TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
VideoLingo 開源影片翻譯工具，自架前先看清三段資料流向
VideoLingo 是 GitHub 上 18,000 顆星的 Apache-2.0 開源影片翻譯管線，從下載、轉錄、翻譯到單行字幕與配音一條線跑完。自架前值得先看清三段資料流向：影片檔留在本機、逐字稿全文送你設定的 LLM 端點、配音譯文再送 TTS 雲端；預設 API 端點也曾在 2026 年 8 月換過一次，照舊教學設定會踩到死連結。
用 AI 摘要這篇文章：
先講結論。VideoLingo 是 GitHub 上超過 18,000 顆星、採 Apache-2.0 授權的開源專案，把「取得影片、轉出逐字稿、翻譯、切成單行字幕、配音、合成新片」串成一條按一次就跑完的流程。它適合的讀者很具體：手上有一批自己的影片要做成繁中字幕（可能還要配音）、願意自己申請 API 金鑰、電腦最好有 NVIDIA 顯示卡。如果你只想把影片丟上去、按個按鈕就收成品，官方同名的 videolingo.io 雲端服務會省事得多，代價是影片得交給對方的伺服器處理。
這兩個東西常常被混為一談，但其實是兩個產品。開源版要自己裝環境、自己填金鑰、自己付 API 帳單；雲端版給 15 分鐘影片的免費試用，再往上走付費方案，兩種成本與信任模型完全不同。網路上的介紹常把雲端版的模型方案直接搬來描述開源版，實際的預設模型要看設定檔才算數。
我把原始碼 clone 下來，讀過設定檔、管線程式與提示詞，這篇的重點放在幾個問題：這條管線怎麼拆、資料在哪幾段會離開你的電腦、自架真正要付哪些帳。我沒有實際跑完一支影片的翻譯，這裡講的是原始碼與官方文件能證明的部分。
十二個步驟攤在資料夾裡，壞了知道壞在哪
打開 core 資料夾，管線的骨架一目了然：_1_ytdlp.py 到 _12_dub_to_vid.py，十二個編號檔案各自負責一段。用白話串起來是：先拿影片（用 yt-dlp 下載，或直接把本地檔案丟進資料夾，兩種都支援），WhisperX 把聲音轉成逐字稿，接著用 NLP 加 AI 把長句切成字幕單位，先做一次全片摘要讓翻譯有上下文，然後進翻譯，再按單行長度規則切字幕、燒進畫面；要配音的話，中間可以先用 Demucs 分離人聲，再逐句合成語音、混回影片。
這種拆法對自架者有實際好處。每一步都有獨立的日誌，README 也標榜隨時中斷、下次續跑，Streamlit 介面上有暫停與停止控制；出問題時你能定位卡在哪個編號，而不是整包重來。原始碼裡還有一個對荷包友善的設計：LLM 的問答結果會存在本地 gpt_log 快取，同樣的提示詞再跑一次不會重複扣費，重跑翻譯段時尤其有感。翻譯前那段全片摘要也不是裝飾，它同時餵兩個地方：給翻譯模型當上下文，避免前後句各翻各的，也給術語庫當材料，讓專有名詞全片一致。
如果你手上是一整季的課程或一整個頻道，倉庫裡附了批次模式：把任務列填進 tasks_setting.xlsx，跑一鍵批次腳本就能排隊處理，每個任務的輸出落在各自的資料夾。不過批次愈大，前面講的 API 帳單與快取設計就愈重要，先單支試跑再放大，是比較穩的做法。
當然它不是零毛病。2026 年 9 月初就有人回報，檔名以 output 開頭的輸入影片會被 find_video_files 拒於門外（issue #596，修復 PR #597 還在等合併），這種邊角案例提醒你：它是活著的專案，也就代表永遠有還沒修完的細節。
影片檔不出門，出門的是逐字稿與配音文字
「自架」容易讓人以為所有處理都在自己機器上，把設定檔 config.yaml 讀完後，實際的圖像分成三段，每段的答案都不一樣。
