语幕 使用说明书

·简介与亮点

官网:https://vidtai.cn — 最新版下载、使用指南、其他工具都在上面

·先看这里:你该读哪几节?

不用通读全文。对号入座,照着看那几节就够了:

·一、安装

语幕提供两种形态,任选其一:

目录结构(绿色版,_internal 勿删):

Yumu_v2.3.0/                （版本号随更新变化）
├── 语幕.exe                （双击运行）
├── _internal/              （运行时文件 + 内置模型,勿删）
│   └── models/             （已内置: VAD 语音检测 / Demucs 人声分离）
└── (首次运行后) 模型下载到 ~/.jav2ch/models/

硬件要求

本地模式硬件要求:

• 操作系统:Windows 10 / 11 64 位
• 显卡:NVIDIA 显卡,最低 6 GB 显存即可(4 GB 极限档也能跑小模型),推荐 ≥ 12 GB 获得最佳速度与精度
• 无独显 / CPU 也能跑:小模型(Parakeet 英欧 ASR int8、FunASR 等)支持纯 CPU 推理,只是速度慢不少;有 NVIDIA 显卡体验最佳
• 驱动:支持 CUDA 12.x 的较新驱动(用 GPU 时)
• 内存:最低 16 GB,推荐 32 GB+
• 硬盘:程序约 6 GB;模型按需下载(ASR / 翻译模型每个 1~7 GB),建议预留 20 GB + SSD

·二、激活

1. 启动语幕,点击左下角 「激活」 图标(指纹按钮)
2. 在弹出窗口粘贴卖家提供的激活码
3. 点击「激活」,提示「激活成功」即可

激活类型(按你购买的卡)

试用版限制(激活后全部解除)

• 试用期 7 天,且最多 8 次 处理
• 单个视频时长 ≤ 5 分钟
• 试用 7 天过或用满 8 次、且未激活 → 不可用
• 次数卡次数用尽 / 月卡年卡到期 → 降级回试用限制(再买次数卡叠加,或升月卡 / 永久)

·三、下载模型(本地模式第一步 · 最容易卡在这里)

语幕的小模型已内置、开箱即用;但识别(ASR)和翻译大模型第一次用到时需要下载(每个约 1~7 GB)。新用户最常卡在这一步,这一节看完就通。

3.1 哪些要下、哪些不用下

3.2 方式一:软件内自动下载(推荐,绝大多数人用这个)

1. 左侧栏点 ☁️ 模型管理
2. 找到要用的模型 → 点右侧 「下载」,等进度条走完变「已安装」即可
3. 也可以不管它直接「开始处理」——用到的模型会自动开始下载

• 下载源:自动走 ModelScope / HF-Mirror 国内镜像,无需梯子;支持断点续传和失败自动重试
• 下载到哪:C:\Users\你的用户名\.jav2ch\models\<模型id>\(自动管理,不用你操心)
• 💡 建议:开始处理前,先在「模型管理」把要用的识别 + 翻译模型下好,免得处理到一半停下来等下载

3.3 方式二:自动下载失败 → 手动下载(夸克网盘兜底)

网络不稳、镜像抽风导致自动下载失败时,会自动弹出「手动下载」窗口。按窗口里的两步走:

1. ① 点窗口里的夸克网盘链接下载对应模型文件(.zip 或 .gguf)。

• 也可直接打开总链接:https://pan.quark.cn/s/066843f3f74b(24 个模型都在里面,按模型 id 找对应文件夹 / 压缩包)
• 下到哪里都行(桌面、下载文件夹都可以)

1. ② 回到「手动下载」窗口,点「选择已下载的文件」,选中刚下好的那个文件

3.4 想自己手动放?(高级 / 离线批量装机)

如果你就是想直接放文件(比如离线装机、给多台电脑批量部署):

• 目标目录:C:\Users\你的用户名\.jav2ch\models\<模型id>\
• 把从夸克下的压缩包解压后,里面的文件放进对应 <模型id> 子目录:
• 翻译类(GGUF):把 xxx.gguf 放进该模型目录即可
• 识别类(整个 repo):把 config.json / model.safetensors 等全部文件放进该目录
• <模型id> 在「模型管理」页每个模型行上能看到
• 放好后回「模型管理」页,状态会自动显示 「已安装」(不用重启)

3.5 该下哪个模型?(按语言 / 场景)

