快速使用入门

本教程将带您从零开始完成第一个视频翻译任务。

核心功能一览

全自动视频翻译、音频翻译：智能识别转录音视频中的说话声，生成源语言字幕文件，再翻译为目标语言字幕文件，接着进行配音，最后将新的音频与字幕合成到原视频中，一气呵成(左侧功能面板:翻译视频和音频)。
语音转录/音视频转字幕：批量将视频或音频文件中的人类说话声，精准转录为带时间轴的 SRT 字幕文件（左侧功能面板:批量语音转字幕）。
语音合成/文字转语音 (TTS)：利用多种先进的 TTS 渠道，为您的文本或 SRT 字幕文件生成高质量、自然流畅的配音(左侧功能面板:批量为字幕配音)。
SRT 字幕文件翻译：支持批量翻译 SRT 字幕文件，保留原有时间码和格式，并提供多种双语字幕样式(左侧功能面板:批量翻译srt字幕)。

一、软件工作原理

pyVideoTrans 的核心功能是「视频翻译」，将一个语言的视频自动翻译成另一个语言：

[原始视频] --> [语音识别] --> [字幕翻译] --> [语音合成] -->
	--> [音画同步对齐] --> [输出翻译视频]

通俗解释：

语音识别：像听写员一样，把视频里人物说的话逐字听写成字幕
字幕翻译：把听写出来的字幕翻译成目标语言
语音合成：用 AI 语音把翻译后的字幕"读"出来，生成配音
同步对齐：把新的配音和原视频画面重新对齐，确保声音和画面同步

整个过程完全自动化，您只需选择文件和设置参数，点击开始即可。

二、下载与安装

Windows 用户

下载预打包版本：点击下载Windows版
建议解压到只包含英文及数字的简短路径中（如 D:\pyVideoTrans）
双击 sp.exe 启动

⚠️ 请勿直接在压缩包内运行。如需 GPU 加速，请确保已安装 CUDA 12.8 和 cuDNN 9

解压路径示例

点击查看注意事项，可避免大多数错误

不要解压到 C:/Program Files、C:/Windows 等需要特殊权限的系统文件夹，因软件生成的文件和临时文件均需要写入解压路径中。
推荐将软件解压到仅包含英文和数字的文件夹中，例如 D:/videotrans，然后将压缩包解压到此文件夹内。强烈不建议包含任何中文、空格或特殊符号，存放路径也不可太深。
待翻译的视频请保持简短的文件名，例如30个字符内长度较好，而上百个字符则太长，叠加路径和其他命令后，在Windows下可能超过系统限制而报错。

文件名中也不要包含":?*等特殊符号，否则Win上同样可能报错，尤其从油管下载的视频，文件名通常超级长，还包括各种特殊符号，若不经修改直接使用，大概率在win系统上会遇到各种错误，建议修改为简短的名称并去除各种特殊符号。 4. Windows下请开启显示扩展名(默认是隐藏的)，能避免一些错误，尤其涉及参考音频填写时。

打开任意一个文件夹，点击导航栏--查看--文件扩展名,选中它，选中后mp4视频将会在名称后显示扩展名.mp4,wav音频会显示扩展名.wav

macOS / Linux 用户

安装依赖：

bash

# macOS
brew install ffmpeg libsndfile git
# Ubuntu/Debian
sudo apt-get install ffmpeg libsndfile1-dev

安装 uv：

bash

curl -LsSf https://astral.sh/uv/install.sh | sh

克隆并启动：

bash

git clone https://github.com/jianchang512/pyvideotrans.git
cd pyvideotrans
uv sync
uv run sp.py

详细源码部署文档

三、界面概览

启动软件后，主界面从上到下分为以下几行：

行	内容	说明
第1行	选择视频	支持 mp4/mkv/avi/mov/wav/mp3 等格式
第2行	语音识别	选择识别渠道和模型，用于将说话声转为字幕
第3行	翻译字幕	选择翻译渠道、源语言和目标语言，用于翻译上一步识别出的字幕
第4行	字幕配音	选择配音渠道和发音角色，为翻译好的字幕进行配音
第5行	同步对齐	音频加速、视频慢速、语速音量、嵌入字幕
第6行	开始执行	点击后开始处理
第7行	进度条	显示处理进度，点击打开输出文件夹
第8行	更多参数	降噪、背景声处理等高级选项

