WatanabeChika/AI_karaoke_subtitles

从歌曲音频和 LRC 歌词生成可审核、可编辑的卡拉 OK 字幕

Python

10 commits

updated Oct 10, 2026

See the code

README

AI Karaoke Subtitles

AI Karaoke Subtitles 从歌曲音频和 LRC 歌词生成可审核、可编辑的卡拉 OK ASS 字幕。项目重点面向日语歌曲，在 6GB 显存设备上也能运行完整链路。

原曲 + LRC
  → Mel-Band RoFormer 分离人声/伴奏
  → LRC 清洗、显式注音与和声结构识别
  → MMS Karaoke CTC 逐音节强制对齐
  → Whisper + kanjiconv 核对日语读音
  → K1/K2 交错字幕、注音与 KTV 倒计时

生产链路中的分离和对齐模型已经固定；日常使用只需要选择 Whisper 日语读音检查的模型大小。

主要能力

生成逐音节 \kf 时间轴，保留原歌词的空格、标点和显示文字。
把 LRC 时间戳当作搜索提示，不用原时间戳强行覆盖模型结果。
用可跳过的未知音频区段吸收 LRC 缺词，避免前奏呼喊或漏写和声把后续歌词挤到错误位置。
识别 LRC 元数据、翻译、显式注音和括号和声。
独立对齐括号和声，按实际时间重叠度决定保留或移除。
按“LRC 显式读音 > 可靠的 Whisper 纠音 > CTC 声学候选 > kanjiconv 词典读音”生成日语注音。
为新歌词序列增加与实际提前量一致的 0～3 个一秒倒计时点。
输出对齐报告和注音报告，方便定位低置信度、缺字或读音分歧。
CLI 和 Web GUI 均支持串行批处理；单首失败不会中止整个批次。
Web GUI 支持原曲同步试听、注音预览、ASS 编辑保存和批量下载。

环境要求

Windows 10/11 或 Linux 64 位系统。
Python 3.10。
FFmpeg。
安装 ctc-forced-aligner 时需要 Git。
NVIDIA GPU 可显著提速；默认参数按 6GB 显存设计。没有 NVIDIA GPU 也可以使用 CPU，但处理时间会明显增加。
首次处理会下载模型，请保持联网并预留数 GB 缓存空间。

Windows 一键安装

Windows 用户无需预先安装 Python、Conda、Git 或 FFmpeg：

下载并解压完整项目目录。
双击 windows_online_installer/install_online.bat。
安装完成后双击 windows_online_installer/run_installed_gui.bat。
浏览器会自动打开 http://127.0.0.1:7860。

安装器会在 %LOCALAPPDATA%\AIKaraokeWebGUIOnline 创建隔离环境，自动检测 NVIDIA 显卡、安装 PyTorch 和项目依赖，并执行编译与导入自检。重复运行安装器会更新应用并复用已有缓存。

卸载时双击 windows_online_installer/uninstall_online.bat。详细行为见 Windows 安装器说明。

Conda 手动安装

1. 创建环境和系统工具

conda create -n ai_karaoke python=3.10 -y
conda activate ai_karaoke
conda install -c conda-forge ffmpeg git -y

2. 安装 PyTorch 运行时

torch、torchaudio 和 torchcodec 必须来自相互兼容的平台版本。请优先使用 PyTorch 官方安装选择器给出的命令，并在同一个索引中加入 torchcodec。

CPU 示例：

pip install torch torchaudio torchcodec --index-url https://download.pytorch.org/whl/cpu

NVIDIA 示例（索引版本需要与当前 PyTorch 官方支持情况和显卡驱动匹配）：

pip install torch torchaudio torchcodec --index-url https://download.pytorch.org/whl/cu129

3. 安装项目依赖

pip install -r requirements.txt

requirements.txt 只维护代码直接使用的运行依赖；numpy、scipy、PyYAML、ml-collections 等由上游库按需要安装，不再重复声明。

4. 安装后检查

python -c "import torch, stable_whisper, ctc_forced_aligner, mel_band_roformer, kanjiconv; print('CUDA:', torch.cuda.is_available())"
python main.py --help