·四、界面总览

首次启动会弹出 新手引导(3 页,介绍功能与上手步骤,只弹一次)。

语幕顶部有 6 个功能 Tab,覆盖字幕与配音全流程:

左侧栏:🏠 主页 / 📥 视频下载(v2.4 新增,见 5.6)/ 📄 日志 / ☁️ 模型管理 / 👆 激活 / ⚙️ 设置。

·五、功能详解

5.1 视频 → 字幕(主流程)

最简流程:

1. 把视频 / 音频拖到首页,或点「选择文件 / 选择文件夹」(支持 MP4 / MKV / AVI / WAV / FLAC 等)
2. 设 视频语言(源)→ 字幕输出(目标),选 内容类型

• 旁边的 「视频输出」 决定要不要顺手出成品视频:内嵌字幕·快(默认,字幕作为轨道封装进 mkv,秒出,播放器里可开关)/ 烧录字幕·慢(字幕烧进画面,重编码,拿去剪辑 / 传平台字体永不错乱)/ 不生成视频(只要字幕文件)

1. (建议)先点右上角 「一键适配显卡」,自动按显存选最优配置
2. 点 「开始处理」,进度条按阶段显示(音频提取 → 预处理 → 语音检测 → 识别 → 翻译 …),完成后给出总耗时与各阶段耗时
3. 结果在输出目录:sub_zh.ass(中文字幕)、sub_zh.srt(可选)、双语 ASS(可选)

💻 本地模式 vs ☁ 云端模式(首页「快捷配置」右侧切换)

• 💻 本地(有显卡) — 默认。识别 + 翻译都在你电脑上跑,离线免费,需要显卡。
• ☁ 云端(无显卡) — 识别(阿里百炼)+ 翻译(DeepSeek)走云端,不吃你的显卡,再破的电脑也能几分钟出片。用法:

1. 切到「☁ 云端」→ 面板里粘贴云端算力密钥(官网 api.vidtai.cn 自助注册 / 充值,或找卖家购买;面板里点「自助充值」链接直达)→ 点「验证」看余额;

2. 选识别引擎(见下)和云端翻译模型 → 拖视频 → 开始。翻译模型 4 档可选:

• DeepSeek-V4-Flash · 推荐(默认):快且便宜,绝大多数视频用它
• DeepSeek-V4-Pro · 高质量:更好的长句理解,追求译文质量时选
• Qwen3.8-Max · 旗舰:最新旗舰模型,顶配效果
• GLM-5.2 · 中文润色:中文表达最自然,重文采的内容可试

3. 按量付费,识别和翻译分开算:

• 识别(ASR) — 按音频时长计,是主要花费(片子越长越多);
• 翻译 — 很便宜,一部片子通常最多几毛钱;
• 软件里实时显示余额 + 本次消耗,充多充少自己定,具体以充值页 / 卖家说明为准。
• ⚠ 云端模式不受激活限制(没激活也能用,不限次数 / 时长),只要算力有余额;
• 「人声分离」在本机跑(要显卡):有显卡则照常可用,无显卡自动跳过,不影响出片;
• 云端识别质量实测优于本地小模型,识别不受题材限制(翻译极个别最露骨句可能漏,追求 100% 用本地)。

☁ 云端识别引擎(v2.2.8 起可选,面板「语音识别」下拉):

• 选新版引擎时,「字幕时间轴」开关会置灰 —— 新版自带词级精度,不用再选;该开关只对稳定版有效(词级 = 本机对齐更精确 / 句级 = 快);
• 本地的「说话人分离」开关在云端模式下不生效(它需要本地 GPU,会自动停用并在日志提示);云端想要说话人,直接选「整段识别」引擎即可,不用下任何模型;
• 整段识别若云端临时失败,会自动回退到分段识别继续出片,不会白跑。

处理流程(进度条按此顺序走,每阶段完成显示耗时):

音频提取 →(可选)人声分离 → 预处理(loudnorm 音量归一)→ 语音检测(VAD)→(可选)说话人分离 → 分段 → 语音识别(ASR)→ 后处理(去重 / 断句 / 过滤幻觉)→ 翻译 →(可选)内嵌 / 烧录出成品视频。

如上图:每个阶段完成后打 ✓ 并显示该阶段耗时;语音识别 / 翻译会显示 已完成 N/M 段 进度条与剩余时间(ETA);底部「总进度」显示已完成阶段数与总耗时。处理中可随时点「停止」。