点击查看各个功能截图预览

左侧功能区。

翻译视频和音：智能识别转录音视频中的说话声，生成源语言字幕文件，再翻译为目标语言字幕文件，接着进行配音，最后将新的音频与字幕合成到原视频中，一气呵成()。
批量语音转字幕：批量将视频或音频文件中的人类说话声，精准转录为带时间轴的 SRT 字幕文件。
批量为字幕配音：利用多种先进的 TTS 渠道，为您的文本或 SRT 字幕文件生成高质量、自然流畅的配音。
批量翻译srt字幕：支持批量翻译 SRT 字幕文件，保留原有时间码和格式，并提供多种双语字幕样式。
音视频字幕合并：将音频、视频、字幕三者合并为一个视频文件

顶部菜单栏：进行全局配置。
翻译设置：配置各个翻译渠道（如OpenAI , Azure, DeepSeek ）的API Key和相关参数。
TTS设置：配置各配音渠道（如OpenAI TTS, Azure TTS）的API Key和相关参数，以及设置参考音频。
语音识别设置：配置语音识别渠道（如OpenAI API, 阿里ASR）的API Key和参数。
工具/选项：包含各种高级选项和辅助工具，如字幕格式调整、视频合并、人声分离等。

帮助/关于：查看软件版本信息、文档和社区链接。

免费/本地API/本地内置是什么意思

免费: 例如 Google翻译、微软翻译、Edge-TTS配音，这些渠道都是在线免费使用的，无需配置开箱即用，只是需注意有限流错误，高频使用时可能会遇到报错
本地API: 很多开源模型可自行在本地部署，部署并启动后，将API地址或WebUI地址填写在 pyVideoTrans 软件设置界面，软件即可通过该地址调用你部署的模型服务。例如 GPT-SoVITS / CosyVoice / F5-TTS 等
本地内置: 有些模型可以相对方便的集成到 pyVideoTrans 软件内，而无需单独另行部署，开箱可用，例如 VITS/Piper/Qwen3-TTS/Qwen3-ASR/SuperionTTS/ChatterBox等额，但需要注意，为避免软件体积无限膨胀，仅调用代码内置，模型本身并未内置，第一次使用时需在线下载模型。后续使用时可能也会检测模型更新，需保持联网状态，若想纯离线，你需要源码部署本软件并使用AI修改代码。

模型下载地址为 huggingface.co(被墙的国外模型站)/hf-mirror.com(国内镜像站)/modelscope.cn(阿里魔塔)/github.com(微软代码库)

四、第一次翻译：详细步骤

以「将中文视频翻译成英文」为例。

步骤 1：选择视频文件

点击「选择音频或视频」按钮，选择您要翻译的文件。支持 mp4/mkv/avi/mov/wav/mp3 等格式。

文件夹：勾选此项可批量处理整个文件夹内的所有视频。
清理已生成：若需对同一视频重新处理（而不是使用缓存），请勾选此项，否则会使用上次已生成的缓存文件。
输出到..：默认翻译后的文件保存到原视频目录下的 _video_out 文件夹，点击此按钮可单独设置翻译后视频的输出目录。
仅输出mp4：如果选中，则输出中只保留最终的翻译视频，其他字幕、音频等文件都会自动删除。
完成后关机：处理完所有任务后自动关闭计算机，适合大批量、长时间任务。

步骤 2：选择语音识别渠道

渠道	推荐场景	说明
`faster-whisper(本地内置)`	默认推荐	速度快、质量高
`openai-whisper(本地内置)`	高精度需求	准确度略高，速度较慢
`Qwen-ASR(本地内置)`	中文视频	中文识别效果特别好

模型选择：

tiny → 最快，准确度低
base / small → 平衡之选
medium → 较好效果
large-v3 → 最佳效果，需要 8GB+ 显存
large-v3-turbo → 推荐，速度与质量兼顾

