MiliKara

用一首歌和它的歌词，做出逐字扫光的日语卡拉OK视频。

本软件受 StrangeUtaGame 启发。MiliKara 是自动对齐工具，不是卡拉OK手动打轴软件；如果需要手动打轴，请使用 StrangeUtaGame 原软件。

名称说明：本项目原名 KiraKara，因与 KiraKara player 及其相关项目重名，从 v1.1.0 起改名为 MiliKara（两者之间没有关系）。旧版本的项目和设置在新版本里可以直接使用。

放入视频（或音频 + 背景图），粘贴网易云 / QQ 音乐的歌曲链接或 LRC 歌词，MiliKara 会自动给汉字注音、分离人声、把每一个假名（拍）对齐到演唱的时间上，然后把带注音、翻译和歌曲信息的卡拉OK字幕直接烧录进视频。全部在本机运行。

_{极简模式：放入视频，粘贴歌曲链接，选好字幕配色，点“开始制作”}

_{详细模式（人工检查）：每一行、每一个假名的时间都可以试听、拖动修改和局部重跑}

_{成品视频的一帧：逐字扫光、汉字注音，顶部是中文翻译}

特点

• 按拍对齐：每个假名（拍）都有自己的开始和结束时间，扫光跟着演唱一个字一个字走；长音「ー」、促音「っ」、逐个念出的字母（R O M A…）都按实际唱法处理。
• 利用歌词里的时间：LRC 的每行时间作为软锚点，长前奏、间奏、重复的副歌也不会对错行；视频和歌词差了多少，添加任务时标一下第一句（或交给自动检测）即可。
• 注音：规则读音 + 可选的 AI 注音（复制提示词到任意 AI 聊天网页，或一键交给 Claude Code / Codex / OpenAI 兼容 API），回复都经过校验再采用。
• 人声分离：MelBand / BS-RoFormer 分出人声后对齐更准，也能生成降低人声的伴唱视频。
• 好看的字幕：配色模版（主色 + 辅色自动搭配）、荧光边缘、逐字特效、平假名 / 片假名 / 罗马音注音、翻译、开头和结尾的歌曲信息卡；预览和烧录使用同一个渲染器（libass），所见即所得。
• 多人演唱分色：给每位歌手一个颜色，按整行或逐词指定；几个人一起唱的部分每个字分成几种颜色（上下 / 左右，分色或渐变）。歌词里写着“A：”之类的演唱者时可以自动识别。
• 两种用法：极简模式一键出片，可以排队连续做多首；详细模式逐步检查和微调每一个字的时间。
• 可以脚本调用：所有功能都有本地 HTTP API，例如把别处下载的音频和背景图直接提交成任务。

安装

Windows 离线版：在 Releases 里下载 MiliKara-…-windows-x64-cpu.7z（CPU 版）、…-cuda.7z（NVIDIA 显卡版，需要 570 或更新的驱动）或 …-rocm.7z（AMD 显卡版，v1.2.0 起：Radeon RX 6800 / 6900、RX 7000 / 9000 系列，以及 Ryzen 的 780M / 760M、Ryzen AI 300 系列和 Ryzen AI Max 核显，请把显卡驱动更新到最新）。超过 2 GB 时分成 .7z.001、.7z.002… 几个分卷，需要全部下载。用 7-Zip 解压，双击 MiliKara.bat。自带 Python、依赖、ffmpeg 和两个默认模型，不需要联网。

macOS 离线版（Apple 芯片，macOS 14.8.5 或更新）：下载 MiliKara-…-macos-arm64.zip，解压后第一次在访达里右键点 MiliKara.command →“打开”，以后双击即可。

更新离线版：关闭 MiliKara 后双击文件夹里的 更新.bat（macOS：更新.command），只下载有变化的部分（程序约 1 MB；从 v1.0 更新时还会补上约 32 MB 的字体），模型、依赖和项目都不用重新下载，出问题可以退回上一版。v1.1.0 之前的旧版（KiraKara）没有这个文件：在 Releases 里下载 MiliKara-updater-windows.bat（macOS：MiliKara-updater-macos.zip，解压）放进原来的文件夹，双击即可。访问 GitHub 慢时，也可以把程序更新包 MiliKara-版本-app.zip 放进文件夹，更新程序会直接用它。

