SoulDub

Video Translate 是一套 AI 视频翻译工作流，可将视频中的语音翻译成其他语言、生成带时间轴的 SRT 字幕、通过文本转语音（TTS）生成配音，并将新音轨合并回视频，全程自动完成。

去年有天晚上，我在电脑上看一段很有启发性的科技视频。视频是英文的，配有中文字幕。看着看着，我突然想到：要是能直接听中文版就好了。这样就不用一直盯着字幕看了，通勤时、睡觉前，随时都能听。后来，我真的把它做出来了。

但从萌生这个想法，到打造出一个人人都能用的产品，花的时间远超我的预期。最初有了这个想法后，我试用了几款视频翻译工具。它们都支持翻译成中文，但听起来总觉得不太对劲。

视频里的人还是那个人，可声音却变了。他说每句话时的情绪也消失了。想象一下，一个你很熟悉的人，突然换了语气、换了声音说话。你能听懂意思，但那种熟悉的连接感却断了。就像看着熟悉的人，却听见一个陌生人在替他说话。

我真正想要的其实很简单：翻译成中文，但保留原本的声音，也保留说话时的情绪，以及每个字里的细微语气。声音里的这些细节很重要。同一句话，轻声说和用力说，带给人的感受完全不同。

我四处寻找，后来发现了一种模型方案。当时可选的方案不多，但这种方案在保留声音方面的效果让我看到了希望。

有模型是一回事，做出完整的视频又是另一回事。推理速度慢得令人难以忍受，我也不能把整段视频直接交给它，然后等着拿到翻译准确、音画同步、还能保留背景音乐的成品。一切都得我自己串联起来。

我分享了一些样片后，不少人问我能不能把它做成一个人人都能用的工具。我也这么想。说实话，有 AI 辅助编程，我还以为很快就能搞定，对吧？核心翻译流程已经跑通了，剩下的不就是搭个网站、让用户上传视频吗？

结果，整整花了一年。

后来我才明白，做出一个能演示的东西，和做出一个大家能稳定使用的产品，完全是两回事。自己用的时候，只要视频处理正常就行。但要让其他人使用，我还得做好注册、登录和数据持久化，确保用户之间的数据不会互相泄露，也要保证多人同时上传时系统不会崩溃。

如果系统宕机了怎么办？用户越来越多、需要扩容时怎么办？用户能不能一看就知道怎么用？数据库、服务器、对象存储、域名、DNS……每一项都得逐一处理。每个部分单独看都没问题，可要怎样把它们整合起来，才能让大家顺畅地使用服务？总会有一件事等着你，然后还有下一件。

AI 可以帮忙，但事情做得对不对、出了问题该怎么办，最终还是得由你负责。

那我为什么还要继续做下去？因为我承诺过。我向那些想要这个工具的人承诺过，也向自己承诺过。这个念头一直支撑着我。

现在，我终于可以把它交到大家手里了。

它叫 SoulDub，意为“有灵魂的配音”。它支持 30 多种语言和部分方言。

使用起来很简单：

网页端：访问 souldub.ai，上传视频，选择语言，点击开始，就这么简单。

Agent 方式：在浏览器中搜索 github-souldub-skills，通过你常用的 Agent（ChatGPT、Claude、Gemini 等）安装这个 Skill。安装后，Agent 就能翻译你本地的视频。翻译后的视频和字幕会自动下载到原视频所在的文件夹。

无论通过哪种方式处理，视频都会显示在你的 SoulDub 账户中。

还有一点非常重要：你可以手动检查和编辑。如果字幕不够准确，或者配音需要调整，都可以直接在网站上修改。AI 先完成初稿，你再进一步打磨重要的部分，让成品质量不断提升。

欢迎试用。有任何反馈、问题或想法，都可以告诉我。

是的，使用起来很简单。网页端：访问 souldub.ai，上传视频，选择语言，点击开始，就这么简单。Agent 方式：在浏览器中搜索 github-souldub-skills，通过你常用的 Agent（ChatGPT、Claude、Gemini 等）安装这个 Skill。安装后，Agent 就能翻译你本地的视频。翻译后的视频和字幕会自动下载到原视频所在的文件夹。无论通过哪种方式处理，视频都会显示在你的 SoulDub 账户中。还有一点非常重要：你可以手动检查和编辑。如果字幕不够准确，或者配音需要调整，都可以直接在网站上修改。AI 先完成初稿，你再进一步打磨重要的部分，让成品质量不断提升。

SoulDub 这个名字寓意着配音应该保留声音中的灵魂。它支持 30 多种语言和部分方言。

当然可以。我们在 x.com 上发布了 SoulDub 的最新动态，你可以在那里查看翻译效果演示：https://x.com/souldub_ai/status/2112847066070397194

使用 SoulDub 翻译视频只需三步：上传视频、选择语言、开始翻译。点击此处观看操作简单的教程：https://www.youtube.com/watch?v=e4UjxZmwXfQ