使用文档-全面指南

本页面文档匹配 v4.12 版本

核心功能：视频翻译 / 语音转录 / 文字配音 / 翻译字幕

视频翻译：将A语言发音的视频，翻译为B语言发音和B语言字幕的视频，(左侧功能面板:翻译视频)
语音转录/语音识别：批量将音视频中的人类说话声，转录为带时间轴的 SRT 字幕文件 （左侧功能面板:语音转录）
语音合成/文字配音：利用多种本地TTS模型或在线API，为字幕或文本生成高质量的配音 (左侧功能面板:文字配音)
翻译字幕：支持批量翻译 SRT 字幕文件，保留原有时间码和格式 (左侧功能面板:翻译字幕)

为什么不同功能支持的语言数量不同？

核心原因：最终能支持哪些语言，取决于您当前选用的「底层模型」或「服务渠道」。不同模型和API在语种覆盖度上差异极大：

语音识别：
- Whisper 系列：覆盖最广，支持多达 99 种全球语言。
- Qwen-ASR 等通用大模型：主打高质量识别，支持约 15 种常见主流语言。
- Firered中文 等专用模型：属于针对性优化的垂直模型，仅支持单一语言（中文）。
语音合成 / 配音 (TTS)：
- Edge-TTS：微软生态，支持多达 80 种语言及各类方言。
- Qwen-TTS：目前覆盖约 10 种主流语言。
- ZipVoice 等特色音色模型：仅支持中、英双语。
字幕翻译：
- DeepL、腾讯翻译 等传统翻译接口：深耕常见语种（10~30 种），翻译质量高但语种有限。
- 大语言模型 (LLM)：通过理解上下文翻译，几乎支持所有能被识别的自然语言。

⚠️ 重要提醒：视频翻译中的语种选择避坑指南

视频翻译下拉菜单中目前共收录了约 80 种语言，在使用时请遵循以下规则：

1. 前 20~30 种常见语言（中、英、日、韩、法、德、西等）

兼容性最好： 软件已为各大翻译接口做好了专有的语言代码映射（Language Code）。
推荐渠道： 无论是传统翻译接口（DeepL、百度、腾讯），还是 AI 大模型（OpenAI、DeepSeek 等），均可稳定使用。

2. 后 50 种左右的小众语言 / 稀有语种

强烈建议：翻译渠道仅选择「AI 大语言模型」（如 DeepSeek / OpenAI / Gemini 等）！
为什么不能选传统接口？
- 接口本身不支持： 传统翻译渠道（如 DeepL、国内各类云厂商翻译）大多没有覆盖这些小语种。
- 语言代码不匹配（技术原因）： 不同服务商对冷门语言的代码定义差异很大（例如同一语种，A 接口叫 fil，B 接口叫 tl）。软件目前未对后 50 种冷门语言做全渠道的代码映射适配，强行使用传统接口极易直接报错中断。
- AI 模型的优势： AI 模型（LLM）基于语义理解，能够直接识别自然语言名称，无需严格依赖接口代码，容错率极高。

  "zh-cn": "简体中文",
  "zh-tw": "繁体中文",
  "yue": "粤语",
  "en": "英语",
  "fr": "法语",
  "de": "德语",
  "ja": "日语",
  "ko": "韩语",
  "ru": "俄语",
  "es": "西班牙语",
  "th": "泰国语",
  "it": "意大利语",
  "pt": "葡萄牙语",
  "vi": "越南语",
  "ar": "阿拉伯语",
  "tr": "土耳其语",
  "hi": "印度语",
  "hu": "匈牙利语",
  "uk": "乌克兰语",
  "id": "印度尼西亚",
  "ms": "马来语",
  "kk": "哈萨克语",
  "cs": "捷克语",
  "pl": "波兰语",
  "nl": "荷兰语",
  "sv": "瑞典语",
  "he": "希伯来语",
  "bn": "孟加拉语",
  "fil": "菲律宾语",
  "bg": "保加利亚语",
  "my": "缅甸语",
  "fi": "芬兰语",
  "el": "希腊语",
  "km": "高棉语",
  "lo": "老挝语",
  "nb": "挪威语(书面挪威语)",
  "ro": "罗马尼亚语",
  "uz": "乌兹别克语",
  "pt-br": "葡萄牙语(巴西)",
  "es-419": "西班牙语(拉美)",
  "fa": "波斯语",
  "ur": "乌尔都语",