离线版都由 GitHub Actions 构建（.github/workflows/windows-package.yml、macos-package.yml；打包脚本在 packaging/）。

从源码安装：需要 Python 3.11+、uv，以及带 libass 的 ffmpeg（macOS：brew install ffmpeg-full）。目前主要在 macOS（Apple 芯片）上使用和测试；Linux / Windows 上可以用 CPU、NVIDIA 显卡或 AMD 显卡（见下）运行。

git clone <仓库地址> MiliKara && cd MiliKara
uv venv --python 3.12 .venv
uv pip install -e ".[ml,separation]"    # 对齐模型（torch + transformers）和人声分离

AMD 显卡（ROCm）：在上面的 uv pip install -e … 之前，先从 AMD 的软件源装上与显卡对应的 torch：

uv pip install "torch[device-gfx1100]" --index-url https://stable.repo.amd.com/rocm/whl-next/

把 gfx1100 换成你的显卡：RX 7900 系列 gfx1100，RX 7800 / 7700 gfx1101，RX 7600 gfx1102，RX 9070 系列 gfx1201，RX 9060 gfx1200；Radeon 890M / 880M gfx1150，Ryzen AI Max gfx1151，780M / 760M gfx1103（完整列表见 AMD 的说明）。显卡驱动请更新到最新（AMD 列出的配套驱动是 Adrenalin 26.10.41.05）。装好后 python -c "import torch; print(torch.cuda.is_available())" 应输出 True，诊断信息里显示 ROCm … · 显卡名；“自动”会使用这块显卡（同时有核显时用独立显卡）。RX 7900 XT 上一首 3 分钟的歌人声分离约 40 秒（同一台电脑上 CPU 版约 6 分钟）。AMD 的 torch 用 CPU 计算时比 CPU 版慢十几倍：显卡用不了时，请删掉 .venv 按上面的步骤重新安装（跳过这一步）。

模型在第一次使用时下载到项目目录的 models/ 里（对齐模型约 1.2 GB，默认的分离模型约 1 GB），之后可以离线使用。环境变量 KARA_ALIGN_MODELS 可以把它指到别处。

可选：python packaging/fetch_fonts.py 下载内置的中日文字体 Noto Sans CJK（约 40 MB，SIL OFL）到 fonts/。Windows / Linux 上它是默认字体，歌词、翻译或歌曲信息里有当前字体没有的字时也会用它；离线包里已经自带。

使用

.venv/bin/milikara serve        # 然后打开 http://127.0.0.1:8765

默认打开极简模式：

1. 放入视频（或切换到“音频 + 背景”，放入音频和一张背景图 / 一段循环播放的背景视频）。
2. 粘贴歌词：网易云 / QQ 音乐的歌曲链接（会自动取歌词和翻译），或直接粘贴 LRC / 纯文本歌词。
3. 选好字幕配色，点 开始制作。
4. 几秒后会弹出波形，标出第一句开始唱的位置（设置里也可以改成自动检测）；AI 注音选的是“手动（网页聊天）”时，接着把提示词发给 AI 并粘贴回复。
5. 其余步骤自动完成，任务完成后点 下载视频。点开任务可以进入详细模式继续调整。

_{任务列表：上面的任务在等你确认第一句的位置，下面的已经完成，可以下载视频}

文档

• 使用教程：极简模式、详细模式、设置和常见问题，附截图。
• HTTP API：所有接口、参数和返回值，以及用脚本提交任务的例子。
• 技术说明：时间与数据约定、对齐算法、命令行、开发。

许可与说明

• MiliKara 本身的代码以 MIT 协议 发布。它使用的第三方依赖、模型和工具（如 PyTorch、transformers、python-audio-separator、ffmpeg 等）各自遵循它们自己的许可。
• 默认的对齐模型 NextFire/mms-300m-ForcedAligner-karaoke-ja-Latn 的许可是 CC-BY-NC-SA-4.0（非商用）；人声分离使用 python-audio-separator 和它的模型，许可以上游为准。
• 音频、视频和项目文件只保存在本机。只有这些情况会联网：第一次下载模型、从音乐链接获取歌词、AI 注音（歌词会发给你选择的 AI 服务），以及检查新版本（只读取 GitHub 上最新版本的版本号，可以在设置里关闭）。
• 请只处理你有权使用的音视频和歌词。