pyVideoTrans

pyVideoTrans详细介绍

手头有两小时的英文访谈素材，下周一之前要出一版中文字幕加中文配音的成片。约束有三条：素材签了保密协议不能传第三方云服务，剪片子的机器只有一块 8G 显存的显卡，预算里没有给在线配音服务留钱。

先试了在线字幕站。十五分钟免费额度用完后开始按分钟收费，两小时素材算下来不便宜，上传这一步还直接被保密要求卡掉。又试了纯手工：用语音转文字工具出英文字幕，导出后逐句翻译，再找语音合成生成配音，最后拖进剪辑软件对时间轴。英文字幕里人名和术语错了十几处，配音时长跟原声对不上，光对齐就花掉一整天。

最后选了 pyVideoTrans。Windows 用的是预打包版，解压到纯英文路径后双击 sp.exe 启动，首次启动要等几十秒加载模块。任务被拆成四步：选素材和输出目录，挑语音识别渠道，挑翻译渠道，挑配音渠道。识别用的是内置的 faster-whisper 大模型，翻译接的是在线大模型接口，配音用开箱可用的 Edge-TTS。单文件处理时会在字幕生成后和翻译后各暂停一次，把字幕拉到右侧文本框里改人名和专业词，改完点执行继续。

能直接交付的是成片加过程中的 SRT 字幕和配音文件，字幕嵌入方式可选硬字幕、软字幕或双语。踩过的坑挺具体：显存只有 8G 时识别和配音同时跑会互相抢资源，表现是几分钟才出一句，把高级选项里的并发线程调成 1、语速和分段参数调小之后才顺畅；勾选保留背景音会先做一次人声分离，这一步在软件里是纯 CPU 运算，不调用显卡，两小时素材会明显拖长时间，官方论坛的建议是先用外部工具分离好，把人声与伴奏文件命名后放进输出目录，软件会直接读取跳过这一环。长视频偶尔还有漏句，切分算法和翻译提示词每次更新都在改这个问题。

这次只用了视频翻译一条线，pyVideoTrans 里还有独立的语音转录、批量翻译 SRT、批量为字幕配音、多角色配音和字幕格式互转几个面板，做播客转文字或者给已有字幕换语言可以直接用，不必再装第二个工具。还没试过的是声音克隆，得先本地部署 F5-TTS 或 CosyVoice 这类模型；下周准备拿一段两分钟的素材先把克隆语音跑通，再上整片。

pyVideoTrans的核心功能

• 全自动视频翻译：选好素材、发音语言和目标语言，按语音识别、字幕翻译、配音、音视频对齐的顺序自动跑完，输出带目标语言字幕与配音的 MP4。单文件任务会在识别后与翻译后各暂停一次留出校对窗口，批量任务则连续执行不再中断。
• AI 语音识别与转录：内置 faster-whisper、openai-whisper、FunASR、Qwen-ASR 等本地渠道，也能接字节、OpenAI、Gemini、deepgram 等在线接口。中文素材换成中文优化模型更稳，识别质量直接决定后面几步的上限，建议先用一小段素材试出合适的模型再跑全片。
• AI 字幕翻译：可接 DeepSeek、OpenAI、Gemini、Claude、智谱、硅基流动等大模型接口，也能用 Google、微软免费翻译或本地 M2M100。勾选发送完整字幕能让长上下文模型看到全篇语境，译文更连贯；本地小模型开了这个选项容易串格式或冒出提示词。术语表功能可以固定专业词译法。
• AI 配音合成：默认的 Edge-TTS 开箱可用，本地可换成 Qwen3-TTS、F5-TTS、ChatterBox、Piper 等，也能接 OpenAI、Azure、字节、Minimaxi 等商业接口。选完目标语言后发音人列表会自动更新，选中角色可以试听，语速、音量、音调都能按百分比微调。
• AI 声音克隆与多角色配音：用 F5-TTS、CosyVoice、GPT-SoVITS 这类模型可以按参考音频克隆音色，多角色面板能为每行字幕单独指定发音人。做访谈和对话类素材时不用手动切音轨，官方建议克隆场景下不要开启按语义重新断句，否则参考音频提取会受影响。
• 音视频同步控制：配音比原声长时可以加速配音、放慢视频，或者两者各承担一半；另有二次识别功能，在配音完成后重新转写一遍配音音轨，生成更贴合的时间码。放慢视频会切出大量临时片段，占用的磁盘空间可能超过原素材，处理完记得清缓存。
• 命令行与网页界面：cli.py 支持视频翻译、语音转字幕、字幕翻译、文字转语音四类任务，参数包括任务类型、文件名、源语言与目标语言、发音角色，适合放服务器上无人值守跑批量。webui.py 是浏览器界面，可以部署在内网，也能用 Docker 起容器给同事用。
• 辅助工具集：含人声与背景音分离、硬字幕提取、视频合并、字幕格式互转、音视频字幕合并等面板。硬字幕提取针对画面里烧死的字幕，官方单独提供了说明页，处理素材时不必再装第二个剪辑软件。

