Chuyển đến nội dung

WEIFENG2333 / VideoCaptioner

VideoCaptioner (Kaka Subtitle Assistant)

Tự tạo phụ đề cho video: nhận dạng giọng nói, chỉnh câu, dịch và ghép vào video

VideoCaptioner (tên tiếng Trung là Kaka Zimu Zhushou) là công cụ xử lý phụ đề trọn gói: nhận dạng giọng nói thành chữ, ngắt câu và sửa lỗi bằng mô hình ngôn ngữ lớn, dịch sang ngôn ngữ khác rồi ghép phụ đề vào video. Có cả giao diện máy tính lẫn dòng lệnh, nhưng tài liệu và giao diện chủ yếu hướng đến người dùng Trung Quốc.

  • 16.539 sao
  • 1.441 fork
  • Python
  • Cập nhật 2 tháng trước
  • GPL 3.0 (sửa đổi phải công bố mã)
Độ khó
Vừa Cần gõ vài lệnh hoặc dùng Docker
Dạng
Ứng dụng máy tính, Dòng lệnh (CLI)
Chạy trên
Windows, macOS, Linux, Python
Chi phí
Miễn phí (trả phí API AI nếu dùng)

Trải nghiệm khi dùng VideoCaptioner (Kaka Subtitle Assistant)

Bạn cài bằng pip hoặc tải bộ cài cho Windows, mở giao diện máy tính, thả video vào và chọn công cụ nhận dạng giọng. README nói các chức năng miễn phí như nhận dạng giọng Bijian và dịch bằng Bing hay Google dùng được ngay không cần cấu hình gì.

Sau vài phút bạn có file phụ đề với mốc thời gian theo từng chữ. Nếu cấu hình thêm khoá API của một mô hình ngôn ngữ lớn tương thích OpenAI, công cụ sẽ ngắt câu theo ngữ nghĩa, sửa lỗi nhận dạng và dịch có ngữ cảnh để phụ đề đọc tự nhiên hơn bản dịch máy thô.

Bước cuối là ghép phụ đề vào video, dạng phụ đề rời hoặc ghi cứng lên hình. Nếu thích gõ lệnh, một lệnh process chạy cả quy trình từ nhận dạng, tối ưu, dịch đến ghép; chủ yếu để xử lý hàng loạt hoặc cho lập trình viên.

Tính năng nổi bật

Quy trình phụ đề trọn gói

Từ âm thanh đến chữ, ngắt câu, chỉnh sửa, dịch và ghép vào video đều nằm trong một công cụ.

Nhiều lựa chọn nhận dạng giọng

Hỗ trợ faster-whisper, whisper-cpp, Whisper API và hai công cụ miễn phí là bijian và jianying.

Dịch bằng dịch vụ miễn phí hoặc AI

Chọn dịch Bing, Google miễn phí, hoặc dịch bằng mô hình ngôn ngữ lớn có tính đến ngữ cảnh.

Giao diện máy tính và dòng lệnh

Dùng cửa sổ phần mềm cho tiện, hoặc dùng lệnh videocaptioner để tự động hoá.

Tải video trực tuyến và lồng tiếng

README liệt kê lệnh download cho video YouTube, Bilibili và lệnh dub để tạo giọng đọc từ phụ đề.

Tận dụng VideoCaptioner (Kaka Subtitle Assistant) vào việc gì?

Người làm video, YouTuber

Thêm phụ đề cho video YouTube, TikTok của mình

Chuyển lời thoại video của bạn thành phụ đề có mốc thời gian, chỉnh nhanh rồi ghi vào video hoặc xuất file để dùng ở trình dựng khác.

Sinh viên, người học ngoại ngữ

Dịch bài giảng, video nước ngoài để tự học

Nhận dạng và dịch phụ đề video bài giảng bạn có quyền sử dụng để theo dõi dễ hơn.

Dân văn phòng, bộ phận đào tạo

Làm phụ đề cho video họp, đào tạo nội bộ

Biến video tập huấn thành bản chữ có thể tra cứu và gắn phụ đề cho nhân viên xem ở nơi không bật tiếng.

Lập trình viên, đội sản xuất nội dung

Xử lý hàng loạt bằng dòng lệnh

Dùng lệnh process trong script để tự chạy hàng chục video theo cùng một cấu hình.