中途可停 / 可续:处理中可「停止」;同一文件再次处理时,可在高级设置「从某阶段开始」跳过已完成阶段(如只重跑翻译)。输出目录里已有的中间产物会自动复用,不必从头再来。

输出文件(位于 输出目录/<视频名>/):

• sub_zh.ass — 中文字幕(主产物;开「双语字幕」时译文 + 原文小字同屏;同屏多人时带颜色区分)
• sub_zh.srt — SRT 格式(开「输出 SRT」时)
• sub_zh.txt / sub_zh.transcript.txt — 纯文本(开「输出 TXT」时,见下)
• *.softsub.mkv / *.hardsub.mkv — 成品视频(「视频输出」选内嵌 / 烧录时)
• clean.json / translate.json — 识别 / 翻译的中间结果(可复用、可手动检查)
• translate_analysis.json — 译前全量分析(人物表 / 纠错 / 剧情摘要);删掉它可强制重新分析

顺手导一份纯文本(可选):高级设置里的「输出 TXT」,给需要文字稿而不是字幕的场景。默认关,开了也不影响字幕。两种形态(在旁边的下拉里选):

开了「双语字幕」时,带时间点那版会一行给出 译文 / 原文;开了「说话人分离」时会带 [女] / [男] 标注。

5.2 语音转文字

只做识别、输出原文字幕(不翻译),用于只要听写稿的场景。

• 顶部状态栏实时显示 显卡 / 显存占用;识别模型下拉会标注每个模型所需 VRAM 与精度(如 Qwen3-ASR 1.7B 日语 Fleurs WER 5.20%),显存吃紧会给 ⚠ 提示
• 选项:音频语言 / 内容类型(与首页共享)、说话人分离、人声分离、输出格式(.ass / .srt / .txt)
• ☁ 这个 Tab 也能用云端:切到云端后同样可选识别引擎(极速 / 整段识别·区分说话人 / 稳定版,同 5.1),无显卡机器出听写稿首选
• 只想要文字稿(会议 / 访谈 / 课程 / 口播):把 .txt 打开、.ass 关掉,「文本形态」选纯文稿,出来就是一篇能直接读的文章;要对时间点核对就选带时间点([00:01:23] 内容),两种都要也行

5.3 字幕翻译

上传已有字幕(.ass / .srt / .vtt),翻译成目标语言(中 / 英 / 泰 / 越南 / 印尼 / 马来,与首页一致)。

• 输出格式:双语字幕(.ass,译文 + 原文)/ 单语字幕(.ass 或 .srt,仅译文)
• 翻译模型:与首页同一套变体(Hy-MT2-7B / 1.8B 本地、☁ 云端翻译)
• 术语映射:点「编辑术语表」填 原文=译文(每行一对),全片译名强制统一——与首页热词里的翻译术语是同一份,一边填两边生效
• 字幕样式:点「样式编辑器…」统一重排输出样式(字体 / 颜色 / 主副字号都生效)

#### 📖 电子书 / 小说整本翻译(v3.1 新增)

同一个页面,拖入 .txt 小说文本即自动切换到电子书模式,把日语等外语小说整本翻译成中文:

1. 拖入小说 txt(自动识别章节;没有章节标题的长文也能翻)
2. 选原文语言 → 目标语言(目前支持译成中文)→ 选翻译模型(本地 / ☁ 云端都行)
3. 点「开始翻译整本书」——完成后在小说旁边生成 <书名>_翻译工作 文件夹,译文 txt 在里面

几个特性:

• 自动人物表 + 剧情摘要:开始前自动通读开头提取人物(人名译法全书统一),翻译过程滚动生成剧情摘要,长篇前后文一致、不"翻着翻着忘了前面"
• 人名 / 术语表:点「人名/术语表」按钮,填 原文=译文(如 美咲=美咲、魔王=魔尊),译名强制统一;首页热词里的翻译术语也会自动带上
• 断点续传:30 万字的长篇可以分几次翻——中途点停止(本章翻完后优雅停),已翻部分照样出文件,下次拖同一本书从上次的章节继续,不重复计算
• 双语对照:勾选后逐段"原文 + 译文"排版输出,适合学外语 / 校对
• ☁ 云端翻译不占显存、速度快,长篇小说推荐;本地模式已做显存保护,12GB 显卡可安心跑
• 试用版每次最多 3000 字,激活后不限

