视频字幕生成器
多语言视频字幕生成和翻译工具包，基于WhisperX。
功能
语音转录：从视频中提取音频并将其转录为字幕，具有自动源语言检测
多语言翻译：将字幕从任何源语言翻译成可配置的目标语言
双语字幕：生成源语言 + 目标语言双语字幕
前提条件
Python 3.9+
ffmpeg（WhisperX需要用于音频提取）
# macOS
brew install ffmpeg
# Ubuntu / Debian
sudo apt install ffmpeg
# Windows（Chocolatey）
choco install ffmpeg
# Windows（Scoop）
scoop install ffmpeg
资源要求
在运行之前，请确认用户了解以下成本：
资源 详细信息
磁盘 ffmpeg ~80 MB；Python包（torch、whisperx等）2-5 GB；Whisper模型权重39 MB - 1.5 GB（取决于模型大小）
CPU / GPU WhisperX在本地运行模型推理。强烈推荐使用CUDA GPU进行中等和大型模型的推理。CPU和Apple MPS也可以使用，但速度明显较慢
网络 / API 翻译步骤调用远程LLM API并产生基于令牌的费用。无需网络连接即可进行转录步骤（模型下载后）
在安装包或下载模型之前，请始终与用户确认，因为这些操作会消耗存储空间和带宽。翻译需要LLM API并会产生费用。
在执行翻译步骤之前：
询问用户的API提供商、密钥和基本URL - 或者为审查呈现任何自动发现的配置
告知用户翻译会调用远程LLM并会消耗令牌（即真钱）
在用户明确确认提供商并承认成本之前，请勿继续翻译
使用方法
# 安装依赖项（需要~2-5 GB的磁盘空间用于PyTorch和WhisperX）
pip install -r requirements.txt
# 设置API密钥（用于翻译）
# macOS / Linux
export OPENAI_API_KEY="your-api-key"
export OPENAI_BASE_URL="https://openrouter.ai/api/v1"
# 可选，默认为OpenRouter
# Windows（PowerShell）
$env:OPENAI_API_KEY="your-api-key"
$env:OPENAI_BASE_URL="https://openrouter.ai/api/v1"
在Windows上，请在下面的所有命令中使用python代替python3。
python3 scripts/transcribe.py "/path/to/video.mp4" -o ./output -m small
输出：video.{检测语言}.srt（例如video.en.srt，video.ja.srt）
参数：
-o：输出目录
-m：模型大小（tiny、base、small、medium、large）
-d：设备（cuda、cpu、mps），默认自动检测
-l：强制源语言代码（例如en、ja、zh）。如果省略，则自动检测
python3 scripts/transcribe.py "/path/to/video/folder" -o ./output -m small
费用警告：此步骤调用远程LLM API。请确保用户已确认API提供商、密钥和计费意识，然后再运行。
# 翻译为中文（默认）
python3 scripts/translate.py ./output -o ./translated
# 翻译为日语
python3 scripts/translate.py ./output -o ./translated -t ja
# 仅生成双语字幕
python3 scripts/translate.py ./output -o ./translated --bilingual
参数：
-t、--target-lang：目标语言代码（默认：zh）
--bilingual：生成双语（源语言 + 目标语言）字幕
--target-only：生成目标语言字幕
--model：翻译模型（默认：google/gemini-3-flash-preview）
--batch-size：批大小（默认：10）
如果未指定--bilingual或--target-only，则同时生成两者。
python3 scripts/run.py
# 通过环境变量自定义
VIDEO_DIR="/path/to/videos"
TARGET_LANG=en
python3 scripts/run.py
run.py的环境变量：
VIDEO_DIR：视频源目录（默认：./videos）
OUTPUT_DIR：转录输出目录（默认：./output）
TRANSLATED_DIR：翻译输出目录（默认：./translated）
TARGET_LANG：目标语言代码（默认：zh）
WHISPER_MODEL：Whisper模型大小（默认：medium）
模型选择
模型大小 速度 准确度 最适合
tiny 39 MB 最快 一般 快速测试
base 74 MB 快 好 实时使用
small 244 MB 中等 好 推荐
medium 769 MB 较慢 很好 更高质量
large 1550 MB 慢 最好 专业使用
输出文件
对于每个视频，工具生成：
.{lang}.srt - 源语言字幕（语言自动检测，例如video.en.srt）
.json - 带有时间戳的完整转录数据
.bilingual.srt - 翻译后的双语字幕（源语言 + 目标语言）
.{target}.srt - 翻译后的目标语言字幕（例如video.zh.srt）
脚本概述
scripts/transcribe.py 使用WhisperX进行转录，并支持：
自动源语言检测（或通过-l手动覆盖）
时间戳对齐
批处理，跨文件重用模型
scripts/translate.py 使用LLM API翻译字幕，并支持：
可配置的目标语言（-t）
批量翻译以提高效率
双语字幕生成
支持多种翻译模型和批大小
by