准备歌曲和歌词

推荐把音频与同名 LRC 放在同一目录：

music/
├── Grand Symphony.flac
└── Grand Symphony.lrc

最小 LRC 示例：

[00:12.30]真っ新な扉開くなら
[00:17.80]いつだって君と一緒がいい

解析规则：

[ar:]、[ti:] 等元数据会被忽略。
LRC 时间戳只用于缩小音频搜索范围，最终时间来自 CTC 对齐。
LRC 漏掉的呼喊或衔接音会由 CTC 未知音频区段吸收，不强塞给相邻歌词。
汉字后紧跟的纯假名括号可作为显式注音，例如 未来(きょう)。
英文括号或完整的日语旁唱会先作为和声候选保留，再通过音频时间轴判断是否与主歌高度重叠。
双语翻译会按语言和文字特征过滤；建议仍尽量提供结构清楚的原文 LRC。

CLI 使用

单曲

同名 LRC 自动发现：

python main.py -i /music/song.flac -o /output --lang ja

手动指定 LRC：

python main.py -i /music/song.flac -l /lyrics/song.lrc -o /output --lang ja

批量处理

一次传入多首歌曲：

python main.py \
  -i /music/song-a.flac /music/song-b.flac \
  -o /output \
  --lang ja

扫描一个目录的当前层级：

python main.py --input-dir /music/album -o /output --lang ja

批量模式会为每首音频寻找同目录、同名的 .lrc 或 .LRC。--lyric 只适用于单曲任务。

常用参数

参数	作用	默认值
`-i, --input`	一首或多首音频路径，可重复传入	无
`--input-dir`	扫描目录当前层级的常见音频文件	无
`-l, --lyric`	单曲 LRC；省略时自动寻找同名文件	自动发现
`-o, --output`	输出根目录	必填
`--lang`	歌词语言，如 `ja`、`en`	`ja`
`--ctc-batch-size`	CTC emission batch；6GB 显存建议保持 1	`1`
`--ctc-number-reading`	阿拉伯数字按 `auto`、`ja` 或 `en` 对齐	`auto`
`--furigana-whisper-model`	日语读音检查模型大小	`large-v3`
`--no-whisper-readings`	关闭 Whisper 日语读音检查	关闭该选项
`--kara-advance-ms`	新歌词序列提前显示时长	`3000`
`--kara-sep-threshold-ms`	判断新歌词序列的间隔阈值	`10000`
`--kara-primary-color`	未唱歌词颜色	`&H00FFFFFF`
`--kara-accent-color`	已唱歌词颜色	`&H002F1CD8`
`--verbose`	显示第三方库诊断输出	关闭

日语读音检查可选 tiny、base、small、medium、large-v3。显存紧张时先降低该模型大小；分离和 CTC 对齐模型保持固定。

Web GUI 使用

python web_gui.py --host 127.0.0.1 --port 7860

打开 http://127.0.0.1:7860 后可以：

选择多首歌曲或扫描目录，查看批次和单曲阶段进度。
调整字幕配色；低频参数集中在“高级设置”。
每首歌完成后独立试听原曲，并按 ASS 时间轴预览 K1/K2 扫色和注音。
点击歌词跳转播放位置，直接编辑并保存 ASS。
下载单首 ASS、对齐报告、注音报告，或打包下载整个批次的 ASS / 音频与 ASS。

GUI 只绑定本机地址，文件路径、音频和字幕不会上传到外部服务。模型下载仍由各模型仓库完成。

输出文件

{output}/{song_name}/
├── {song_name}_vocal.wav
├── {song_name}_accomp.wav
├── {song_name}_alignment_report.json
├── {song_name}_pronunciation_report.json  # 日文且启用 Whisper 检查时
└── {song_name}.ass

*_alignment_report.json：记录 LRC 漂移、重叠、零时长 token、CTC 置信度和和声取舍。
*_pronunciation_report.json：记录词典读音、听到的读音、最终读音、显式注音和纠音理由。
*.ass：最终 K1/K2 交错卡拉 OK 字幕，可在 GUI 或 Aegisub 中继续修改。