5.4 字幕编辑

打开字幕(.ass / .srt / .vtt),逐行手动校对。双语 ASS 以两列对照显示(原文 / 译文)。

支持:双语编辑 · 拆分 / 合并行 · 时间平移 · 重翻译选中行 · 关联视频播放 · 12 种内置样式。改完「保存 / 另存为」——「另存为」里选 文本逐字稿 (*.txt) 可以把校对好的字幕直接导成 [00:01:23] 内容 的文字稿。

🆕 重新转录选中行(v2.3.0):发现字幕错位 / 漏了几句?「关联视频」后选中出问题的连续几行 → 点工具栏「重新转录」→ 云端重新识别这段音频并替换选中行(行数自动增减,漏的对白会长出来),完成后自动重翻译。需要云端算力密钥,按音频秒数计费(一段几分钟 ≈ 几分钱),可 Ctrl+Z 撤销。

重翻译选中行:v2.3.0 起三种后端自动选——有算力密钥走云端(推荐)、本机有 Ollama 走 Ollama、装了 Hy-MT2 模型走本地(用完自动释放显存),都没有会给明确指引。

5.5 字幕压制

选视频 + 字幕文件,输出带字幕的视频。默认 NVENC 硬件加速。三种模式:

• 烧录(硬字幕):字幕成为画面一部分,任何播放器都能看(发布首选)
• 内嵌(软字幕):封进 MKV 容器、不重编码,播放器可开关字幕(快、无损)
• 仅复制字幕:不动视频,字幕文件放到视频旁边

字幕样式同样可在「样式编辑器…」里调。

5.6 视频下载(左侧栏)

粘贴视频链接直接下载,支持 B站 / 抖音 / YouTube / TikTok 等上千个网站。下载完成后选中文件点 「生成字幕」,自动跳到主界面并填好文件——粘个链接就能出中文字幕。

使用步骤:

1. 左侧栏点 📥 视频下载,首次使用点「安装下载组件」(约 45MB,自动从国内镜像下载)
2. 粘贴链接(每行一个,支持批量)→ 选画质 → 「开始下载」
3. 下载完成后在「已完成」列表选中 → 「生成字幕」

几个说明:

• 下载功能免费,不扣转录次数;下载失败也不扣任何次数
• 「仅音频 (MP3)」适合播客 / 音声;「下载整个播放列表」可批量拉合集
• 更新内核:视频网站经常改版,下载突然失败时点组件条上的「更新内核」即可自动修复,不用等软件更新
• 下载封面 / 下载网站字幕并嵌入(激活用户专享):封面嵌入视频并另存高清 jpg;网站自带 CC 字幕(优先中文→英文)自动嵌入
• Cookie 登录(激活用户专享):下载会员 / 需登录的视频时勾选,选一个已登录该网站的浏览器(推荐 Firefox);Chrome 新版读不了时,可导出 cookies.txt 文件
• YouTube 等国外网站需要你的网络本身能访问;B站 / 抖音等国内网站直接用
• 请仅下载您有权使用的内容

5.7 热词(v2.5 新增)

视频里的人名、角色名、术语,识别容易写成同音错字,翻译容易前后译名不一。「热词」一次解决两件事。

用法:首页「预设场景」旁有 热词 开关(语音转文字页同款)→ 打开弹出设置窗,两个框:

• 设置会记住,跑同系列视频只需填一次;开关随时启停,词表保留
• 识别热词支持:☁ 云端「新版·极速 / 整段识别」(全部语言)、FunASR 模型(中/英/日);云端「稳定版」和其他本地模型暂不支持
• 翻译术语:全部翻译模型都支持
• 中文逗号、英文逗号、顿号、换行都能当分隔符,随手打就行

5.8 TTS 配音(v3.0 新增)

给文稿或视频配上 AI 语音,支持克隆任意声音。两种模式(页面顶部切换):

• 📄 文稿配音(默认):导入 txt / md / srt / ass 或直接粘贴文稿 → 选音色 → 「开始配音」,输出 MP3/WAV(可同步生成 SRT 字幕)。多角色文稿写成 【角色名】台词 或 角色名:台词,每个角色可单独选音色,也可点「自动分配」一键配齐
• 🎬 视频配音:拖入视频 + 带说话人的字幕,按说话人自动分配音色重新配音,背景音保留、语音与画面时间轴对齐

