VideoLingo：一键字幕翻译加配音的开源流水线

把一条英文视频做成中文字幕版，传统路子是转录、人工切句、机翻、对轴、配音，十分钟的视频折腾几个小时。VideoLingo 把这条链做成了开源的一键流水线（截至 2026-10-08 仓库 18,702 stars，v3.1.1 发布于 9 月 27 日）：yt-dlp 拉视频，Qwen3-ASR 做词级识别对齐，NLP 和 AI 负责字幕分段，术语表保证译名一致，最后用 GPT-SoVITS、CosyVoice2 等后端配音，支持参考音频做声音克隆。项目口号是「Netflix 级字幕」，README 同时写明了前提：翻译质量取决于源音频、语言和所选模型。

核心功能

• 词级对齐：Qwen3-ASR 加 Qwen3-ForcedAligner 本地跑转写和时间轴，字幕切割位置跟词走，不按死字数硬切；想换 WhisperX 也可以手动装作后端。
• AI 字幕翻译配音三步走：直译 → 反思 → 意译重写，配自定义术语表，人名和专有名词前后一致。
• 配音可选克隆：GPT-SoVITS、OpenAI、Edge TTS、Fish Audio、F5-TTS、CosyVoice2 等后端，GPT-SoVITS 和 CosyVoice2 支持参考音频。
• 三种产出：纯字幕文件、双语字幕成片、配音成片，8 种输入语言。
• 过程可控：Streamlit 界面里可以暂停、恢复、停止单步任务，带详细日志和断点续跑，模型选择器会自动拉取你 API 下的全部模型列表。
• 给 agent 留接口：uv run start.py --api 起本地 HTTP API，脚本和 agent 可以批量提交任务、查进度、取结果；一次处理一个任务，通过 output/ 目录交换文件。

典型使用场景

• 知识搬运：YouTube 技术演讲出一版中文双语字幕。
• 出海团队给产品视频做多语言配音版本。
• 课程视频批量翻译归档，术语表统一译法。

快速上手

Windows 下载 Release 里的源码 zip，解压后双击 OneKeyStart.bat，首跑自动装 uv、Python 3.12 和 FFmpeg；三平台通用：

git clone https://github.com/Huanshere/VideoLingo.git
cd VideoLingo
uv run start.py   # 浏览器打开 Streamlit 界面

侧边栏填 LLM 的 API URL、Key 和模型名，贴一个 YouTube 链接就能跑通第一单；Apple Silicon 用 MLX 加速转写，Intel Mac 走 CPU，Linux 服务器有 NVIDIA 卡可以用官方 Docker 镜像部署（默认 CUDA 12.8.1/cu128）。

小结

做视频翻译搬运、要批量出双语字幕的团队，VideoLingo 把几小时的活压到十几分钟；本地 Qwen3-ASR 转写免费，但翻译和配音环节仍需自备 LLM 与 TTS 的 key，Streamlit 界面本身也做了多语言。Apache-2.0 协议，Python 3.12。README 自己写明翻译质量取决于源音频、语言和所选模型，重要片子出片前务必人工校对；Intel Mac 配音默认不带背景音。翻译完的成片要再加工，可以交给 video-use 让 agent 接手精剪。