Cần chuẩn bị gì?

  • Windows (có bộ cài trong Releases), macOS (có script cài) hoặc máy có Python để cài bằng pip.
  • Kết nối Internet cho các tính năng miễn phí như Bijian và dịch Bing/Google, và cho việc gọi API mô hình ngôn ngữ nếu dùng.
  • Khoá API của dịch vụ tương thích OpenAI nếu muốn tối ưu và dịch bằng mô hình ngôn ngữ lớn (chi phí tính theo nhà cung cấp).
  • Nếu chạy nhận dạng giọng bằng Whisper trên máy thì cần cấu hình mạnh hơn; README không nêu yêu cầu cụ thể.

Hướng dẫn cài đặt chi tiết

Cài trên Windows

  1. Cách dễ nhất cho người không quen lệnh: mở trang Releases của dự án và tải bộ cài cho Windows, rồi cài như phần mềm thường.

    Văn bản
    https://github.com/WEIFENG2333/VideoCaptioner/releases
  2. Hoặc nếu bạn đã có Python, cài bằng pip trong PowerShell. Lệnh này cài cả công cụ dòng lệnh lẫn giao diện máy tính.

    PowerShell
    pip install videocaptioner
  3. Mở giao diện bằng lệnh dưới.

    PowerShell
    videocaptioner-gui

Cài trên macOS

  1. README cung cấp script cài một lệnh cho macOS. Hãy đọc nội dung script trước khi chạy nếu bạn muốn chắc chắn.

    Terminal
    curl -fsSL https://raw.githubusercontent.com/WEIFENG2333/VideoCaptioner/master/scripts/run.sh | bash
  2. Hoặc cài bằng pip rồi mở giao diện.

    Terminal
    pip install videocaptioner
    videocaptioner-gui

Cài trên pip (mọi hệ điều hành)

  1. Nên tạo môi trường ảo riêng rồi cài gói.

    Terminal
    python -m venv .venv
    # Windows: .venv\Scripts\activate   |   macOS/Linux: source .venv/bin/activate
    pip install videocaptioner
  2. Mở giao diện máy tính, hoặc dùng lệnh videocaptioner trực tiếp ở Terminal.

    Terminal
    videocaptioner gui

Dùng thử lần đầu

  1. Chọn một video ngắn bạn có quyền sử dụng để thử trước khi xử lý video dài.

  2. Nhận dạng giọng nói bằng công cụ miễn phí theo ví dụ của README.

    Terminal
    videocaptioner transcribe video.mp4 --asr bijian
  3. Dịch phụ đề bằng dịch vụ miễn phí. Mã vi trong lệnh là tiếng Việt, đổi sang mã khác nếu muốn dịch sang ngôn ngữ khác.

    Terminal
    videocaptioner subtitle input.srt --translator bing --target-language vi
  4. Ghép phụ đề vào video.

    Terminal
    videocaptioner synthesize video.mp4 -s subtitle.srt
  5. Khi muốn chất lượng tốt hơn, điền khoá API và địa chỉ của dịch vụ mô hình ngôn ngữ trong phần cài đặt của phần mềm, hoặc cấu hình bằng các lệnh config trong README.

Mẹo dùng hay

  • Chạy videocaptioner config show để xem cấu hình hiện tại; thứ tự ưu tiên là tham số dòng lệnh, biến môi trường, file cấu hình rồi giá trị mặc định.
  • Phụ đề cho video tiếng Việt: hãy xuất thử một đoạn ngắn và đọc lại trước, vì chất lượng nhận dạng tiếng Việt phụ thuộc công cụ bạn chọn.
  • Xem tài liệu chính thức của dự án để cấu hình dịch vụ mô hình ngôn ngữ cho bước tối ưu và dịch.

Lưu ý và hạn chế

  • README và tài liệu chủ yếu bằng tiếng Trung; giao diện có thể không có tiếng Việt, nên bạn có thể cần dịch trang tài liệu.
  • Các công cụ miễn phí như Bijian hay dịch Bing/Google cần Internet nên âm thanh hoặc văn bản có thể được gửi tới dịch vụ bên ngoài. Đừng dùng cho nội dung nhạy cảm hay bí mật.
  • Chỉ nhận dạng, dịch và tải video mà bạn có quyền: tôn trọng bản quyền và điều khoản của nền tảng (YouTube, Bilibili...) khi dùng chức năng tải video hay tái đăng nội dung của người khác. Dự án dùng giấy phép GPL-3.0 nên nếu bạn phân phối lại phần mềm cần tuân thủ điều kiện này.