# 以下语言建议翻译渠道里仅使用AI渠道，否则可能因其他渠道不支持该语言，或要求的语言代码不匹配而报错

  "af": "南非荷兰语",
  "sq": "阿尔巴尼亚语",
  "am": "阿姆哈拉语",
  "az": "阿塞拜疆语",
  "bs": "波斯尼亚语",
  "ca": "加泰罗尼亚语",
  "hr": "克罗地亚语",
  "da": "丹麦语",
  "et": "爱沙尼亚语",
  "gl": "加利西亚语",
  "ka": "格鲁吉亚语",
  "gu": "古吉拉特语",
  "is": "冰岛语",
  "iu": "因纽特语",
  "ga": "爱尔兰语",
  "jv": "爪哇语",
  "kn": "卡纳达语",
  "lv": "拉脱维亚语",
  "lt": "立陶宛语",
  "mk": "马其顿语",
  "ml": "马拉雅拉姆语",
  "mt": "马耳他语",
  "mr": "马拉地语",
  "mn": "蒙古语",
  "ne": "尼泊尔语",
  "ps": "普什图语",  
  "sr": "塞尔维亚语",
  "si": "僧伽罗语",
  "sk": "斯洛伐克语",
  "sl": "斯洛文尼亚语",
  "so": "索马里语",
  "su": "巽他语",
  "sw": "斯瓦希里语",
  "ta": "泰米尔语",
  "te": "泰卢固语",  
  "cy": "威尔士语",
  "zu": "祖鲁语",
  "ug": "维吾尔语",

💡 新手极简建议：
如果您翻译的是中、英、日、韩等大众语言，选哪个渠道都可以；
如果翻译的是小语种、冷门语言，翻译渠道无脑选 AI 模型（如 DeepSeek / ChatGPT）即可保证成功率。

一、软件工作原理

本软件的核心功能是 翻译视频 ，将一种语言的视频翻译为另一个语言发音和字幕的视频：

通俗解释：

语音转录/识别：像听写员一样，把视频里人物说的话逐字听写成字幕
字幕翻译：把听写出来的字幕翻译成目标语言字幕
文字配音：即语音合成，使用各种TTS渠道将字幕使用某种音色"读"出来，生成配音
同步对齐：把新的配音和原视频画面重新对齐，确保声音和画面同步，并嵌入字幕，生成新视频

整个过程完全自动化，您只需选择文件和设置参数，点击开始即可。

可处理：任何包含清晰人类语音的音视频（无论视频本身是否有字幕）。
无法处理：仅有背景音乐/画面但无人声说话的视频。
无法抹除视频中的硬字幕

二、下载与安装

Windows 用户

可下载预打包版本：点击下载Windows版
建议解压到 只包含英文及数字的简短路径中（如 D:\pyVideoTrans）
双击 sp.exe 启动，⚠️ 请勿直接在压缩包内双击 sp.exe 运行。

如需 GPU 加速，请确保已安装 CUDA 12.8 和 cuDNN 9

💡 点击查看新手注意事项（避开 90% 的常见报错）

为了保证软件正常运行，避免各种报错，使用前请花 1 分钟了解以下三点：

1. 软件解压到哪里？

✅ 推荐位置：解压到一个简单的文件夹中，例如 D:/videotrans（路径越短越好）。
❌ 千万别放：不要解压到 C:/Program Files 或 C:/Windows 等系统核心目录（这类目录限制多，软件无法保存生成的视频和临时文件）。

2. 视频怎么命名和存放？（最常见报错原因！）

❌ 千万别偷懒：从 YouTube、B站等下载的视频，名字通常超级长还带有表情符号（如 🔥、👍、🌟），直接导入极易导致 Windows 系统崩溃报错。
✅ 最稳妥做法：导入前，先把视频改成简短的名字（例如 video1.mp4 或 我的采访.mp4，删掉所有表情和特殊符号），并放在浅层目录（如桌面或 D 盘）。

