北京
去年一个晚上，他在电脑上看一段英文科技视频，画面下方挂着中文字幕。看着看着，一个念头冒出来：要是能直接听中文版就好了，不用一直盯着字幕，通勤路上能听，睡前也能听。
后来，他真的把这个东西做了出来。但从冒出想法，到做成一个所有人都能用的产品，花的时间远超预期。
想法出现后，他先试了几款视频翻译工具。中文翻译是有了，可一听就觉得哪里不对——视频里的人还在，声音却不是他的了。每句话里原本的情绪，也跟着一起消失了。
他打了个比方：一个你熟悉的面孔，突然用另一种语调、另一个声音说话。意思你能跟上，但那种连接断了。就像看着一个熟人，耳边却是陌生人在替他开口。
他想要的其实很简单：翻成中文，但保留原来的声音，保留情绪，保留每个词被说出口时的细微差别。同一句话，轻声说和用力说，砸到人身上的感觉完全不同。
他四处寻找，找到了一种模型方案。当时可选项不多，但这个方案在声音保留上的质量让他看到了希望。
有模型是一回事，拿到成片是另一回事。推理慢得让人难受，也没法把整段视频丢进去，就等着输出一段音画同步、背景音乐还在、翻译还准确的成品。所有环节都得自己串起来。
他把一些样例分享出去后，不少人问能不能做成一个人人可用的工具。他自己也这么想。说实话，有 AI 辅助写代码，他以为会很快——核心翻译流程已经跑通了，剩下的不就是搭个上传视频的网站吗？
结果，这件事花了一年。
能演示的东西和能让人稳定使用的东西，是两码事。自己用，只需要把视频处理好；给别人用，就要注册、登录、数据持久化，一个用户的数据不能泄露给另一个用户，多个并发上传不能把系统搞崩。
系统挂了怎么办？用户变多了要不要扩容？用户会不会本能地知道怎么操作？数据库、服务器、对象存储、域名、DNS，一样一样都得弄对。每一块单独看都没问题，可怎么把它们接起来，让人顺畅地用上你的服务，总还有下一件事，再下一件事。
AI 能帮忙。但做得对不对、出了问题怎么办，仍然得自己扛。
那为什么还继续？因为承诺过。他向想要这个工具的人承诺过，也向自己承诺过。这个念头撑着他走了下来。
现在，这个工具终于能交付了。它叫 SoulDub，名字里的“Soul”对应的是配音要留住的那点神韵。它支持 30 多种语言和部分方言。
用法有两种：
- 网页方式：打开 souldub.ai，上传视频，选语言，点开始，就这些。
- Agent 方式：在浏览器里搜索 github-souldub-skills，通过常用的 Agent（ChatGPT、Claude、Gemini 等）安装这个技能。之后 Agent 就能翻译本地视频，翻译好的视频和字幕会自动下载到原视频所在的文件夹。
两种方式处理的视频，都会出现在 SoulDub 账号里。
还有一环很关键：人工校对和编辑。字幕不够准，或者配音需要调整，可以直接在网站上改。AI 先做第一遍，人再打磨自己在意的部分，质量就能一直往上走。
他也把话放在这儿：任何反馈、问题、想法，他都愿意听。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