音色三来源:

1. 内置音色:14 个真人音色(中 / 英 / 日),开箱即用
2. 克隆音色:选一段干净人声(15 秒以上效果最佳,支持 wav/mp3),引擎即刻模仿这个声音说话
3. 麦克风录制:点录音按钮读一段提示文本(上限 20 秒),用你自己的声音配音——本机音色只存在你电脑上(标「·本机」),不会随软件分发

配音引擎:下拉里有多款引擎可选,各有特长(克隆相似度 / 情绪控制 / 语速调节 / 轻量省显存),每款都标注了所需显存——听不准就都试一句,用「试听前 3 句」快速比对。默认 IndexTTS-2.5(克隆/情绪/语速全能)。

几个说明:

• 首次使用要下载配音模型(每款引擎一个,2~6 GB):模型管理页下载,支持国内镜像 + 夸克网盘兜底(同第三节);引擎运行时已随软件内置,无需单独安装
• 配音过程可随时停止,已合成的段落保留
• 输出文件名自动标注所用引擎,方便多引擎对比
• 配音按时长计次,与转录同一套次数;试听不扣次

·六、参数说明

6.1 快捷配置(首页)

视频语言 / 字幕输出

• 视频语言 = 音频实际语种,支持 23 种 + 自动检测:日 / 英 / 韩 / 中 / 德 / 法 / 西 / 葡 / 意 / 俄 / 荷 / 波兰 / 捷克 / 乌克兰 / 泰 / 越南 / 印尼 / 马来 / 印地 / 菲律宾 / 土耳其 / 波斯 / 阿拉伯(建议显式选语言;自动检测在低显存下有局限,见 6.3)
• 字幕输出 = 目标字幕语言,支持 中文 / 英语 / 泰语 / 越南语 / 印尼语 / 马来语(中文视频出海直接选目标语种即可)。两者相同 = 不翻译,只出原文

内容类型(影响领域词表 / 人物分析是否启用)

• 影视 · 剧集 / ASMR·音声 / 课程·访谈
• 选对类型,识别与翻译的用词更贴合该题材

预设场景(一选即调好 ASR / 翻译 / VAD / 人声分离 等一整套)

输出 SRT:除 ASS 外额外出一份 .srt。高级设置:打开后展开下面 5.3 的技术参数。

6.2 字幕样式编辑器

点「样式编辑器…」打开。上方 15 个预设卡片(经典白字 / 黑底白字 / B站弹幕风 / 双语主中文 / Netflix极简 / ASMR柔和粉 / 半透明黑框 / 综艺花字黄 / 日综粉紫(袋文字双层描边)/ 经典黄字 / 蓝调描边 / 电影感衬线 / 少女粉框 / 霓虹微光(发光字)/ 文楷手写),选一个再用底部控件微调,实时预览:

• 字体 / 主字号:主语言(译文)的字体与字号(1080p 基准,40~88)。除思源黑体 / 宋体外,内置 4 款花字体:霞鹜文楷(楷体)、得意黑(潮流斜体)、站酷快乐体(可爱花体)、马善政毛笔(书法),全部开源可商用,已随软件内嵌,观众端无需装字体(软字幕自动打包进 mkv,烧录直接生效)
• 副字号:副语言(原文)字号 = 主字号 ×此百分比(50%~90%,默认 74%)
• 主色 / 描边色 / 描边粗细:主语言颜色与描边
• 副字体 / 副色:副语言(原文)的字体与颜色(独立设置)
• 外圈/光晕色 · 外圈粗细 · 发光强度:第二层描边——「实边」= 日综袋文字(白边外再包一圈深色边);调到「微光~超强」= 字幕周围发光(外圈色即光晕色,粗细即光晕范围)

6.3 高级设置(技术参数 · 手动指定模型)

默认所有模型都走 「自动」(按 语言 × 显存 智能路由,见上文表格),省心。但你完全可以手动指定 —— 打开首页右侧「高级设置」开关后,下面这些会展开成下拉框,可覆盖自动选择:自选 ASR 模型、VAD 后端、音频源、翻译后端 / 模型等。

各项 作用 · 取值 · 推荐:

一键适配显卡 / 显存自适应

• 作用:探测显存,自动选 ASR / 翻译模型档位 + batch_size,避免 OOM
• 推荐:不确定就点它;它会按下面「六、推荐配置速查」的档位设好

ASR 模型(语音识别)—— 默认「自动」按「语言 × 显存」选最优;也可在下拉里手动指定任一模型

「自动」时各语言 / 显存的实际选用(模型 + 自动 batch,与软件路由代码逐格核对,v2.2.8):