3. 建议开启“显示文件后缀名”（防止选错文件）

Windows 默认会隐藏后缀名，导致你分不清哪个是视频、音频或字幕文件，尤其当他们名字一样时。

开启方法：随便打开一个电脑文件夹，点击顶部的 「查看」 ➔ 勾选 「文件扩展名」 即可（如下图）。

MacOS / Linux 用户查看安装方法

安装依赖：

bash

# macOS
brew install libsndfile git

brew tap homebrew-ffmpeg/ffmpeg
 
brew install homebrew-ffmpeg/ffmpeg/ffmpeg

# Ubuntu/Debian
sudo apt-get install ffmpeg libsndfile1-dev

安装 uv：

bash

curl -LsSf https://astral.sh/uv/install.sh | sh

克隆并启动：

bash

git clone https://github.com/jianchang512/pyvideotrans.git
cd pyvideotrans
uv sync
uv run sp.py

查看详细源码部署文档(MacOS/Linux/Windows)

三、界面概览

启动软件后，主界面从上到下分为以下几行：

行	内容	说明
1	选择待翻译的视频 (必须)	支持 mp4/mkv/avi/mov/wav/mp3 等格式，支持批量翻译
2	语音识别	选择识别渠道和模型，用于将说话声转为字幕 (默认faster-whisper/large-v3-turbo)
3	翻译字幕	选择翻译渠道、源语言和目标语言，用于翻译上一步识别出的字幕 (默认Google翻译)
4	字幕配音	选择配音渠道和发音角色，为翻译好的字幕进行配音 (默认 Edge-TTS)
5	同步对齐	音频加速、视频慢速、语速音量、嵌入字幕 (默认音频加速)
6	开始执行	点击后开始处理
7	进度条	显示处理进度，点击打开输出文件夹
8	设置更多参数	降噪、分离人声背景声并重新嵌入背景声，等高级选项

免费/本地API/内置是什么意思

免费: 例如 Google翻译、微软翻译、Edge-TTS配音，这些渠道都是在线免费使用的，无需配置开箱即用，只是需注意有限流错误，高频使用时可能会遇到报错
内置: 有些模型可以相对方便的集成到 pyVideoTrans 软件内，而无需单独另行部署，开箱可用，例如 VITS/Piper/Qwen3-TTS/ OmniVoice / F5-TTS / Qwen3-ASR/SuperionTTS/ChatterBox等，但需要注意，为避免软件体积无限膨胀，仅调用代码内置，模型本身并未内置，第一次使用时需在线下载模型。
本地API: 很多开源模型可自行在本地部署，部署并启动后，将API地址或WebUI地址填写在 pyVideoTrans 软件设置界面，软件即可通过该地址调用你部署的模型服务。例如 GPT-SoVITS / CosyVoice 等

查看所有模型下载地址及手动下载方法

四、翻译视频的详细步骤

步骤 1：选择待翻译的视频文件

点击左上角按钮选择视频或音频 按钮，选择您要翻译的文件。支持 mp4/mkv/avi/mov/wav/mp3 等格式，一次可选择一个或多个文件。

文件夹：勾选此项可批量处理整个文件夹内的所有视频。
清理已生成：若需对同一视频重新翻译，请勾选此项，否则会使用上次已生成过的文件，例如已转录好的srt字幕、已翻译过的srt字幕，如果你重复翻译同一个文件，并且想跳过耗时的语音转录阶段，请取消选中。
输出到...：点击此按钮可单独设置翻译后视频的输出目录，不指定则使用默认
仅输出mp4：如果选中，则输出中只保留最终的翻译视频，其他字幕、音频等文件都会自动删除。
完成后关机：处理完所有任务后自动关闭计算机，适合大批量、长时间任务。

查看默认输出位置规则

未勾选文件夹时默认输出位置: 所选视频同级的 _video_out 文件夹内，例如所选视频是D:/videos/001.mp4,则输出到D:/videos/_video_out内，每个视频生成一个结果文件夹，名字是{视频名字(不含后缀)}-{视频后缀名}，例如D:/videos/_video_out/001-mp4
若勾选文件夹时默认输出位置： 所选文件夹同级的_video_out/{该文件夹名} 下，例如所选文件夹是 D:/videos/ceshi, 输出到D:/videos/_video_out/ceshi 文件夹内，每个视频生成一个结果文件夹，名字是{视频名字(不含后缀)}-{视频后缀名},例如D:/videos/_video_out/ceshi/001-mp4

