002, gpt-4o, qwen2.5-72b-instruct, deepseek-coder, ...（按效果排序）
• azure-tts, openai-tts, siliconflow-fishtts, fish-tts, GPT-SoVITS

详细的安装、 API 配置、汉化、批量说明可以参见文档：English | 简体中文

当前限制

1. WhisperX 转录效果可能受到视频背景声影响，因为使用了 wav2vac 模型进行对齐。对于背景音乐较大的视频，请开启人声分离增强。另外，如果字幕以数字或特殊符号结尾，可能会导致提前截断，这是因为 wav2vac 无法将数字字符（如"1"）映射到其发音形式（"one"）。

2. 使用较弱模型时容易在中间过程报错，这是因为对响应的 json 格式要求较为严格。如果出现此错误，请删除 output 文件夹后更换 llm 重试，否则重复执行会读取上次错误的响应导致同样错误。

3. 配音功能由于不同语言的语速和语调差异，还受到翻译步骤的影响，可能不能 100% 完美，但本项目做了非常多的语速上的工程处理，尽可能保证配音效果。

4. 多语言视频转录识别仅仅只会保留主要语言，这是由于 whisperX 在强制对齐单词级字幕时使用的是针对单个语言的特化模型，会因为不认识另一种语言而删去。

5. 无法多角色分别配音，whisperX 的说话人区分效果不够好用。

📄 许可证

本项目采用 Apache 2.0 许可证，衷心感谢以下开源项目的贡献：

whisperX, yt-dlp, json_repair, BELLE

📬 联系我们

• 加入我们的 QQ 群寻求解答：875297969
• 在 GitHub 上提交 Issues 或 Pull Requests
• 关注我的 Twitter：@Huanshere
• 联系邮箱：[email protected]

⭐ Star History