开源的端侧语音工具包,提供语音转文字、意图识别和文字转语音,适合构建实时语音应用与智能体。
- Star
- 19,453
- Fork
- 2,409
- 未关闭 Issue
- 8
- 最近提交
- 5天前
这是什么?
pyVideoTrans 将视频从一种语言翻译成另一种语言,流程包括语音识别生成字幕、大模型或机器翻译完成字幕翻译、文字转语音生成配音,最后把配音和字幕合成回视频。也可以单独用于批量音频转 SRT 字幕、字幕翻译或文字转语音。
支持本地离线模型(如 Faster-Whisper、Ollama),也支持 OpenAI、Azure、DeepSeek、Edge-TTS 等在线 API。多角色配音可为不同说话人分配不同音色,并可通过 F5-TTS、CosyVoice、GPT-SoVITS 等模型进行声音克隆。每个阶段都可暂停,手动校对识别、翻译或配音结果。
除桌面图形界面外,还提供命令行工具用于无界面和批处理场景,以及基于浏览器的 WebUI 用于远程或内网部署。Windows 用户可直接下载打包版本,源码部署使用 uv 管理依赖并需要安装 FFmpeg。
核心功能
- 01从语音识别、字幕翻译到配音和视频合成的一键自动流程
- 02支持说话人区分,并可为不同角色分配 AI 配音
- 03通过 F5-TTS、CosyVoice、GPT-SoVITS 实现声音克隆
- 04同时支持 Faster-Whisper、Ollama 等本地模型和多种在线 API
- 05每个阶段可暂停并手动校对
- 06提供命令行工具和浏览器 WebUI
适用场景
- 将外语视频翻译成另一种语言的字幕版或配音版
- 批量将音视频文件生成 SRT 字幕
- 为已有视频添加按说话人区分的 AI 配音
- 在本地机器或内网服务器上离线完成转写与翻译
快速上手
- 1
从发布页下载预打包的 Windows 版本
- 2
克隆代码仓库
git clone https://github.com/jianchang512/pyvideotrans.git - 3
使用 uv 安装依赖
uv sync - 4
启动图形界面
uv run sp.py
使用前须知
- 源码部署需要单独安装 FFmpeg。
- GPU 加速需要 NVIDIA 显卡并安装 CUDA 12.8 和 cuDNN 9.11。
- 许多翻译和语音合成渠道依赖付费或第三方 API 密钥。
- 采用 GPL-3.0 许可证,衍生发布版本也须开源。
标签
常见问题
- pyvideotrans 是什么?
- 开源视频翻译工具,集成语音识别、字幕翻译、AI 配音与音视频合成。 pyVideoTrans 将视频从一种语言翻译成另一种语言,流程包括语音识别生成字幕、大模型或机器翻译完成字幕翻译、文字转语音生成配音,最后把配音和字幕合成回视频。也可以单独用于批量音频转 SRT 字幕、字幕翻译或文字转语音。
- pyvideotrans 可以免费使用吗?用的什么许可证?
- pyvideotrans 以 GPL-3.0 许可证开源。用于商业产品前,请先确认许可证条款。
- pyvideotrans 还在维护吗?
- 活跃维护中。pyvideotrans 最近一次提交是在 2026年10月15日。
- pyvideotrans 适合用来做什么?
- 将外语视频翻译成另一种语言的字幕版或配音版 批量将音视频文件生成 SRT 字幕 为已有视频添加按说话人区分的 AI 配音 在本地机器或内网服务器上离线完成转写与翻译
- pyvideotrans 怎么安装和运行?
- 从发布页下载预打包的 Windows 版本 克隆代码仓库: git clone https://github.com/jianchang512/pyvideotrans.git 使用 uv 安装依赖: uv sync 启动图形界面: uv run sp.py
- 在哪里获取 pyvideotrans?
- 源代码和安装说明在 GitHub 上:https://github.com/jianchang512/pyvideotrans
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
1.1万620C++Other更新于 18天前
本地离线运行的 Python 语音处理工具,集成语音识别、语音合成、声音克隆与转换、音乐生成等功能。
52392PythonAGPL-3.0更新于 19天前
本地优先的开源 AI 语音工作室,支持克隆声音、生成语音、语音听写和为 AI 智能体提供语音输出。
5.8万7269PythonMIT更新于 14天前
开源文本转语音系统,支持声音克隆、自然语言控制情绪和多角色语音生成。
3.3万2894PythonOther更新于 6天前
Resemble AI 开源的文本转语音模型系列,支持基于参考音频的声音克隆,覆盖英语及多种其他语言。
2.7万3649PythonMIT更新于 3个月前
开源 Python 框架,用于构建实时语音和多模态 AI 智能体,可插拔接入语音、大模型与传输服务。
1.7万2904PythonBSD-2-Clause更新于 23小时前