当点击了输出到...自定义输出位置后，将不再保存到默认位置，而是你指定的位置

步骤 2：选择语音识别渠道

这一步骤用于将视频中的说话声转录为字幕，将直接决定后续翻译和配音的质量

渠道	推荐场景	说明
`faster-whisper(内置)`	默认推荐,tiny模型最快但精度最低，large-v3精度最高但最慢	速度快、质量高
`openai-whisper(内置)`	高精度需求,tiny模型最快但精度最低，large-v3精度最高但最慢	准确度略高，速度较慢
`Qwen-ASR(内置)`	中文及其他十多种常见语言	中文识别效果好，速度慢
`Nemotron-3.5-asr-0.6b(内置)`	欧洲系语言及日韩越等40种	英伟达开源模型
`Moss-Diarize(内置)`	中文及其他十多种常见语言	90分钟内音视频支持返回说话人，无需单独分离模型
`Whisper.cpp(Win内置)`	在Windows上已内置 whisper.cpp，可直接使用，MacOS和Linux上需自行单独部署	whisper模型的c++版
`阿里FunASR(内置)`	中文识别效果好，可选 paraformer/sensevoice/Fun-ASR-Nano多种模型
`Firered中文(内置)`	中文及方言视频	小红书开源模型
`Dolphin亚洲语言(内置)`	东亚语言、东南亚及中东语言	专注亚洲小语种
`OmnilingualASR(内置)`	支持所有内置语言，范围广	facebook开源，支持语言多但效果不佳

faster-whisper/openai-whisper 模型选择

tiny → 最快，准确度低
base / small → 平衡之选
medium → 较好效果
large-v3 → 最佳效果，需要 8GB+ 显存
large-v3-turbo → 推荐，速度与质量兼顾
tiny.en/base.en/small.en/medium.en/distil-large-v3/distil-large-v3.5 针对英文优化的蒸馏模型，仅当发音语言是英语时可用

明确指定发音语言，谨慎选择【自动检测】

明确指定发音语言，会让识别更准确

自 v4.12 起，在视频翻译界面 发音语言 下拉最底部增加了自动检测，用于无法预先知道的音视频翻译。若选择了自动检测，必须注意：

确保语音识别仅使用faster-whisper(内置) 、openai-whisper(内置)、Qwen-ASR(内置)，否则可能出现无法预知错误，因为多数渠道需要明确指定语言
翻译渠道如Google(免费)/微软(免费)，如果待翻译文本中有多种语言文本混合，例如简繁混合，必须明确指定语言而非使用自动检测，否则不会翻译，而是直接返回原文
请勿嵌入双字幕，可能出现未知错误

二次识别、LLM纠错

二次识别:

在选择了配音角色、同时没有选择嵌入双字幕时，可选中二次识别，将在配音完毕后，针对配音结果再次转录，生成简短的字幕嵌入视频，确保字幕和配音精确对齐

在高级选项--语音识别参数-二次识别最长时间和二次识别最短时间，设置较小的值有利于生成短小字幕

注意：在对生成后的配音进行二次识别时，固定使用faster-whisper语音识别渠道，默认使用large-v3-turbo模型，可在此区域切换其他模型。

LLM纠错:

语音转录显然会存在错别字、缺失标点等各种错误，LLM纠错是在识别完成后，将识别结果发给AI大模型，修正错别字、添加标点等，，以得到更通顺流畅的结果，默认使用DeepSeek渠道，可在 菜单-工具--高级选项-通用-LLM纠错所用渠道里切换。