二次识别和默认短句/LLM重新断句

二次识别:在选择配音并选择了嵌入单字幕时，可选中二次识别，将在配音完毕后再次对配音文件进行语音转录，生成较为简短的字幕嵌入视频内，确保字幕和配音精确对齐（在高级选项--语音识别区域--而设置二次识别的最长语音持续时间和最短语音持续时间，设置较小的值有利于生成短小字幕）
默认断句和LLM重新断句: LLM重新断句是指在语音识别出字幕文本后，将文本发送给AI大模型，修正错别字、重新切分长文本等，以得到更通顺流畅的结果，需配置DeepSeek或OpenAI ChatGPT具体使用哪个翻译渠道进行LLM重新断句，可在菜单-工具--高级选项-通用-LLM断句模型里选择，但注意使用LLM重新断句后结果也可能更糟糕，因效果取决于AI大模型本身智能，在克隆原音色(即配音角色是clone)时，不建议使用该断句方式，默认即可。

LLM重新断句的提示词在软件目录/videotrans/prompts/recharge/recharge-llm.txt中，可自行修改调整
如果选中了二次识别和LLM重新断句，将在二次识别后，对识别结果再次使用 LLM重新断句，提示词在文件软件目录/videotrans/prompts/recharge/recharge-llm.txt2中

点击查看所有支持的语音识别渠道

步骤 3：选择翻译渠道

渠道	说明
`Google(免费)`	翻译质量尚可，国内需要科学上网
`Microsoft(免费)`	无需代理，可能限流
`M2M100(本地)`	本地模型翻译
DeepSeek	AI大模型翻译质量佳，DeepSeek 物美价廉推荐使用

然后选择发音语言（视频中人物说的语言）和目标语言（希望翻译成的语言）。

点击查看所有支持的翻译渠道

步骤 4：选择配音渠道

渠道	说明
`Edge-TTS(免费)`	默认推荐，微软免费接口，声音自然
`Qwen3-TTS(本地内置)`	阿里本地模型，效果好速度慢
`ChatterBox(本地内置)`	多语言，效果好

选择渠道后，在「配音角色」下拉框中选择发音人。配音角色选中clone,代表将使用原始视频对应的音色进行配音

点击查看所有支持的配音渠道

步骤 5：调整同步与字幕

参数	默认值	说明
配音加速	✅ 选中	配音比原视频长时，加速配音匹配时长
视频慢速	☐ 不选	配音比原视频长时，放慢视频匹配配音
字幕嵌入类型	嵌入硬字幕	字幕永久烧录到画面

字幕类型：

不嵌入字幕：只替换声音
嵌入硬字幕：字幕永久烧录到画面
嵌入软字幕：字幕作为独立轨道，播放器可开关
嵌入硬字幕(双语)：同时显示原文和译文
嵌入软字幕(双语)：双语字幕，播放器可开关

点击查看视频翻译中的配音、字幕、画面同步对齐原理

步骤 6：开始执行

CUDA加速：如果你有英伟达显卡，并且配置好了 CUDA12.8 和 cuDNN9，可选中，语音识别阶段速度数倍提升

点击 🚀 开始执行 按钮，底部进度条实时显示进度，点击打开输出文件夹，完成后翻译视频自动保存到输出文件夹。

五、更多设置

设置更多参数

点击「设置更多参数」展开：

参数	说明
降噪	清除背景噪声
分离人声背景声	将人声与背景音乐分离
重新嵌入背景声	分离后将背景声重新嵌入
背景音量	调整背景音量（0.0-2.0）
标点处理	恢复标点 / 删除标点
配音语速	调整配音速度（-50% ~ +50%）
音量调整	调整配音音量（-95% ~ +100%）
音调	调整配音音调（-100Hz ~ +100Hz）

六、无损视频输出

确保满足以下所有条件，输出视频保持原始画质：

原始视频编码为 H.264 (libx264) 的 MP4 文件
不勾选「视频自动慢速」
字幕类型选择「不嵌入字幕」或「嵌入软字幕」
高级选项中，264/265编码选择 264

七、完整高级选项参考

通过 菜单 -> 工具 -> 高级选项 进入：

点击查看菜单-工具-高级选项各个参数使用说明

通用设置

参数	说明	默认值
软件界面语言	修改后需重启	zh
单视频交互翻译暂停倒计时	暂停编辑的秒数	30
独立功能输出目录	批量功能的输出位置	output/
失败后重试次数	可恢复错误的重试次数	1
CPU同时任务数	最大 CPU 并发数	自动
GPU同时任务数	GPU 并发数	1

