SubtitlePipeline：全自动语言识别生成字幕并翻译入库

null_n9FC4

SubtitlePipeline（https://github.com/saaak/SubtitlePipeline） 是一个 Docker 部署的服务，指定媒体目录后全自动完成：扫描视频 → 提取音频 → WhisperX 语音识别 → LLM 翻译 → 生成 .srt 字幕。 自动为媒体库中的每个视频生成中文字幕，输出到视频同目录，同时支持配置生成的字幕文件名格式（影片.zh.srt 、影片.forced.zh.srt 等），这样就可以自动挂载到 Jellyfin / Emby / Plex 等流媒体服务器。

Docker Compose 启动

docker compose up --build -d

挂载目录

路径	用途
/data	输入视频文件（你的媒体库目录）
/output	备用输出目录
/models	WhisperX 模型存储
/config	SQLite 数据库和配置

实测过程中使用了一个近 3 小时的视频，用的 whisper 的 small 模型。在 i5-12490f 下语音转文字跑了 20 分钟左右，剩下的翻译等步骤很快，总共用时 20 分钟多点。small 模型效果就那样吧，识别效果一般，不过基本上能看懂意思了。 有些大模型 API 会拦截 NSFW 内容的翻译，可以通过配置自定义 system prompt 解决。

最终的效果如下图所示，基本能看懂在讲啥

he7830

这个好啊，是中文生成中文还是西文生成中文啊。

null_n9FC4

he7830 发表于 2026-4-10 17:08
这个好啊，是中文生成中文还是西文生成中文啊。

whisper模型识别日语，然后大模型翻译成中文

7°x

请问这个在docker下怎么调用amd的gpu？

null_n9FC4

7°x 发表于 2026-4-26 20:51
请问这个在docker下怎么调用amd的gpu？

amd目前还不支持，等我这两天试试能不能适配一下

在否

我用AI也写了个，视频源订阅(解析输入的网页列表)、下载(yt-dlp)、文件名LLM翻译、语音识别因为NAS性能有限改为了远端调用(NAS分离音频推送到自己PC跑whisper识别生成字幕)、LLM字幕翻译。

有的网站yt-dlp支持解析列表，有的只支持下载视频，不支持解析的就让AI自己研究怎么添加。

反派角色

模型下载失败。

反派角色

能本地AI和远程API调用二选一吗。。。本地NAS才什么性能。。。

billuck

镜像拉取超时

红豆

有计划出win桌面端么，可能用主力机的显卡跑这个有挺大优势的，奈何我是A卡

null_n9FC4

红豆 发表于 2026-5-14 21:09
有计划出win桌面端么，可能用主力机的显卡跑这个有挺大优势的，奈何我是A卡
...

win桌面端有很多开源方案可以直接运行，github搜whisper有很多项目，不打算重复造轮子了。
在考虑把语音识别部分支持单独部署，这样可以远程调用高性能机器进行语音识别部分

null_n9FC4

反派角色 发表于 2026-5-13 12:37
能本地AI和远程API调用二选一吗。。。本地NAS才什么性能。。。

在开发把语音识别部分支持单独部署，这样可以远程调用高性能机器进行语音识别部分。同时也在开发支持自定义语音识别api