LLM纠错提示词在软件目录/videotrans/prompts/resegment/llm.txt中，可自行修改调整

调整字幕长短和切分颗粒度（解决字幕太碎或太长）

不同视频的语速、停顿习惯及背景噪声各异，直接识别可能会出现**字幕太碎（一词一行）或字幕太长（满屏大段文字）**的情况。您可以根据实际视频类型自定义切分规则。

默认效果：单条字幕时长通常在 5~8 秒，最短不低于 3 秒。

📍 设置入口

打开软件顶部菜单：工具 -> 选项 -> 高级选项 -> 找到 【语音识别参数】

一、核心参数详解

参数名称	单位与默认值	作用解析（老手看逻辑，新手看建议）
最长语音持续	秒 (s) 默认：`5`	限制单条字幕的“天花板”时长。设为 5 代表期望字幕不超过 5 秒。为防止语句被生硬切断，系统会有约 1.5 倍缓冲（即最长可能达到 5×1.5 ≈ 7.5~8 秒）。👉 想强制字幕短小，可调低该值（如 3~4）。
最短语音持续	毫秒 (ms) 默认：`3000` (1000ms = 1秒)	限制单条字幕的“地板”时长（防止太碎）。设为 3000 代表字幕时长至少 3 秒。未达到此时长通常不会独立成句，会与上下文合并。 👉 想允许“好的”、“谢谢”这种短词独立出现，可降低该值（如 1000~1500）。
静音分割持续	毫秒 (ms) 默认：`600`	判断说话停顿多长时间才执行“切断”。说话停顿超过 600 毫秒，系统就认为一句话结束了，另起新字幕。 👉 调大该值（如 800+）：语句更完整连贯，但字幕更长。 👉 调小该值（如 200-400）：切分更灵敏，字幕更短，但语气不连贯时容易过度断句。

二、懒人推荐预设（按需“抄作业”）

🎬 预设 A：短视频/快嘴解说（追求短小精悍、快节奏）
- 最长语音：2 或 3 秒
- 最短语音：1000 毫秒 (1秒)
- 静音分割：300 毫秒
- 效果：字幕短、反应快，适合竖屏短视频、卡点解说。
🎙️ 预设 B：课程教学/纪录片/访谈（追求语句完整、逻辑清晰）
- 最长语音：8 或 10 秒
- 最短语音：3500 毫秒 (3.5秒)
- 静音分割：800 毫秒
- 效果：字幕信息量大、不断句，适合慢语速、长难句。

⚠️ 重要注意事项（避坑指南）

数值大小逻辑：最长语音持续(秒) × 1000 必须大于 最短语音持续(毫秒)。例如：最长设为 2 秒（即2000毫秒），最短设为 3000 毫秒，会导致识别冲突混乱。
声音克隆限制：如果你后续要使用 声音克隆(即配音角色选择clone) 进行配音，【最短语音持续】请务必保持在 3000 毫秒以上！低于 3 秒的切片音频极难让 AI 提取出有效的声音音色特征，容易导致配音失败、失真或杂音严重。

进阶：二次识别参数（仅配音后有效）

如果勾选了 “二次识别”，系统会读取新生成的“配音音频”重新生成字幕。由于配音发音更清晰、节奏更规则，参数可以设得更加精细短小：

二次识别最长语音持续(秒)：默认 1.5。建议区间 1.0 ~ 2.0 秒，让配音字幕更加紧凑。
二次识别最短语音持续(毫秒)：默认 600。建议区间 400 ~ 600 毫秒，用于捕捉配音中的短促词汇。

点击查看所有支持的语音识别渠道

步骤 3：选择翻译渠道(用于将字幕翻译为目标语言)

渠道	说明
`Google(免费)`	默认翻译质量尚可，国内需要科学上网
DeepSeek	AI大模型翻译质量佳，DeepSeek 物美价廉推荐使用
`Hy-MT2(内置)`	腾讯混元模型翻译
`M2M100(内置)`	本地模型翻译
`Microsoft(免费)`	无需代理，可能限流

选择发音语言（视频中人物说的语言）和目标语言（希望翻译成的语言）。

术语表：在AI翻译渠道中，会自动添加术语表内容到翻译提示词中。点击该术语表按钮，在弹出的窗口中按照左边的原始语言术语和右边的翻译结果，逐行填写，例如：首席执行官=CEO

获取更佳翻译质量的关键设置

使用 AI 翻译渠道，将AI翻译渠道每批字幕行数设为 100 或更大，配合支持超长上下文的模型
勾选发送完整字幕— 翻译更自然
选中 高级选项-字幕翻译--AI翻译附带所有字幕做参考，可在翻译字幕时附带所有原文作为上下文参考，能取得更佳质量（v4.12-0908版本起）

点击查看所有支持的翻译渠道

步骤 4：选择配音渠道(对字幕进行配音)

