pyVideoTrans：给外语视频做中文字幕，校对后再接配音

一段外语操作视频，要给同事做成中文字幕版，最容易返工的地方往往是前面的听写：产品名听错了，后面翻译和配音会把错误继续带下去。pyVideoTrans 把语音转写、字幕翻译、配音和视频合成接在同一个工具里，也允许在中间暂停修改。对需要交付可编辑字幕和本地成片的人，这种分阶段处理比一次输出到底更有用。

交付物可以停在字幕这一步

例如，假设你拿到一段有使用授权的英文设备操作录像，要交给中文售后团队。输入是原视频，第一份应检查的结果是带时间轴的原文字幕；确认型号、数字和操作动词后，再把它译成中文，输出字幕文件。只有培训材料确实需要中文旁白时，才进入语音合成，最后将音轨和画面合并。这是任务示例，并非本文的实际生成结果。

官方中文说明提供了独立的语音转录、字幕翻译和文字配音入口。已有 SRT 的人可以直接翻字幕；只要逐字稿的人也可以止步于转录，无须顺便制作一段新视频。这里的 SRT 是带起止时间的文本，后续仍能交给字幕或剪辑软件修改。

界面里的三行设置，各管一件事

官方 README 截图，标题栏为 v4.08。STT Service、TranslateSrt、TTS Service 分别对应识别、翻译、配音；画面展示设置关系，没有展示中文成片质量。可打开原图查看界面细节。

这张图值得注意的是，识别选了本地 faster-whisper，翻译选了 DeepSeek，而配音服务又是另一项。它们是可以分开配置的环节，不能把某个模型的能力算给整条流程。截图中的 Voices 为 No，也提醒我们：选了配音服务，不等于当前任务一定会生成新声音。

架构说明进一步解释，原文与目标语言不同时才需要翻译，选定配音角色后才进入 TTS；字幕、音频和视频最后由合成环节组合。这给排错提供了具体位置：中文台词内容错，检查原文识别和翻译；文字正确但读音错，检查配音；声音赶不上镜头，则检查对齐。

人工校对的位置决定返工成本

延续前面的设备录像示例，假设原声说的是型号“AX-15”，识别结果却变成“AX-50”，应在原文阶段纠正，而不是等配音完成后再改中文字幕。又如，一个警示句被拆成两条字幕，单看每条都通顺，合起来却漏掉否定词，就需要对照完整语句和原声检查。软件允许在识别、翻译、配音阶段暂停校对，价值正在这些具体修改处。

配音还有时间约束。同一句话译成中文后，合成语音的长度可能改变；工具提供配音加速、视频慢放等对齐方式。它们改变播放节奏，并不能自动保证解说自然。含有按钮操作、口型或演示动作的片段，尤其应逐段试听和对画面；需要保留原讲者声音时，字幕版可能已经是更合适的交付。

本地运行与外部调用要逐项看

本地 faster-whisper 路线需要准备模型文件和计算资源；翻译可以选择本地 Ollama 等路线，也可以调用在线服务。调用云端识别会向对应服务发送音频，云端翻译会发送字幕文本，云端 TTS 会接收待朗读文本；所以“程序在电脑上运行”不能推导出材料从不离开电脑。

仓库的代码许可证为 GPL-3.0。它与集成模型的权重许可、第三方 API 的费用和可用地区是不同问题。README 将 Edge-TTS 标为免费接口，也不能据此把它称为离线语音模型，更不能承诺接口长期可用。处理内部培训材料时，应逐个确认所选服务，再决定上传范围。

从一段短片开始配置

Windows 用户可以从官方 Releases取预打包版本，解压到不含中文和空格的路径，运行 sp.exe。macOS、Linux 或需要源码运行的人，按中文 README 准备 Python、FFmpeg 与依赖；显卡加速还有单独条件。

第一次使用，适合拿一段包含术语和完整句子的授权短片，先检查原文 SRT，再检查中文表达，最后决定是否配音。pyVideoTrans 的选择价值，是让这几份产物各自可检查、可修改，再组合成交付版本；它不替你作出术语、声音和发布权限的最终判断。