English · 中文

VoxTrans

本地化音视频转录与字幕翻译工具。完全离线运行，支持 11 种源语言的语音识别，以及 18 种语言的字幕互译。

原帖发布于 52破解论坛 · 更新记录见 Releases

下载

• GitHub Releases（CPU / CUDA 版本）
• 蓝奏云: https://wwbxg.lanzouq.com/b00jf5bdch 密码: h3oe

功能

• 多语种转录：11 种源语言（英语、中文普通话、粤语、日语、韩语、法语、德语、意大利语、西班牙语、葡萄牙语、俄语）
• 多语种翻译：18 种目标语言（简中、繁中、英、日、韩、法、德、西、意、葡、俄、阿、越、泰、印尼、土、荷、波）
• 人声分离：内置 Demucs HT，降低背景音乐对转录的干扰
• 字幕导出：原文 / 译文 / 双语（原文在上）/ 双语（译文在上）共 4 种 SRT 格式
• 字幕编辑器：逐句校对与微调
• 硬字幕压制：烧录到视频，可调字体大小
• 断点续跑：任务进度自动持久化，中途关闭不丢失，支持失败重试
• YouTube 支持：粘贴链接即可导入

模型

内置三类模型：**ASR（语音识别）**把音频转成文本，对齐模型负责打词级时间戳，人声分离（可选）在转录前压制背景音乐。

VoxTrans 当前 UI 启用 11 种源语言（中英粤日韩德意西葡法俄）。实际可用的语言以对齐模型支持的 11 种为限：中、英、粤语、日、韩、法、德、西、意、葡、俄。

ASR 模型

模型	参数量	体积	推荐场景
Qwen3-ASR-0.6B（默认）	~0.6B	~1.8 GB	精度与速度平衡，低显存友好
Qwen3-ASR-1.7B	~1.7B	~4.7 GB	开源 SOTA 精度，需更多显存
cohere-transcribe-03-2026	2B	~3.9 GB	英语、欧洲语言

对齐模型（必需）

模型	参数量	体积	支持语言
Qwen3-ForcedAligner-0.6B	~0.6B	~1.8 GB	中、英、粤语、日、韩、法、德、西、意、葡、俄

对齐模型把 ASR 转录文本与音频对齐，输出词级别时间戳。仅此一个，所有 ASR 模型共享。

人声分离（可选）

模型	体积	说明
htdemucs_ft	~349 MB	Hybrid Transformer Demucs v4，可在转录前分离背景音乐与人声，降低背景音乐导致的识别错误

使用

1. 设置 → 模型下载，下载 ASR 模型和对齐模型（首次使用推荐 Qwen3-ASR-0.6B + Qwen3-ForcedAligner-0.6B）
2. 选择源语言与目标语言，导入文件或粘贴 YouTube 链接
3. 等待任务完成，在编辑器中微调，导出字幕

可选：下载 htdemucs_ft 启用人声分离。有 NVIDIA 显卡可在设置中启用 CUDA 加速，显著缩短处理时间。

构建

前置依赖： Node.js 18+ · Rust 1.75+ · VS2022 Build Tools（C++ 桌面开发）

获取二进制工具：

从 Releases（tools） 下载 ffmpeg.exe、yt-dlp.exe、demucs.exe，放入 src-tauri/bin/。

或运行脚本自动下载：

.\scripts\download-binaries.ps1

构建命令：

npm install
npm run tauri build                  # CPU 版本
npm run tauri build -- --features cuda  # CUDA 版本（需 CUDA Toolkit）

安装包输出到 target\release\bundle\nsis\。

许可

MIT License