轉錄這段是真的在本機。Whisper 的執行模式預設 local，用 WhisperX 的 large-v3 模型直接吃你硬碟裡的影片或音訊檔，這段沒有任何上傳。代價是硬體：官方安裝說明要求 Windows 加 NVIDIA 顯示卡先裝 CUDA 12.6 與 CUDNN 9.3，FFmpeg 是必備依賴；Mac 與 Linux 官方只給了啟動指令，GPU 加速的說明以 Windows 為主，在沒有 CUDA 的機器上跑 large 這種等級的模型，合理預期就是慢，這點我沒有實測，但你需要先有心理準備。真的沒有顯示卡的話，設定檔也提供改走 302.ai 或 ElevenLabs 雲端轉錄的選項，只是那樣一來第一段也就出門了。
翻譯這段預設走雲端 LLM，金鑰要自己帶。預設端點是 OpenRouter 的 deepseek/deepseek-v4-flash，透過 OpenAI 相容協定呼叫，任何相容端點都能接，本地模型也行（設定檔註明本地 LLM 要把並行數降為 1）。這裡有個值得記下的教訓：2026 年 8 月 23 日的 commit，作者把前一版預設的 Yunwu 端點整個換掉，理由是那個端點已經死了。也就是說，你照幾個月前的教學文設定，很可能直接踩到已失效的預設值，安裝時務必以倉庫目前的 config.yaml 為準。原始碼裡另有個小細節：端點網址含 ark 時會自動改接火山引擎的北京位址，等於替特定雲端的用戶寫了捷徑，這對一般台灣用戶沒影響，但能看出它的主要用戶群在哪。
配音這段同樣預設走雲端，而且官方文件把各方案的優劣講得比多數工具誠實。預設的 azure_tts 走 302.ai 的聚合金鑰，官方自評聲音自然但情感不夠豐富；OpenAI TTS 的中文被官方自己標了「聽起來像外國人」；要複製原講者的聲音，SiliconFlow 的方案會自動拿影片前十秒的聲音當音色（這項功能要付費積分），GPT-SoVITS 則是本地執行、官方稱聲音複製效果最強，代價是只支援中英文、要本地訓練推理、配置麻煩。完全免費的選擇是 edge_tts，官方自評效果普通。換句話說，配音段送出門的是要念出來的譯文句子，而聲音像不像本人，取決於你願意為聲音複製付出多少設定成本。
| 管線階段 | 預設跑在哪 | 會離開電腦的內容 | 你要先準備 |
|---|---|---|---|
| 轉錄（WhisperX） | 本機 | 影片與音訊留在本機 | NVIDIA 顯示卡、CUDA、FFmpeg |
| 翻譯（LLM） | 雲端 API | 逐字稿與譯文全文 | OpenAI 相容端點金鑰 |
| 配音（TTS） | 雲端 API | 要念出來的譯文句子 | 302.ai 金鑰，或改用 edge_tts |
對內容敏感的人，這張表比任何功能清單都重要。企業內訓影片、還沒公開的產品 demo，就算影片檔全程留在本機，一旦逐字稿全文送進你設定的 LLM 端點，內容就離開了你的掌控範圍，選哪一家、選哪個地區的端點，責任都在你自己身上。沒有顯示卡的人還有一條路：倉庫附了 Google Colab 的筆記本，算力用雲端的，但那等於把整支影片搬上 Colab 的機器處理，第一段也出門了，等於換一種方式放棄本地這段優勢。
給台灣用戶的兩個細節：介面語言檔有簡體中文與香港繁中（zh-HK），沒有台灣繁中，用介面時要習慣其中一種；不過翻譯目標語言的欄位接受自然語言描述，直接填「繁體中文」就行，產出不受介面限制。
「Netflix 標準」在原始碼裡是一句提示詞
README 最響亮的宣傳詞是 Netflix 級字幕、單行呈現。追進原始碼，這句話的實體由兩部分構成。硬規則是真的：_5_split_sub.py 有一個字元長度上限（設定檔預設 75，譯文再乘上 1.2 的係數），超過就再切，單行不越界是寫死在程式裡的。至於「Netflix 標準」本身，存在於 prompts.py 的角色設定：提示詞要求模型扮演專業的 Netflix 字幕切割師，並按照 Netflix 字幕規範來切分與翻譯。也就是說，那是提示詞裡的自我要求，加上可調的長度參數，並沒有任何 Netflix 官方的認證或稽核。
