VideoLingo: 连接世界的每一帧

QQ 群：875297969

🌟 简介（在线体验！ (opens in a new tab)）

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：

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

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* 😊

*本地识别使用 Qwen3-ASR（默认 1.7B，可选 0.6B）。

翻译语言支持所有语言，配音语言取决于选取的TTS。

VideoLingo 支持 Windows、macOS（Apple Silicon / Intel）和 Linux。

如果你的 AI Agent 可以操作这台电脑，直接告诉它：

帮我安装 GitHub 上的 Huanshere/VideoLingo，并启动它。

git clone https://github.com/Huanshere/VideoLingo.git && cd VideoLingo
uv run start.py

以后在 VideoLingo 文件夹中运行 uv run start.py 即可启动。

Linux NVIDIA 容器使用 Docker、兼容驱动和 NVIDIA Container Toolkit。镜像采用相同的 Python 3.12 安装流程，详见 Docker 文档：

docker build -t videolingo .
docker run -d -p 8501:8501 --gpus all videolingo

本项目支持 OpenAI-Like 格式的 api 和多种配音接口：

详细的安装、 LLM 配置和使用说明可以参见文档：English | 简体中文

转录和词级时间轴可能受到视频背景声影响。对于背景音乐较大的视频，请开启人声分离增强：Qwen3-ASR 仍对原始音频转写，ForcedAligner 用分离出的人声对齐。对齐后的词会按启发式规则贴回标点，少数情况下个别词可能丢失标点。
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。
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。
多语言视频转录识别只对主要语言可靠，对齐时每个音频窗口只使用一种语言，其他语言的文字和时间轴不保证准确。
无法多角色分别配音，识别环节不区分说话人。

本项目采用 Apache 2.0 许可证，衷心感谢以下开源项目的贡献：