pyVideoTrans的价格详情

免费权益：

完全开源免费，采用 GPL-V3 协议，无功能限制，不需要登录或卡密验证，桌面界面、网页界面和命令行三种入口都不收费。当前主推版本 v4.12，Windows 预打包完整包约 2.7G，另有约 360MB 的补丁包可叠加到旧版本上。官网同时保留 v4.11、v4.09、v4.03 供回退。硬件方面官方标注有无英伟达显卡都能运行，但纯 CPU 跑大模型速度很慢，显存不足会直接报错，8G 显存同时跑识别与配音需要把并发调到 1，GPU 加速需自行安装 CUDA 12.8 与 cuDNN 9.x。价格与版本可能随官方调整。

收费模式：

站内不设付费档位，软件本体、更新与全部功能均不收费，官方明确未授权任何第三方渠道销售，凡需付费购买或卡密验证的版本都不是官方原版。开发者只接受小额捐赠（Ko-fi、微信、支付宝），捐赠与否不影响功能。实际成本来自两处：一是调用在线识别、翻译、配音接口时需自备账户与密钥并在第三方平台充值，密钥仅本地保存；二是本地模型对显卡与内存有要求，配置不够时处理时间会拉长。

pyVideoTrans的应用场景

• 外语访谈做中文成片：导入素材后选发音语言和目标语言，用本地识别加在线大模型翻译，在暂停窗口里改完人名和术语再跑配音，最后嵌入双语硬字幕交付。
• 播客批量转文字：用独立的语音转录面板一次拖入多集音频，选大模型出带时间轴的 SRT，再按需切成纯文本，中文方言素材换成中文优化模型。
• 已有字幕换语言：手里有现成的 SRT 时，用批量翻译字幕面板保留时间轴换语言，输出单语或目标语言在上的双语版本。
• 服务器上无人值守批量处理：在 Linux 机器上用命令行串起识别与翻译任务，文字界面不需要显示器，跑完自动关机，适合夜里处理大批素材。
• 内网部署给团队用：用 Docker 起网页界面，同事在浏览器里上传素材和设置参数，配置和输出目录挂载到宿主机，方便统一管理。
• 给视频换音色：拿一段自己的录音作参考，用克隆类语音合成把整段字幕配成同一个音色，再回主界面做时间轴对齐。
• 网课素材本地化：把英文课程视频批量转成中文字幕加配音，勾选保留原始背景音乐，输出按课时分目录存放。
• 素材保密场景：全程用本地模型做识别、翻译和配音，素材不出本机，只在个别段落需要更高质量时再手工切到在线接口。

pyVideoTrans的适用人群

• 自媒体创作：做外语视频搬运或双语内容的人，用全自动流程出字幕和配音，对话段落交给多角色面板处理，省掉逐句对口型的时间。
• 开发者：愿意写脚本的人可以用命令行把识别与翻译串成流水线，或者把网页界面挂到内网给团队调用，也能接自己部署的兼容接口。
• 教师：做双语课件和慕课的老师可以在本地批量转字幕，不依赖外部平台额度，学生素材留在自己机器上处理。
• 科研人员：处理访谈录音和田野音频时，用语音转录面板批量出字幕，遇到中文方言或小语种可以换识别模型再跑一遍。
• 电商运营：给产品视频做多语言版本时，先用字幕翻译换语言再做配音，一次输出几套语言素材供不同站点投放。
• 办公通用：公司内部培训、会议录像需要转写和加字幕的岗位，用本地模式处理不便外传的内容。

同类工具对比

pyVideoTrans的同类竞品

PolyBuzzPolyBuzz 前身是 Poly.AI…HeyGenHeyGen 是一个用 AI 数字人做视…VideoLingoVideoLingo 是一个开源的 AI…剪映剪映是抖音官方出品的视频剪辑软件，电脑端…RaskRask最让人愿意掏钱的地方，是配音听起…