VideoLingo:视频字幕翻译与配音流水线
在 Streamlit 界面中整合语音识别、字幕翻译、断句与配音,输出字幕文件及带字幕或配音的视频。
VideoLingo 是一个把语音识别、字幕翻译、断句分割与配音整合在 Streamlit 界面中的视频本地化工具,可通过 yt-dlp 下载 YouTube 视频,使用 Qwen3-ASR 与 ForcedAligner 做词级识别与对齐,结合 NLP 与 AI 断句、自定义与 AI 生成术语表进行翻译,再由 GPT-SoVITS、OpenAI、Edge TTS 等配音方案生成语音,最终输出字幕文件以及带字幕或配音的视频。界面支持多语言、详细日志与进度恢复、模型搜索与 API 自动拉取,以及暂停、恢复、停止等任务控制;另提供本地 HTTP API 供脚本与 Agent 调用。支持 Windows、macOS 与 Linux,Windows 提供一键安装脚本,也可用源码或 Docker 部署。README 列出了明确限制:背景噪声与对齐模型会影响时间戳,LLM 输出须满足工作流要求的 JSON 结构,配音质量与同步依赖翻译与 TTS 服务,混合语言语音的时间与文本不保证准确,且不会自动为不同说话人分配音色。