Huanshere/VideoLingo

解决的问题

VideoLingo 自动化了视频翻译和配音的复杂流程。无需手动同步字幕、翻译音频或生成配音，提供一条流畅的流水线，将视频从一种语言转换为另一种语言，同时保持内容连贯性和时间同步。

工作原理

该项目使用集成在 Streamlit 界面中的多阶段 AI 流水线：

1. 语音识别：通过 yt-dlp 下载视频，并使用 Qwen3-ASR 和 Qwen3-ForcedAligner 进行单词级语音识别与对齐。
2. 翻译：通过 OpenAI 兼容 API 调用 LLM 翻译文本，利用自定义和 AI 生成的术语确保一致性。还可进行自然重写和反思式优化以提升质量。
3. 分段：使用 NLP 和 AI 根据可配置的长度限制对字幕进行分段，以提高可读性。
4. 配音：使用 GPT-SoVITS、OpenAI、Edge TTS 和 F5-TTS 等多种 TTS 提供商生成合成语音，创建配音音频轨道。

适用人群

希望将视频内容本地化以面向全球受众，但无需专业工作室软件或手动字幕服务的内容创作者、翻译人员等。

主要亮点

• 端到端工作流：将下载、语音识别、翻译、分段和配音整合到一个工具中。
• 灵活的 AI 后端：支持多种 LLM 提供商、ASR 引擎（Qwen3、ElevenLabs、MAI）以及广泛的 TTS 选项。
• AI 驱动的一致性：通过术语管理和基于反思的重写，确保翻译自然且符合上下文。
• 一键安装：提供 Windows 一键安装程序，Linux NVIDIA 环境支持 Docker 部署。