Câu hỏi thường gặp

VideoCaptioner có miễn phí không?

Phần mềm miễn phí và mã nguồn mở theo GPL-3.0. Các tính năng như nhận dạng Bijian và dịch Bing/Google dùng miễn phí. Nếu dùng mô hình ngôn ngữ lớn để chỉnh sửa và dịch, bạn trả phí API cho nhà cung cấp đó.

Có làm phụ đề tiếng Việt được không?

Có thể chọn tiếng Việt làm ngôn ngữ đích khi dịch. Chất lượng nhận dạng tiếng Việt và cách chọn công cụ cụ thể README không nêu rõ, nên hãy thử trên một đoạn ngắn trước.

Có chạy offline được không?

README liệt kê faster-whisper và whisper-cpp là các lựa chọn nhận dạng giọng, thường chạy được trên máy. Tuy vậy phần dịch miễn phí, Bijian và gọi mô hình ngôn ngữ lớn vẫn cần Internet.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

Terminal
git clone https://github.com/WEIFENG2333/VideoCaptioner.git

Repo tương tự nên xem

Giọng nói & âm thanh AI22,8K

Buzz

chidiwilliams / buzz

Ứng dụng máy tính gỡ băng và dịch âm thanh offline bằng Whisper, xuất phụ đề SRT.

DễWindowsmacOSLinuxPython
Giọng nói & âm thanh AI19,8K

pyVideoTrans

jianchang512 / pyvideotrans

Công cụ dịch video, lồng tiếng AI, gỡ băng và tạo phụ đề trong một quy trình liền mạch.

VừaWindowsmacOSLinuxDocker+1
Giọng nói & âm thanh AI55,2K

whisper.cpp

ggml-org / whisper.cpp

Chạy mô hình nhận dạng giọng nói Whisper của OpenAI ngay trên máy, nhẹ, offline, không cần Python

KhóWindowsmacOSLinuxAndroid+2

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Giọng nói & âm thanh AI

Giọng nói & âm thanh AI113K

Whisper

openai / whisper

Chuyển giọng nói trong file ghi âm, video thành văn bản ngay trên máy, hỗ trợ nhiều ngôn ngữ

VừaWindowsmacOSLinuxPython
Giọng nói & âm thanh AI65,2K

GPT-SoVITS

RVC-Boss / GPT-SoVITS

Nhân bản giọng nói chỉ từ 5 giây âm thanh, hoặc tinh chỉnh với khoảng 1 phút dữ liệu, kèm WebUI đầy đủ

VừaWindowsmacOSLinuxDocker+1
Giọng nói & âm thanh AI57,2K

VibeVoice

microsoft / VibeVoice

Bộ mô hình giọng nói của Microsoft: nhận dạng giọng nói dài 60 phút và đọc văn bản theo thời gian thực

KhóLinuxDockerPython
Giọng nói & âm thanh AI40K

ChatTTS

2noise / ChatTTS

Mô hình đọc văn bản cho hội thoại, giọng tự nhiên có cả tiếng cười và quãng ngắt nghỉ

KhóWindowsLinuxmacOSPython
Giọng nói & âm thanh AI39,3K

RVC (Retrieval-based Voice Conversion WebUI)

RVC-Project / Retrieval-based-Voice-Conversion-WebUI

Đổi giọng nói thành giọng khác chỉ cần khoảng 10 phút dữ liệu để huấn luyện, có giao diện web

KhóWindowsLinuxPython
Giọng nói & âm thanh AI38,3K

OpenVoice

myshell-ai / OpenVoice

Nhân bản âm sắc giọng nói từ một đoạn mẫu ngắn và cho đọc bằng nhiều ngôn ngữ, giấy phép MIT

KhóLinuxWindowsDockerPython

Xem cả 20 repo Giọng nói & âm thanh AI Về Kho Repo