bakrianoo/mazinger

解決的問題

Mazinger Dubber 提供了一個端到端的自動化影片配音流程。它消除了手動處理下載、轉錄、翻譯和語音合成等獨立工具的需求，使用者只需一個指令或透過網頁介面，即可從單一命令產生完整的配音音訊或影片檔案。

運作方式

此系統串聯了十個可恢復的階段：下載、轉錄、縮圖、描述、審核、翻譯、重分段、語音合成、組裝與字幕。它會快取每個階段的輸出，因此若處理中斷，可從中斷處恢復。該流程整合了多個 AI 引擎：

• 轉錄：使用 CohereX（Studio 預設）、Faster Whisper 或 Deepgram Nova 3。
• 翻譯：利用 LLM（包括透過 Ollama 提供的本地選項）。
• 語音合成：採用語音克隆 TTS 引擎，如 Qwen3-TTS 和 OmniVoice。
• 音訊處理：使用 Demucs 進行背景音訊分離。

適用對象

專為希望在保留原始講者聲音或使用預設語音主題的同時，將影片內容翻譯成不同語言，且無需管理複雜獨立 AI 工具鏈的內容創作者與開發者設計。

主要特色

• 自動語音克隆：可從原始影片中自動提取 20–60 秒的樣本，克隆原始講者的聲音。
• 彈性轉錄：支援本地轉錄（CohereX、Faster Whisper）與雲端選項（Deepgram）。
• 全面輸出：可產生帶有內嵌、樣式化字幕的配音影片，包含阿拉伯語等 RTL 語言支援。
• Web UI：內建「Mazinger Studio」，一個基於 Gradio 的介面，供不習慣命令列的使用者使用。
• 模組化執行：配音流程的每個階段可獨立執行為命令，或作為完整流程的一部分執行。