把一条外片变成”母语电影”需要几步？pyVideoTrans 给出的答案是一步：扔进视频，等它跑完——语音识别、字幕翻译、多角色配音、音画同步全部自动完成。这个 19.3k Star、2.4k Fork 的开源项目（作者jianchang512，GPL-3.0，最新版 v4.15 于 10 月 4 日发布）做了三年多，已经是视频翻译这个赛道里最成熟的自托管方案之一。
一键流水线：ASR → 翻译 → TTS → 合成
核心流程就是四步管线，GUI 里点一下，CLI 里一条命令：
- 语音识别（ASR）：Faster-Whisper 本地跑（推荐，快且准），也接 OpenAI Whisper、阿里 Qwen3-ASR、字节火山、Azure、Google——中文场景国内 API 效果尤其好。还支持说话人分离：能把不同角色的台词拆开。
- 字幕翻译：接 LLM——DeepSeek、ChatGPT、Claude、Gemini、MiniMax、阿里百炼，或者 Ollama 完全本地离线翻译；不想用大模型也有 Google/Microsoft 传统机翻兜底。带上下文理解，比逐句机翻自然。
- 语音合成（TTS）：Edge-TTS 微软免费接口起步（零成本就能用），要质量有 OpenAI/Azure/302.AI，要开源本地有 ChatTTS、ChatterBox；多角色配音能给不同说话人分配不同声线。
- 音画合成：自动对齐时间轴，输出成品视频。
声音克隆也内置了：集成 F5-TTS、CosyVoice、GPT-SoVITS、OmniVoice 等模型，零样本克隆——想让”译制腔”变成原主播说外语，这条路是通的。
三个入口：GUI、CLI、WebUI，外加免安装 exe
- Windows 用户：Releases 下载预打包版，解压双击
sp.exe就能用，不碰 Python 环境（注意解压路径别带中文和空格）。 - 开发者：推荐
uv三连——git clone→uv sync→uv run sp.py。 - 团队部署：
uv sync --extra webui起浏览器界面（远程/内网），或docker run -p 7860:7860容器化——服务器批量转译直接挂 CLI。
CLI 四种任务直接批处理：
# 视频翻译 / 语音转字幕 / 字幕翻译 / 文字配音
uv run cli.py --task vtv --name "./video.mp4" --source_language_code zh-cn --target_language_code en --voice_role "en-US-GuyNeural"
uv run cli.py --task stt --name "./audio.wav" --model_name large-v3
uv run cli.py --task sts --name "./subs.srt" --target_language_code en
uv run cli.py --task tts --name "./subs.srt" --voice_role "zh-CN-YunyangNeural"
有 N 卡的还能上 CUDA 加速（官方给出 CUDA 12.8 + cuDNN 9.11 配置），识别速度翻倍。
细节上见真功夫的几点
- 每一步都能人工介入：识别、翻译、配音各阶段都可暂停校对——纯自动管线最怕一处错到底，这个设计把纠错点放在了流程里。
- 辅助工具集齐全：人声分离、视频/字幕合并、音画对齐、文稿匹配，处理”字幕和画面对不上”这种脏活不用再找别的工具。
- 渠道可扩展：文档里有”新增翻译渠道”开发指南，想接自家网关按模板加就行。
- 社区答疑：官方问答区提交报错日志会有 AI 自动分析，比对着日志自己猜快得多。
上手与门槛
git clone https://github.com/jianchang512/pyvideotrans.git
cd pyvideotrans && uv sync
uv run sp.py # GUI
前置条件就两样：Python 3.10（用 uv 管理）+ FFmpeg（装进 PATH）。翻译和配音的效果取决于你接的渠道——全用 Edge-TTS + 本地 Whisper 是零 API 成本方案；接 DeepSeek/火山这类付费渠道质量更好。
项目定位是开源免费非商业使用，README 也写明了免责声明：调用第三方 API 或处理有版权视频的法律后果自负——拿来做自己的内容出海、课程本地化没问题，商用素材注意版权。
仓库：github.com/jianchang512/pyvideotrans ｜ 官方文档：pyvideotrans.com ｜ 问答社区：bbs.pyvideotrans.com