• batch 随显存自动适配:同一模型,显存越大 batch 越大、越快;显存小自动降 batch,尽量让低显存用户也能用上高精度模型
• 日 / 中 / 韩 / 泰 / 越等亚洲语言 8~12 GB 全程用 Qwen3-ASR(高精度专项模型):12GB 用 1.7B,10GB 及以下自动降 0.6B,8GB 靠最低 batch 贴边跑
• ⚠ 8 GB 提示:0.6B 在 8 GB 是贴边运行(峰值接近上限),建议先用短视频试一次;若 OOM 可手动改用 Kotoba(日语)/ Whisper turbo
• 6 GB 及以下:日语换 Kotoba(4GB 专精)→ 4GB 换 Anime-Whisper;中韩及亚洲语言换 Whisper turbo;快速模式下日语也优先 Kotoba(更快)
• ⚠ 「自动检测」在 6GB 及以下会落到 Parakeet(它不支持日中韩)——低显存跑亚洲语言视频请显式选语言,别用自动检测
• 无卡 / 纯 CPU:英欧语言用 Parakeet 照样快(CPU int8 ~12 倍实时);日中韩等在 CPU 上很慢,强烈建议切 ☁ 云端模式

各模型说明:

• Qwen3-ASR 1.7B ★:日 / 中 / 韩 / 泰 / 越等亚洲语言高精度(日语 Fleurs WER 5.20%,业界最高),困难场景(叫喊 / 快语速)鲁棒,字级时间戳;需 ~11 GB
• Qwen3-ASR 0.6B:1.7B 的轻量版,语言覆盖相同;10 GB 自动选用,8 GB 配最低 batch 也能跑(贴边)
• Parakeet-TDT 0.6B v3:英 + 欧洲 25 语专精(onnx,GPU 5.6 GB / CPU int8 ~12x 实时);英语 Fleurs 4.85%
• Kotoba v2.0-faster:日语专精,CT2 int8,仅需 4 GB,快
• Whisper large-v3-turbo:多语言通用(809M 蒸馏),快;非专精语言 / 低显存的兜底
• SenseVoice Small:< 2 GB / 纯 CPU 兜底,多语言(段级时间戳)
• Anime-Whisper:动漫 / ASMR 气声 · 环境音等拟声专精(对白仍推荐 Qwen3)
• MOSS 0.9B(v2.2 新增):转录 + 说话人一体,一趟出转录 + 说话人归属 + 句读;多人对话 / 访谈类更准(实测比默认组合多出约 20% 字幕),显存只要 6-7 GB;需下载约 1.8 GB
• ⭐ 低显存(6-8 GB)跑日语的高性价比之选:比同档的 Kotoba / Whisper 对白更全,且自带说话人 → 换人自动分条,字幕显示观感明显更好;显存不够跑 Qwen3-ASR 时,手动选它很值
• 想要说话人标签时,它比"另开说话人分离"更省事(不用额外下 DiariZen、也不额外费时间);默认只做转录,说话人标签在「设置 → ASR」里开
• 注:MOSS 主打日语;中文视频不建议用它(会偶发掉字),中文请用 Qwen3-ASR / Whisper turbo
• 手动还可选:FunASR Paraformer、Whisper large-v3 / v2、Chickenrice(日→中直翻,跳翻译)、Kotoba v2.2

VAD 语音检测后端

• Silero★:默认,神经网络精度高
• FSMN:阿里,速度快(全阿里方案配 FunASR)
• TransWithAI:专为日语 ASMR 优化
• TEN:对白优化,边界紧、速度快(约 316×);搭配动漫模式 / Anime-Whisper 效果佳
• 注:管线为多层架构(Silero 主检测 + 能量 / FSMN 兜底补检),漏检会自动补救

ASR 音频源

• Demucs + loudnorm★:人声分离 + 音量归一,字幕覆盖率最高(推荐)
• loudnorm:仅音量归一,无分离伪影
• Demucs / 原始音频:特殊场景用

人声分离(Demucs):从背景音 / BGM 里抽人声。BGM 强(动漫 / MV)建议开;纯人声对白可关(省时间)。

• 模型:htdemucs_ft(最高质量,慢 4×)/ htdemucs(快 4×,推荐)

