理想的翻译视频应具备以下特性：字幕准确、长度适宜，配音音色与原声一致，且字幕、声音、画面完美同步, 出于易用性考虑，软件默认配置并非最佳，你可以参考以下说明，自行调整每个步骤的最佳配置。

第一步：语音识别

• 目标: 将视频中的语音转换为对应语言的字幕文件。

• 对应控制元素: “语音识别”行
  

• 非中文最佳配置:

  • 免费 open-whisper(本地) large-v3模型 | faster-whisper(本地) large-v3模型
  • 收费 OpenAI语音识别API

• 中文最佳配置:

  • 免费 Qwen-ASR(本地)
  • 收费： 豆包语音识别大模型 | 阿里百炼ASR

• 日语最佳

  • 免费： Huggingface_ASR -> reazon-research/japanese-wav2vec2-large-rs35kh
  • 收费: OpenAI语音识别API

• 小语种最佳配置:

  • 收费：Gemini大模型识别 | OpenAI语音识别API

• 注意： 如果没有N卡或未配置CUDA环境未启用CUDA加速，使用本地模型时处理速度极慢。显存不够大时可能崩溃。

第二步：字幕翻译

• 目标: 将第一步生成的字幕文件翻译成目标语言。

• 对应控制元素: “翻译渠道”行
  

• 最佳配置:

  • 首选AI渠道(收费): OpenAI ChatGPT(最新上线的模型) 、Gemini(最新上线模型)、DeepSeek

第三步：配音

• 目标: 根据翻译后的字幕文件生成配音。
• 对应控制元素: “配音渠道”行
  
• 最佳配置:
  • 免费：Edge-TTS: 免费并支持所有语种
  • 免费：中英日韩：Qwen-TTS(本地)、F5-TTS/Index-TTS/GPT-SOVITS/CosyVoice(本地)
  • 收费： 豆包语音合成2.0 / Qwen-TTS(bailian) / 302.AI / Minimaxi / OpenAI-TTS
  • 克隆语音：Qwen-TTS(本地)、GPT-SOVITS、CosyVoice、F5-TTS、Index-TTS、Chatterbox

第四步：字幕、配音、画面同步对齐

• 目标: 将字幕、配音和画面进行同步处理。

• 对应控制元素: 同步对齐行
  

• 最佳配置:

  • 选中二次识别，将在配音完成后对配音文件再次语音识别生成时间轴精准的字幕
  • 中文翻译成英文时，可设置 配音语速 值 (例如 10 或 15) 以加快配音速度，因为英文句子通常较长。
  • 选中 配音加速 和 视频慢速 2个选项，强制对齐字幕、声音和画面，也可以两者只选中一个。

第五步：其他有助于质量提升的选项

1. 选中发送完整字幕，同时选中菜单-工具-高级选项-AI翻译附带完整原字幕，并将AI翻译渠道每批次字幕行数设为100或更大，将得到更好的翻译质量，但注意，必须使用具有极大上下文的在线AI大模型，例如 GPT-5.2+/Gemini-3-pro+/DeepSeek-v3.2等
2. 如果选择了clone角色，建议同时选中分离人声背景声(在设置更多参数中),否则克隆质量不佳或出错。 再打开 菜单-工具-高级选项-语音识别参数-最短语音持续毫秒设为 3000 ，将最长语音持续秒数设为 10 ，因为 语音克隆时会自动将字幕时长对应的原始语音片段作为参考音频，而多数配音渠道均要求该参考音频时长在 3-10s 之间，否则配音很可能失败。同时应该选中 Whisper预分割音频以及合并过短字幕到相邻，以确保字幕时长能够落在 3-10s 之间。