这一步将翻译好的字幕进行配音

渠道	说明
`Edge-TTS(免费)`	默认推荐，微软免费接口，声音自然，支持所有内置语言
`Qwen3-TTS(内置)`	阿里本地模型，效果好速度慢，支持克隆，十多种语言
`F5-TTS(内置)`	中英法德意日韩越等，支持克隆
`OmniVoice(内置)`	支持所有内置语言，支持克隆
`Confucius(内置)`	支持中英等14种语言，支持克隆
`ChatterBox(内置)`	中英等多种语言，欧洲语言效果好，支持克隆
`ZipVoice中英(内置)`	中英语言，支持克隆
`Moss-TTS-Nano(内置)`	中英等多种语言，支持克隆
`Higgs-audio-v3(内置)`	中英等多语言，支持克隆,cuda加速需10G显存，cpu运行需20G内存
`gTTS(免费)`	支持所有内置语言，google家的，国内需科学上网，效果一般般

选择渠道后，在配音角色下拉框中选择发音人。

配音角色选中clone,代表将使用原始视频对应的音色进行配音，此时请确保最短字幕持续毫秒大于等于3000

点击查看所有支持的配音渠道

步骤 5：字幕、配音、画面同步

一句话翻译为其他语言，句子长度、音节数量、读出该句子用的时间，必然会发生变化，这是翻译后字幕配音画面不同步的根源。
可通过以下措施进行调整

参数	默认值	说明
配音加速	✅ 选中	配音比原视频长时，加速配音匹配时长
视频慢速	☐ 不选	配音比原视频长时，放慢视频匹配配音
字幕嵌入类型	嵌入软字幕	字幕嵌入到画面(若需网页播放，请选嵌入硬字幕)

字幕类型：

不嵌入字幕：只替换声音
嵌入硬字幕：字幕永久烧录到画面，网页中播放也会显示字幕
嵌入软字幕：默认，字幕作为独立轨道，播放器可开关，网页中播放不会显示字幕
嵌入硬字幕(双语)：同时显示原文和译文(二次识别会被禁用)
嵌入软字幕(双语)：双语字幕，播放器可开关(二次识别会被禁用)

点击查看视频翻译中的配音、字幕、画面同步对齐原理

步骤 6：开始执行

点击 开始执行 按钮，底部进度条实时显示进度，点击打开输出文件夹，完成后翻译视频自动保存到输出文件夹。

CUDA加速：如果你有英伟达显卡，并且配置好了 CUDA12.8 和 cuDNN9，可选中，语音识别阶段速度数倍提升
单视频模式:如果一次只选择一个视频，将在处理过程中弹出3-4次编辑界面，你可在界面中编辑字幕、重新配音、预览视频等，具体界面和操作方法查看单视频模式

五、设置更多参数

例如降噪、保留原视频中背景声音、识别分离说话人、调整语速、音量等，可通过点击 设置更多参数 来实现

点击设置更多参数.. 展开：

参数	说明
降噪	清除背景噪声，利于语音识别效果
默认标点/恢复标点/删除标点	选择删除标点，会将所有标点使用空格替换，恢复标点会尝试恢复丢失的标点符号
分离人声背景声	将人声与背景音乐分离，利于语音转录
重新嵌入背景声	在配音完成后，将背景声重新混入配音中
背景音量	调整背景音量（0.0-2.0）
配音语速	调整配音速度（-50% ~ +100%）
音量调整	调整配音音量（-95% ~ +200%）
音调	调整配音音调（-100Hz ~ +100Hz）

六、无损视频输出

确保满足以下所有条件，输出视频保持原始画质：

原始视频编码为 H.264 (libx264) 的 MP4 文件
不勾选「视频自动慢速」
字幕类型选择「不嵌入字幕」或「嵌入软字幕」或「嵌入软字幕(双)」
高级选项中，264/265编码选择 264

七、高级选项参考

通过 菜单 -> 工具/选项 -> 高级选项 进入：

完整的高级选项参数用法，点击查看

八、常见问题

Q: 能否同时启动多个 sp.exe 实例？

可以，但不建议，因多个实例共享同个tmp临时文件夹，并且任意一个实例关闭时，都会尝试清空该临时文件夹，可能导致其他在运行的实例报错。

如果确实需要，建议复制软件到其他文件夹内，然后再启动，例如一个在D:/aivideo下，再复制一份到D:/aivideo2下，然后分别启动对应文件夹下的sp.exe，这样他们之间就互不影响