说话人分离(Diarization):区分多人 + 性别。主要收益:换人自动分条(不同人不会挤在一条字幕里,显示更清晰)+ 翻译时知道"谁在说话"(人称 / 敬语更准)。默认关闭(它约占总耗时 1/4);多人剧情想要时手动打开,或直接切「精校模式」预设(它保持开启)。

翻译后端 / 模型(下拉可选)

• Hy-MT2-7B 本地 ★(默认,12GB+):腾讯混元翻译 2 代 7B,GGUF 本地推理,33 种语言;信达雅、重复幻觉少(实测约为 qwen 的 1/4)
• Hy-MT2-1.8B 本地(低显存 4-6GB):7B 的轻量版,显存紧时用
• ☁ 云端翻译 · 填算力密钥即用:走官方云端(默认 DeepSeek-V4-Flash),无需显卡 / 无需下模型,填算力密钥即用(即「云端模式」的翻译,见 5.1)
• Sakura(legacy):旧版日译中模型,保留兼容
• 译前还会做全量分析(人物表 / ASR 纠错 / 剧情摘要)注入翻译,让人名、术语、上下文更连贯(默认 qwen 跑分析、Hy-MT2 跑句子翻译)

·七、推荐配置速查

按显卡显存(语幕会用「一键适配显卡」自动设到这些档)

按使用场景

·八、常见问题

Q:处理很慢 / 卡在某阶段

A:音频提取与人声分离(Demucs)较慢属正常;不需要人声分离时在高级设置里关掉能省很多时间。识别 / 翻译走 GPU,确认没有别的程序占用显卡。

Q:显存不足 / CUDA out of memory

A:点「一键适配显卡」自动降档;或手动:换更小 ASR(1.7B→0.6B)、关 pre-analysis、调小 batch、关人声分离。

Q:开了「说话人分离」却没有说话人标签?

A:几种情况它会自动停用(日志里有提示,不是坏了):① 云端模式 / 无显卡(它需要本地 GPU)—— 云端想要说话人请把识别引擎换成「整段识别」;③ DiariZen 模型没下载(会跳过这步继续出字幕)。另外「按性别上色」是独立开关、默认关——没上色不代表说话人没生效,分段和翻译照样受益。

Q:出来没有字幕 / 字幕很少

A:检查视频语言选对没;ASMR / 极低声场景用「ASMR 模式」;纯背景音乐段落本就无对白。

Q:第一次用,一直在下载 / 卡在下载模型

A:识别和翻译大模型第一次用到时要联网下(每个 1~7 GB),这是正常的。详见第三节《下载模型》。建议开始处理前先在「模型管理」把要用的模型下好。小模型(VAD / Demucs)已内置、无需下载。

Q:模型下载很慢 / 失败

A:默认走 ModelScope / HF-Mirror 国内镜像(无需梯子);可在「模型管理」里重试,支持断点续传。实在下不动 → 用夸克网盘手动下载兜底:下载失败会弹「手动下载」窗口,点里面的夸克链接下好文件后,再点「选择已下载的文件」,软件自动归位——不用自己放目录。详见 3.3。夸克总链接:https://pan.quark.cn/s/066843f3f74b。

Q:夸克下载的模型放哪个文件夹?

A:一般不用自己放——在「手动下载」窗口点「选择已下载的文件」选中它,软件会自动解压 / 复制到位。若要手动放(离线批量装机):放到 C:\Users\你的用户名\.jav2ch\models\<模型id>\,详见 3.4。

Q:C 盘被模型占满了怎么办?(高频)

A:模型默认放在 C 盘用户目录下,几个大模型加上各库缓存很容易占十几到几十 GB。到「模型管理」页,顶部会显示占用明细和剩余空间,点右边的 「搬到其他盘…」,选个空间大的盘(需 NTFS 格式的本地硬盘),软件会把模型和缓存整体搬过去,并在原位置留一个「目录联接」。

另外从 v2.2.5 起,下载前会检查空间,不够时提前提示,不会像以前那样下到一半才失败。

Q:生成的 mkv 打不开 / 黑屏?

