狂揽17.6k+star的短视频工具，一键全自动搬运AI字幕组，网飞级别，

VideoLingo 是一站式视频翻译本地化配音工具，能够一键生成 Netflix 级别的高质量字幕，告别生硬机翻，告别多行字幕，还能加上高质量的克隆配音，让全世界的知识能够跨越语言的障碍共享。

主要特点和功能：

• 🎥 使用 yt-dlp 从 Youtube 链接下载视频
• 🎙️ 使用 WhisperX 进行单词级和低幻觉字幕识别
• 📝 使用 NLP 和 AI 进行字幕分割
• 📚 自定义 + AI 生成术语库，保证翻译连贯性
• 🔄 三步直译、反思、意译，实现影视级翻译质量
• ✅ 按照 Netflix 标准检查单行长度，绝无双行字幕
• 🗣️ 支持 GPT-SoVITS、Azure、OpenAI 等多种配音方案
• 🚀 一键启动，在 streamlit 中一键出片
• 🌍 多语言支持就绪的 streamlit UI
• 📝 详细记录每步操作日志，支持随时中断和恢复进度
• 🔍 模型搜索选择器，自动从 API 获取完整模型列表，支持搜索筛选
• ⏯️ 任务控制 — 处理过程中可随时暂停、继续或停止

与同类项目相比的优势：绝无多行字幕，最佳的翻译质量，无缝的配音体验

语言支持

输入语言支持：

🇺🇸 英语 🤩 | 🇷🇺 俄语 😊 | 🇫🇷 法语 🤩 | 🇩🇪 德语 🤩 | 🇮🇹 意大利语 🤩 | 🇪🇸 西班牙语 🤩 | 🇯🇵 日语 😐 | 🇨🇳 中文* 😊

*中文使用单独的标点增强后的 whisper 模型

翻译语言支持所有语言，配音语言取决于选取的TTS。

安装

注意: 在 Windows 上使用 NVIDIA GPU 加速需要先完成以下步骤:

1. 安装 CUDA Toolkit 12.6
2. 安装 CUDNN 9.3.0
3. 将 C:\Program Files\NVIDIA\CUDNN\v9.3\bin\12.6 添加到系统环境变量 PATH 中
4. 重启电脑

注意: FFmpeg 是必需的，请通过包管理器安装：

• Windows：choco install ffmpeg（通过 Chocolatey）
• macOS：brew install ffmpeg（通过 Homebrew）
• Linux：sudo apt install ffmpeg（Debian/Ubuntu）

方式一：使用 uv（推荐，无需安装 Anaconda）

uv 会自动下载 Python 3.10 并创建隔离环境，你不需要自己安装 Python 或 Anaconda。

为什么用 uv 而不是 conda？

• Anaconda 安装包约 4GB，而 uv 只有约 30MB
• uv 能自动下载并管理所需的 Python 版本，不会和系统已有的 Python 冲突
• 安装速度快 10-100 倍（Rust 编写，并行下载）
• 一条命令搞定，不需要学习 conda 命令

1. 克隆仓库

git clone https://github.com/Huanshere/VideoLingo.git
cd VideoLingo

1. 一键安装（自动安装 uv + Python 3.10 + 所有依赖）

一键安装（自动安装 uv + Python 3.10 + 所有依赖）

1. 启动应用

.venv\Scripts\streamlit run st.py        # Windows
.venv/bin/streamlit run st.py            # macOS / Linux

限制

1. WhisperX 转录效果可能受到视频背景声影响，因为使用了 wav2vac 模型进行对齐。对于背景音乐较大的视频，请开启人声分离增强。另外，如果字幕以数字或特殊符号结尾，可能会导致提前截断，这是因为 wav2vac 无法将数字字符（如"1"）映射到其发音形式（"one"）。
2. 使用较弱模型时容易在中间过程报错，这是因为对响应的 json 格式要求较为严格。如果出现此错误，请删除 output 文件夹后更换 llm 重试，否则重复执行会读取上次错误的响应导致同样错误。
3. 配音功能由于不同语言的语速和语调差异，还受到翻译步骤的影响，可能不能 100% 完美，但本项目做了非常多的语速上的工程处理，尽可能保证配音效果。
4. 多语言视频转录识别仅仅只会保留主要语言，这是由于 whisperX 在强制对齐单词级字幕时使用的是针对单个语言的特化模型，会因为不认识另一种语言而删去。
5. 无法多角色分别配音，whisperX 的说话人区分效果不够好用。

项目地址：https://github.com/Huanshere/VideoLingo