视频输出控制

参数	说明	默认值
视频输出质量控制 (CRF)	0=无损，51=质量差	23
输出视频压缩率	ultrafast→veryslow	medium
264/265编码	264兼容性好，265压缩比大	264
输出视频格式	mp4 或 mkv	mp4

语音识别参数

参数	说明	默认值
语音阈值	VAD 语音概率阈值	0.5
最长语音持续(秒)	超过此时长强制分割	6
最短语音持续(毫秒)	小于此值合并到相邻字幕	3000
静音分割持续毫秒	大于此值的静音处分割	140
beam_size	识别精度 1-5	5

字幕翻译调整

参数	说明	默认值
传统翻译渠道每批字幕行数	每次发送的行数	5
AI翻译渠道每批字幕行数	每次发送的行数	20
发送完整字幕	AI翻译时附带时间轴	是

字幕配音调整

参数	说明	默认值
并发配音线程数	同时配音的线程数	1
EdgeTTS配音并发数	越大越快但可能限流	10

字幕声音画面对齐

参数	说明	默认值
音频加速最大倍数	最大加速倍率	100
视频慢放最大倍数	最大慢放倍率	10
中日韩字幕单行字符数	超过将换行	15

八、常见问题

Q: 处理速度很慢？

确保已启用 GPU 加速（CUDA）
使用较小的模型
确保显卡驱动已更新

Q: 识别结果不准确？

检查「发音语言」是否选择正确
尝试更换更大的模型
开启「降噪」功能
调整「语音阈值」参数

Q: 翻译后声音、字幕、画面不同步？

这是正常现象。不同语言的音节数和语法结构不同，配音时长必然变化。解决方案：

启用「音频加速」（默认已启用）
可同时启用「视频慢速」
设置「配音语速」加快整体速度

Q: 输出视频文件太大？

增大「视频输出质量控制」的值（如 25-30）
将编码从 264 改为 265
关闭「视频慢速」

Q: 如何使用 GPU 加速？

确保已安装 NVIDIA 显卡驱动、CUDA 12.8 和 cuDNN 9.11，然后在主界面勾选「CUDA 加速」。AMD 显卡不支持 CUDA 加速。

Q: 无损视频输出的条件？

原始视频编码为 H.264 MP4 + 不勾选视频慢速 + 不嵌入硬字幕 + 编码选择 264。

快速使用入门 ​

一、软件工作原理 ​

二、下载与安装 ​

Windows 用户 ​

macOS / Linux 用户 ​

三、界面概览 ​

四、第一次翻译：详细步骤 ​

步骤 1：选择视频文件 ​

步骤 2：选择语音识别渠道 ​

步骤 3：选择翻译渠道 ​

步骤 4：选择配音渠道 ​

步骤 5：调整同步与字幕 ​

步骤 6：开始执行 ​

五、更多设置 ​

六、无损视频输出 ​

七、完整高级选项参考 ​

通用设置 ​

视频输出控制 ​

语音识别参数 ​

字幕翻译调整 ​

字幕配音调整 ​

字幕声音画面对齐 ​

八、常见问题 ​

Q: 处理速度很慢？ ​

Q: 识别结果不准确？ ​

Q: 翻译后声音、字幕、画面不同步？ ​

Q: 输出视频文件太大？ ​

Q: 如何使用 GPU 加速？ ​

Q: 无损视频输出的条件？ ​

相关文档 ​

快速使用入门

一、软件工作原理

二、下载与安装

Windows 用户

macOS / Linux 用户

三、界面概览

四、第一次翻译：详细步骤

步骤 1：选择视频文件

步骤 2：选择语音识别渠道

步骤 3：选择翻译渠道

步骤 4：选择配音渠道

步骤 5：调整同步与字幕

步骤 6：开始执行

五、更多设置

六、无损视频输出

七、完整高级选项参考

通用设置

视频输出控制

语音识别参数

字幕翻译调整

字幕配音调整

字幕声音画面对齐

八、常见问题

Q: 处理速度很慢？

Q: 识别结果不准确？

Q: 翻译后声音、字幕、画面不同步？

Q: 输出视频文件太大？

Q: 如何使用 GPU 加速？

Q: 无损视频输出的条件？

相关文档