翻譯品質的設計倒是比多數一鍵工具認真。流程是三步：先直譯、再回頭反思檢查、最後按語感重寫，設定檔允許你關掉反思步驟換速度；翻譯前會先建立術語庫（你自己給的清單加上 AI 從全片摘要生成的建議），還有個開關能在翻譯前暫停，讓你手工改完術語表再繼續。這些機制能不能兌現成好翻譯，取決於你接的模型，原始碼只保證流程存在，不保證產出水準，這是看文件時要分清楚的兩件事。
另外要先確認來源語言。README 對輸入語言的支援度有分級：英文、法文、德文、義大利文、西文都列在最佳一級，俄文次一級，日文普通，中文走的是另一個加強標點的 Whisper 模型。翻譯目標語言理論上不受限，配音語言則看你選的 TTS 有沒有那個聲音。拿冷門語言的素材進來之前，先拿一兩分鐘樣本試轉錄，會比看完規格表更準。
自架要付的三種帳單
硬體帳單剛剛提過：本機跑 large-v3 級別的轉錄模型，顯示卡幾乎是入場券。軟體帳單是兩筆 API 用量：LLM 按 token 計，TTS 按字元或用量計，金額我沒有實測數字，不替你猜行情，只能說成本結構是「本機電力加兩筆雲端帳單」，跑量大的話記得先拿短影片試算。第三種是維護帳單，這種帳單付的是注意力：release 頁停在 2026 年 2 月的 v3.0.1，但 main 分支的 commit 到 2026 年 8 月下旬還在動（換掉失效的預設端點就是一例），issue 到 9 月初仍有人回報，也有人提交修復等著合併。這是典型的「發版慢、開發沒停」的專案，判斷它死活要看 commit 與 issue，不要只看 release 頁的日期。
對照組是官方雲端 videolingo.io，15 分鐘影片免費試用，之後走付費方案。它解決了環境與金鑰的門檻，但你的影片與內容會上傳到對方伺服器，隱私邊界與開源版完全不同。同名的兩個產品，一個賣軟體、一個賣服務，選哪個取決於你的內容敏感度與折騰意願。
跟 Violin、雲端字幕服務怎麼選
開源陣營裡最直接的對照是 Violin：同樣做影片翻譯，它走的是拆解路線，把流程切成四段、每段自己挑模型、自己算配音成本。想掌控每個環節、逐段比較效果的人會喜歡 Violin；要一條龍跑完、中途只想看結果的人，VideoLingo 的整合度省事得多。場景上也有一個常見的區分：看影片的當下想要即時雙語字幕，那是 AirTranslate 那類工具的任務；VideoLingo 做的是離線後製，產出的是成品檔。
如果不想架環境，SubEasy 這類雲端字幕服務用點數換便利，素材上傳就能開工，適合一次性需求。只想要逐字稿、不需要翻譯與配音的話，bili2text 或自架的逐字稿工具更輕；想把影片整理成圖文筆記的，可以看我寫過的 AI-Media2Doc。整理成決策軸就是依序問自己：內容能不能出門、願不願意管金鑰與環境、要的是字幕還是連配音都要。
拿別人的影片加配音，先過授權這關
專案倉庫自己的簡介寫著影片搬運的應用場景，yt-dlp 下載也在預設流程裡，這讓它離版權爭議只有一步之遙。工具本身是中性的：翻譯自己的課程、幫取得授權的素材做多語版本、做教育目的的字幕，都是正當用途。但把別人的正片下載、翻譯、配音後再上傳散布，會同時碰上 YouTube 服務條款與著作權法，這條線不會因為工具開源就變得模糊。判斷方式很樸素：如果影片不是我拍的，我有沒有得到改作與再散布的授權？沒有的話，自架工具只是把風險從雲端服務搬到自己家裡，並不會消失。
備齊顯卡與金鑰，拿短影片試跑第一輪
官方文件在 docs.videolingo.io，README 提供用 uv 建環境的路線（會自動抓 Python 3.10，不必先裝 Anaconda），Windows 另有一鍵啟動腳本。動手前把四樣東西備齊：FFmpeg、Windows NVIDIA 用戶的 CUDA 12.6 加 CUDNN 9.3、一組 OpenAI 相容端點的 LLM 金鑰，以及 TTS 方案（不想先花錢就選 edge_tts）。接著在 config.yaml 填好金鑰、端點、模型名稱三個欄位，把 target_language 改成繁體中文，拿一支幾分鐘的短影片試跑，對照三段資料流向檢查一次成品，你就知道這條管線值不值得留在你的工作流裡。
