基于 faster-whisper 与 LLM大模型 的现代化本地视频字幕自动化工作站。
- 异步流水线 (Async Pipeline)：底层重构为独立的后台 Worker 车间，实现多任务排队、无阻塞并发流转。
- 一站式 AI 工作流：集成了视频抽音、双引擎语音识别与大语言模型 (LLM) 智能翻译，支持从生肉视频直出完美熟肉多语言字幕。
- WebUI交互：基于 Vue 3 构建，提供全局任务监视器、实时逐句滚动日志及高阶参数配置。
- 历史资产与看板管理：支持勾选批量下发流水线任务、回溯中断工作流、下载历史产物及清空释放磁盘空间。
- 双引擎 ASR 识别：
- 本地 GPU 引擎：基于
faster-whisper，自动探测 Nvidia 显卡并启用加速（支持 Mac CPU 平滑回退），支持 VAD 静音过滤、幻觉抑制等高级解码参数。 - 云端 API 引擎：兼容标准的 OpenAI Audio API 及第三方代理，支持超大音频 (25MB+) 自动无损切片推流，并支持说话人识别与词级时间戳等高阶特性。
- 本地 GPU 引擎：基于
-
Python >= 3.8
-
FFmpeg
- Windows：可直接将
ffmpeg.exe放入项目的bin/ffmpeg/bin/目录下。 - Mac/Linux：请通过包管理器全局安装（如
brew install ffmpeg或sudo apt install ffmpeg）。
- Windows：可直接将
-
NVIDIA GPU 加速环境 (可选但强烈推荐)
- 需要安装相应的 NVIDIA 显卡驱动。
- 需配置 CUDA Toolkit (推荐 11.x 或 12.x) 及对应的 cuDNN 库，以便底层
CTranslate2引擎能正常调用 GPU 算力。 - 注：程序会自动探测系统环境。若未检测到 Nvidia 显卡或 CUDA 环境不完整，将平滑回退至纯 CPU 模式运行（Mac 设备也会自动使用 CPU），但处理速度会显著下降。
我们通过 GitHub Actions 提供了全自动构建的官方预编译镜像（托管于 GHCR），支持纯 CPU 与 NVIDIA GPU 硬件加速。强烈推荐直接拉取预编译镜像，以避免本地由于网络波动或环境问题导致的构建失败。
✨ 推荐：直接拉取云端预编译镜像 在项目根目录下直接执行以下命令，即可一键拉取成品镜像并启动服务：
# 启动轻量级 CPU 版 (适合无显卡 NAS 或纯调用云端 API 的用户)
docker-compose up -d echosrt-cpu
# 启动满血 GPU 版 (需物理机配有 Nvidia 显卡并安装了 Container Toolkit)
docker-compose up -d echosrt-gpu启动后，浏览器访问 http://[IP]:8000 即可进入工作台。
🛠️ 备选：本地自行构建 +如果你想修改源码进行二次开发或定制 Docker 环境，请打开 docker-compose.yml，注释掉 image: 配置行并取消 build: 块的注释。然后执行 docker-compose up -d --build 进行构建。 启动后，浏览器访问 http://127.0.0.1:8000 即可进入工作台。
- 安装运行依赖
建议通过项目根目录下的
requirements.txt一键安装所有必备依赖（包含视频提取、语音识别以及 LLM 翻译所需的核心库）：
pip install -r requirements.txt- 一键启动 WebUI
- 在项目根目录下，使用 Python 运行跨平台统一启动脚本：
python app.py
- 在项目根目录下，使用 Python 运行跨平台统一启动脚本：
脚本会自动启动后端 API 及静态页面托管，浏览器访问 http://127.0.0.1:8000 即可进入工作台；访问 http://127.0.0.1:8000/docs 可查看二次开发 API 接口文档。
💡 保留的 CLI 命令行模式：依然可以在终端直接运行
python main.py在命令行提取字幕（首次运行会自动初始化配置文件）。
- Docker 容器化部署：提供 Docker 镜像封装，包含轻量级 CPU 版及 Nvidia CUDA 满血版。
- 分流代理控制：云端识别API和LLM 翻译API可独立选择是否使用全局代理，实现接入不同地区云端模型时分流代理。
- 任务队列功能：全面实现多文件批量排队上传，并在后台无头流水线中按顺序自动并发执行。
- HTTP 代理支持：配置本地代理以加速 Hugging Face 大模型的下载及访问在线模型API。
- 在线模型聚合：在模型选择界面直接获取并展示 Hugging Face 上的可用模型列表，支持本地缺失时自动下载。
- 集成翻译功能：在WebUI集成接入LLM模型API的翻译功能，实现一站式获得中文字幕。
- 接入在线whisper模型：接入支持标准openai api的在线whisper模型，实现远程识别字幕。