📖 项目介绍
无需高配电脑，也无需复杂设置，一键即可跑完整字幕流程：网络接口 or 本地离线（GPU 也能调用）随心切换，全流程由大语言模型护航，智能断句、精准校正、地道翻译，统统自动化，让字幕效果惊艳又省心！
🔥 最新版重磅更新
• VAD 语音检测、人声分离、字级时间戳、批量字幕……实用功能一次到位。
亮点速览
🎯 无 GPU 也能跑：内置高能语音识别引擎，出稿又快又准。
✂️ LLM 智能断句：告别生硬截断，字幕读起来像母语。
🔄 AI 多线程翻译：并行处理，风格自然，专业表达信手拈来。
🎬 批量合成：多视频拖进去，字幕成片一次搞定。
📝 可视化编辑：边播边改，实时预览，所见即所得。
🤖 轻量 Token：内置基础 LLM，开箱即用，钱包无压力
软件部署说明
Windows 使用内部环境即可快速运行 ./venv/Scripts/python main.py
麒麟系统/Linux系统 下载Python3.10及以上版本 并下载requirement.txt中的包后可使用 python main.py运行
⚙️ 基本配置
1. LLM API 配置说明
LLM 大模型是用来字幕段句、字幕优化、以及字幕翻译（如果选择了LLM 大模型翻译）。
| 配置项 | 说明 |
|---|---|
| DeepSeek | DeepSeek 官网，建议使用 deepseek-v3 模型， |
| Ollama本地 | Ollama 官网 |
| OpenAI兼容接口 | 如果有其他服务商的API，可直接在软件中填写。base_url 和api_key |
注：如果用的 API 服务商不支持高并发，请在软件设置中将“线程数”调低，避免请求错误。
其支持高并发，性价比极高，且有国内外大量模型可挑选。
注册获取key之后，设置中按照下面配置：
BaseURL: https://api.videocaptioner.cn/v1
API-key: 个人中心-API 令牌页面自行获取。]
2. 翻译配置
| 配置项 | 说明 |
|---|---|
| LLM 大模型翻译 | 翻译质量最好的选择。使用 AI 大模型进行翻译,能更好理解上下文,翻译更自然。需要在设置中配置 LLM API(比如 OpenAI、DeepSeek 等) |
| DeepLx 翻译 | 翻译较可靠。基于 DeepL 翻译, 需要要配置自己的后端接口。 |
| 微软翻译 | 使用微软的翻译服务, 速度非常快 |
| 谷歌翻译 | 谷歌的翻译服务,速度快,但需要能访问谷歌的网络环境 |
推荐使用 LLM 大模型翻译 ，翻译质量最好。
3. 语音识别接口说明
| 接口名称 | 支持语言 | 运行方式 | 说明 |
|---|---|---|---|
| B接口 | 仅支持中文、英文 | 在线 | 免费、速度较快 |
| J接口 | 仅支持中文、英文 | 在线 | 免费、速度较快 |
| WhisperCpp | 中文、日语、韩语、英文等 99 种语言，外语效果较好 | 本地 | 需要下载转录模型 中文建议medium以上模型 英文等使用较小模型即可达到不错效果。 |
| fasterWhisper | 中文、英文等多99种语言，外语效果优秀，时间轴更准确 | 本地 | 需要下载程序和转录模型 支持CUDA,速度更快，转录准确。 超级准确的时间戳字幕。 建议优先使用 |
4. 文稿匹配
- 在”字幕优化与翻译”页面，包含”文稿匹配”选项，支持以下一种或者多种内容，辅助校正字幕和翻译:
| 类型 | 说明 | 填写示例 |
|---|---|---|
| 术语表 | 专业术语、人名、特定词语的修正对照表 | 机器学习->Machine Learning 马斯克->Elon Musk 打call -> 应援 图灵斑图 公交车悖论 |
| 原字幕文稿 | 视频的原有文稿或相关内容 | 完整的演讲稿、课程讲义等 |
| 修正要求 | 内容相关的具体修正要求 | 统一人称代词、规范专业术语等 填写内容相关的要求即可 |
- 如果需要文稿进行字幕优化辅助，全流程处理时，先填写文稿信息，再进行开始任务处理
- 注意: 使用上下文参数量不高的小型LLM模型时，建议控制文稿内容在1千字内，如果使用上下文较大的模型，则可以适当增加文稿内容。
无特殊需求，一般不填写。
5. Cookie 配置说明
如果使用URL下载功能时，如果遇到以下情况:
下载视频网站需要登录信息才可以下载；
只能下载较低分辨率的视频；
网络条件较差时需要验证；
💡 软件流程介绍
程序简单的处理流程如下:
语音识别转录 -> 字幕断句(可选) -> 字幕优化翻译(可选) -> 字幕视频合成✨ 软件主要功能
软件利用大语言模型(LLM)在理解上下文方面的优势，对语音识别生成的字幕进一步处理。有效修正错别字、统一专业术语，让字幕内容更加准确连贯，为用户带来出色的观看体验！
1. 多平台视频下载与处理
- 支持 B 站、YouTube、小红书、TikTok、X、西瓜视频、抖音等国内外主流平台
- 自动提取并处理原视频字幕
2. 专业级语音识别
- 免费、高速的在线接口，效果媲美剪映
- 本地 Whisper 模型，离线可用，隐私无忧
3. 智能字幕校正
- 自动优化专业术语、代码、数学公式格式
- 基于上下文的断句优化，阅读更流畅
- 支持用已有文稿或提示词辅助断句
4. 高质量字幕翻译
- 语境感知的全文翻译，逻辑一致
- LLM 反思机制二次润色，时间轴毫秒级对齐
5. 字幕样式调整
- 科普、新闻、番剧等丰富模板一键套用
- 支持 SRT / ASS / VTT / TXT 等多种格式
针对小白用户，对一些软件内的选项说明：
1. 语音转录页面
VAD过滤：默认开启即可过滤无人声片段，减少幻觉。其余 VAD 选项保持默认即可。音频分离：仅当视频背景嘈杂时开启，MDX-Net 会降噪并分离人声，提升识别准确率。
2. 字幕优化与翻译页面
智能断句：启用后，模型会在字级时间戳基础上按“句子”或“语义”断句，观影更自然。字幕校正：一键修正大小写、标点、错别字，统一公式与代码格式。反思翻译：开启后 LLM 会二次审视译文，效果更佳，但耗时和 Token 消耗略增。（设置 → LLM 翻译 → 反思翻译）文稿提示：填入原文或关键词，模型将据此优化断句与翻译。
3. 字幕视频合成页面
视频合成：开启即生成带字幕的新视频；关闭则跳过合成，仅输出字幕文件。软字幕：开启后字幕不烧进画面，处理飞快；需 PotPlayer 等播放器支持，样式为播放器默认白字。
安装软件的主要目录结构说明如下：
AuroraCaptioner/ ├── runtime/ # 运行环境目录 ├── resources/ # 软件资源文件目录（二进制程序、图标等,以及下载的faster-whisper程序） ├── work-dir/ # 工作目录，处理完成的视频和字幕文件保存在这里 ├── AppData/ # 应用数据目录 ├── cache/ # 缓存目录，缓存转录、大模型请求的数据。 ├── models/ # 存放 Whisper 模型文件 ├── logs/ # 日志目录，记录软件运行状态 ├── settings.json # 存储用户设置 └── cookies.txt # 视频平台的 cookie 信息（下载高清视频时需要）