A:多半是源视频是 AV1 编码(YouTube 高清下载常见),「内嵌」模式不改视频流,老播放器 / 老显卡不支持 AV1 解码就放不出来。两个办法:① 换支持 AV1 的播放器(新版 PotPlayer / VLC / mpv);② 「视频输出」选烧录——重编码为 H.264,任何设备都能放。

Q:AVI / 老格式视频跑完,内嵌字幕看不到?

A:AVI 这类老容器本身不支持内嵌字幕轨,所以软件会在输出目录另存一个 原名.softsub.mkv(画质无损)。请播放这个 mkv,不是原来的 avi。如果 mkv 里还是看不到字幕:换 PotPlayer / VLC(Windows 自带播放器对 mkv 字幕支持差),或播放时右键 →「字幕」→ 选择字幕轨。

Q:内嵌和烧录选哪个?

A:自己在电脑上看 → 内嵌(秒出、无损、播放器可开关字幕);要拿去剪辑或上传平台 → 烧录(字幕烧进画面,重编码慢一些,但任何设备 / 平台上字体永不错乱)。

Q:没有独立显卡能烧录吗?

A:能。没 N 卡时自动用 CPU 编码(慢一些但能出片);有 N 卡自动走 NVENC 加速。只想让播放器显示字幕的话,选内嵌更快。

Q:烧录很慢正常吗?

A:正常,烧录需要重新编码整个视频(有 N 卡自动用 NVENC 加速)。只是自己看就用内嵌。

Q:字幕带黑色底板,想去掉?

A:是之前应用过带底板的样式预设(黑底白字 / 半透明黑框),它会一直生效直到换样式。去掉:首页「样式编辑器…」→ 点「经典白字」→「应用到字幕」。首页样式条显示的就是当前实际生效的样式。

Q:双语字幕显示太多行 / 太挤

A:双语已限制每屏最多 2 行;在样式编辑器把副字号调小(如 65%)原文更容易一行放下。

Q:激活失败

A:确认联网(无需梯子);检查激活码大小写 / 横线 / 空格;一码一机,换机需联系卖家解绑;杀软 / 防火墙可能拦截,临时关闭再试。

Q:软件无法启动 / 双击没反应

A:确认 NVIDIA 显卡 + 较新驱动;确认 _internal 文件夹完整未被杀毒删除;路径尽量英文;试管理员权限运行。

Q:超长视频(3-4 小时)跑到人声分离就失败 / 提示内存不足

A:v2.2 起会自动分段处理超长音频,不再需要你手动剪片。若仍提示内存不足:关掉占内存的程序(浏览器 / 游戏)后重试,或把「人声分离」关掉(纯对白视频关掉几乎不影响字幕)。

Q:提示"模型文件不完整"怎么办?

A:模型没下完整(下载中途断网 / 被取消最常见)。到「模型管理」点「下载」,如果下载失败,选择「手动下载」走网盘下载。想立刻能用也可以先换成已下好的其他模型,或切「云端模式」(不用下模型)。

Q:配音失败,提示显存不足?

A:配音引擎按显存分档,下拉里每款都标了所需显存——换一款标注更低的引擎;关闭其他占显存的程序(浏览器视频页、游戏、正在跑的转录任务)后重试。

Q:手动安装配音模型时提示"不是有效的 GGUF 模型 / 文件下载不完整"?

A:网盘下到的文件不完整或下错了(浏览器中断、下成网页最常见)。重新从夸克把该模型文件下完整(对一下文件大小,一般 2~6 GB),再点「选择已下载的文件」。这个提示是软件在安装前帮你把关,避免配音跑到一半才报错。

Q:克隆出来的声音不像?

A:参考音质量决定相似度:选一段只有目标人声、无背景音乐的干净片段,15 秒以上效果最佳;太短(几秒)相似度会明显下降。换一款主打克隆的引擎(如 IndexTTS-2.5)也有帮助。

版本:v3.1.0(2026-09)

官网:https://vidtai.cn

• 语幕的最新版下载、在线版使用指南都在官网
• 同系列桌面工具:无痕(去水印 / 去字幕 / 去物体)、画质超清(老片 / 低清修复到 4K)、PDF 转 MD

售后联系(购买后添加,方便售后):

• 微信:yooooloooov8
• QQ:3091184072
• 交流 / 求助 QQ 群:1075669841(问题群里互助、更新通知,推荐加)

·售后联系

• 微信 yooooloooov8
• QQ 3091184072 ｜ QQ群 1075669841
• 官网 vidtai.cn ｜ 云端充值 教程 ｜ B站演示视频