如何用 AI 给长视频翻译配音：最长 2.5 小时的讲座、课程和播客

你最值得分享的视频，可能早就做好了：录制的工作坊、一节课程、一场长访谈，或上一季播客。过去，要让西班牙语、德语或日语观众看懂，你得准备逐字稿、找译者和配音演员，还得为每一集花一个下午用音频编辑器处理。

ImageGPT 的视频翻译工具现在有了专门处理长视频的模式。上传你自己的视频，时长可以从 1 分钟到 2.5 小时；检查译稿、选择声音，然后下载带有译文和原声的 MP4。每一步开始前，你都能看到所需积分。

先看看成片效果

我们选用了《Tour of the Moon》开头的 2 分 14 秒。这段月球上空的飞越画面由 NASA 的 Scientific Visualization Studio 根据 Lunar Reconnaissance Orbiter 的数据制作，并配有解说。NASA 视频属于公有领域，可以使用。我们上传视频，选择西班牙语和旁白配音模式，其余设置全部保持默认。

AI 识别出 1 位说话人，把解说拆成 18 行，并按上下文连贯翻译，而不是逐字硬译：“Orientale basin”译成了“la cuenca Oriental”，LRO、Diviner 和 LOLA 等名称则保持不变。从上传到生成成片，只用了 1 分多钟。

成片 MP4 会原样保留你的视频画面，不会重新编码。文件中有 2 条音轨：默认播放的译文和原声，还附有两种语言的字幕。观众可以在 VLC 等播放器中切换音轨；你也可以下载 SRT 和 VTT 字幕文件，用于 YouTube 或你的课程平台。

可以翻译哪些内容

只能翻译你拥有或有权使用的内容，例如你自己制作的视频和频道节目、课程与线上研讨会、访谈、播客，以及你持有授权的纪录片。开始处理前，你需要勾选复选框确认这一点。不属于你的电影和电视剧不能上传翻译。

• 视频时长为 1 分钟至 2.5 小时，文件最大 6 GB。
• 支持 MP4、MOV、MKV 或 WEBM，视频编码为 H.264、H.265、AV1 或 VP9。如果文件使用其他编码，请先用免费的视频转换工具转成 MP4。
• 支持 18 种语言任意互译：英语、西班牙语、法语、德语、意大利语、葡萄牙语、波兰语、土耳其语、荷兰语、乌克兰语、俄语、日语、韩语、中文、阿拉伯语、印地语、印度尼西亚语和越南语。
• 人声清晰时，转录效果最好。如果音乐盖过人声，或多人同时说话，你可能需要在脚本里修改更多行。

一步一步来

1. 打开视频翻译工具，切换到“电影、讲座、单集节目——最长 2.5 小时”。
2. 选择一个项目：新建项目；如果是下一节课或下一集，就选择已有项目。选好目标语言，原语言保持“自动检测”。
3. 选择输出方式：旁白配音、完整配音或仅字幕。如果选旁白配音，再选择声音：1 位旁白、为每位说话人匹配男声或女声，或为每个角色分别选声音。
4. 上传文件，或粘贴文件链接。大文件会分段上传；如果网络中断，重新选择同一个文件，就能从中断处继续。
5. 确认你拥有视频使用权，然后点击“转录并翻译”。按钮上会显示所需积分。
6. 检查说话人列表、术语表和脚本。每一行都有原声和译文的播放按钮，也都可以编辑。
7. 翻译长视频时，先点击“试听前……分钟”：它只会为开头配音，试听范围最多延伸到首行之后 2 分钟，让你在为剩余部分付费前听听声音效果。
8. 点击“为整段视频配音”，然后点击“下载视频”；如果需要字幕，再点击“字幕”。

所有处理都在我们的服务器上进行，所以你可以关掉网页，之后回来查看进度条和剩余时间。如果中途停止渲染，尚未配音部分的积分会退回。成片也会保存到“我的作品”。

选旁白配音、完整配音，还是仅字幕？

完整配音会用 Demucs 将人声与音乐、音效分离，再把新配音叠加到原背景声上。每个角色都可以使用预设声音、你为某个角色保存的声音，或选择“视频中的原声”——复制该说话人自己的声音，让其说出新语言。只能复制你自己的声音，或已获得本人同意的声音；你需要另行勾选复选框确认。目前乌克兰语、印度尼西亚语和越南语还不能使用声音复制，因此会改用预设声音。

翻译整套课程或一整季播客

把同一系列的所有单集放进一个项目。项目会记住说话人阵容和他们的声音：最多可为 12 位说话人命名，其余人归入“其他男性”和“其他女性”；项目还会保存人名与术语表。到了下一集，AI 会通过声音认出再次出现的说话人，让你的搭档在第 1 课和第 10 课听起来保持一致。

做完第 1 集后，记得完善术语表。如果烹饪课程里的“fold in”被译成了两种说法，就把这个词和你想要的译法加入术语表，再点击“重新翻译”：系统只会重新处理译文，你手动修改过的行会保持不变。

需要多少积分

积分按步骤扣除。上传后会收取转录和翻译的积分；检查完脚本后，才会收取配音的积分。具体用量取决于视频时长和说话内容的多少，每个按钮都会显示准确的积分数。下面是讲话内容较多的视频的大致用量：

我们那段 2 分钟的 NASA 视频用了约 20 积分，已包含转录。视频里如果有较长的停顿或纯音乐片段，所需积分会更少，因为只有说话的行需要配音。之后只修改某一行，也只需为那一行付费；重新生成视频时，只会重新合成改动过的部分。

短于 5 分钟的片段仍使用同一工具的常规模式，支持口型同步和内嵌字幕。如果想给 Reel 或 Short 制作动态字幕，请使用“自动字幕”。