Q: 处理速度很慢？

确保已启用 GPU 加速（CUDA）
使用较小的模型
确保显卡驱动已更新

Q: 识别结果不准确？

检查「发音语言」是否选择正确
尝试更换更大的模型
开启「降噪」功能
调整「语音阈值」参数

Q: 翻译后声音、字幕、画面不同步？

这是正常现象。不同语言的音节数和语法结构不同，配音时长必然变化。解决方案：

启用「音频加速」（默认已启用）
可同时启用「视频慢速」
设置「配音语速」加快整体速度

Q: 输出视频文件太大？

增大「视频输出质量控制」的值（如 25-30）
将编码从 264 改为 265
关闭「视频慢速」

Q: 如何使用 GPU 加速？

确保已安装 NVIDIA 显卡驱动、CUDA 12.8 和 cuDNN 9.11，然后在主界面勾选「CUDA 加速」。AMD 显卡不支持 CUDA 加速。

Q: 无损视频输出的条件？

原始视频编码为 H.264 MP4 + 不勾选视频慢速 + 不嵌入硬字幕 + 编码选择 264。

Q: 能否提取硬字幕、抹除硬字幕？

本软件无法直接提取或抹除视频画面已经内嵌的硬字幕。

如需提取硬字幕，请使用单独的硬字幕提取工具本地离线提取视频硬字幕。或 video-subtitle-extractor*
如需抹除删除硬字幕，推荐使用github开源项目video-subtitle-remover

使用文档-全面指南 ​

⚠️ 重要提醒：视频翻译中的语种选择避坑指南 ​

1. 前 20~30 种常见语言（中、英、日、韩、法、德、西等） ​

2. 后 50 种左右的小众语言 / 稀有语种 ​

一、软件工作原理 ​

二、下载与安装 ​

Windows 用户 ​

1. 软件解压到哪里？ ​

2. 视频怎么命名和存放？（最常见报错原因！） ​

3. 建议开启“显示文件后缀名”（防止选错文件） ​

三、界面概览 ​

四、翻译视频的详细步骤 ​

步骤 1：选择待翻译的视频文件 ​

步骤 2：选择语音识别渠道 ​

📍 设置入口 ​

一、 核心参数详解 ​

二、 懒人推荐预设（按需“抄作业”） ​

⚠️ 重要注意事项（避坑指南） ​

进阶：二次识别参数（仅配音后有效） ​

步骤 3：选择翻译渠道(用于将字幕翻译为目标语言) ​

步骤 4：选择配音渠道(对字幕进行配音) ​

步骤 5：字幕、配音、画面同步 ​

步骤 6：开始执行 ​

五、设置更多参数 ​

六、无损视频输出 ​

七、高级选项参考 ​

八、常见问题 ​

Q: 能否同时启动多个 sp.exe 实例？ ​

Q: 处理速度很慢？ ​

Q: 识别结果不准确？ ​

Q: 翻译后声音、字幕、画面不同步？ ​

Q: 输出视频文件太大？ ​

Q: 如何使用 GPU 加速？ ​

Q: 无损视频输出的条件？ ​

Q: 能否提取硬字幕、抹除硬字幕？ ​

相关文档 ​

使用文档-全面指南

⚠️ 重要提醒：视频翻译中的语种选择避坑指南

1. 前 20~30 种常见语言（中、英、日、韩、法、德、西等）

2. 后 50 种左右的小众语言 / 稀有语种

一、软件工作原理

二、下载与安装

Windows 用户

1. 软件解压到哪里？

2. 视频怎么命名和存放？（最常见报错原因！）

3. 建议开启“显示文件后缀名”（防止选错文件）

三、界面概览

四、翻译视频的详细步骤

步骤 1：选择待翻译的视频文件

步骤 2：选择语音识别渠道

📍 设置入口

一、核心参数详解

二、懒人推荐预设（按需“抄作业”）

⚠️ 重要注意事项（避坑指南）

进阶：二次识别参数（仅配音后有效）

步骤 3：选择翻译渠道(用于将字幕翻译为目标语言)

步骤 4：选择配音渠道(对字幕进行配音)

步骤 5：字幕、配音、画面同步

步骤 6：开始执行

五、设置更多参数

六、无损视频输出

七、高级选项参考

八、常见问题

Q: 能否同时启动多个 sp.exe 实例？

Q: 处理速度很慢？

Q: 识别结果不准确？

Q: 翻译后声音、字幕、画面不同步？

Q: 输出视频文件太大？

Q: 如何使用 GPU 加速？

Q: 无损视频输出的条件？

Q: 能否提取硬字幕、抹除硬字幕？

相关文档