项目结构

ai_karaoke/
├── main.py                         # CLI 启动入口
├── web_gui.py                      # Web GUI 启动入口
├── requirements.txt                # 非平台相关运行依赖
├── ai_karaoke/
│   ├── application/
│   │   ├── pipeline.py             # 批任务、配置、产物契约与总流程
│   │   └── generator.py            # 对齐报告与基础 ASS 生成
│   ├── audio/separation.py         # Mel-Band RoFormer 分离阶段
│   ├── lyrics/parser.py            # LRC 清洗、注音和和声结构
│   ├── alignment/
│   │   ├── aligner.py              # MMS 模型载入与对齐总编排
│   │   ├── core.py                 # CTC 路径与 emission 对齐
│   │   ├── harmony.py              # 和声独立对齐与时间重叠判定
│   │   ├── models.py               # 对齐数据结构与时间辅助函数
│   │   ├── readings.py             # 低置信度汉字的声学读音候选
│   │   ├── text.py                 # 假名、数字与罗马字对齐单元
│   │   └── windows.py              # 分块窗口、漂移和重叠恢复
│   ├── pronunciation/
│   │   ├── reading.py              # kanjiconv 上下文读音
│   │   ├── evidence.py             # Whisper 证据选择与纠音提案
│   │   ├── spelling.py             # 异体字与跨词元整词读音证据
│   │   ├── whisper.py              # 整曲听写、局部重试与报告
│   │   ├── ruby.py                 # ASS 注音合并与写入
│   │   └── cli.py                  # 独立注音工具入口
│   ├── subtitles/
│   │   ├── style.py                # K1/K2 样式编排
│   │   ├── karaoke_tags.py         # k 标签修复与 KTV 倒计时
│   │   ├── colors.py               # ASS 颜色默认值与校验
│   │   ├── document.py             # ASS 时间与区段辅助函数
│   │   ├── templates.py            # K 样式和模板注释
│   │   └── cli.py                  # 独立样式工具入口
│   ├── interfaces/
│   │   ├── cli.py                  # CLI 参数与批量执行
│   │   └── console.py              # 统一终端进度输出
│   └── web/
│       ├── server.py               # Web 服务启动入口
│       ├── handler.py              # HTTP 路由和文件传输
│       ├── forms.py                # 页面模板、文件选择和表单解析
│       ├── jobs.py                 # 批任务状态与串行 worker
│       ├── artifacts.py            # ASS 原子保存
│       └── static/                 # 按表单、进度、审核拆分的前端资源
├── tests/                          # 按歌词、对齐、读音、字幕、Web 拆分的测试
├── windows_online_installer/       # Windows 安装、运行与卸载脚本
├── PIPELINE.md                     # 精度策略和内部数据契约
└── TODO.md                         # 保留的后续工作记录

测试与开发检查

进入项目目录并激活环境后运行：

python -m unittest discover -s tests -v
node --test tests/test_ass_preview.mjs
for file in ai_karaoke/web/static/*.js; do node --check "$file"; done
ruff check --select E9,F,I ai_karaoke main.py web_gui.py tests
python -m compileall -q ai_karaoke main.py web_gui.py tests
python -m ai_karaoke.pronunciation.cli --self-test
python -m ai_karaoke.subtitles.cli --self-test

项目使用 Python 标准库 unittest，不需要额外测试框架。提交结构或行为改动前，应运行以上检查。

常见问题

`torch.cuda.is_available()` 返回 `False`

通常是 PyTorch wheel 与显卡驱动不匹配。重新按 PyTorch 官方安装选择器安装 torch、torchaudio 和 torchcodec，不要混用 CPU 与 CUDA 索引。

首次处理很慢或长时间没有进入推理

固定链路会首次下载 Mel-Band RoFormer、MMS CTC 和 Whisper 模型。检查网络、磁盘空间以及 Hugging Face 缓存目录是否可写。

6GB 显存不足

保持 --ctc-batch-size 1，把 --furigana-whisper-model 从 large-v3 降到 medium、small 或更小。批处理本身按顺序执行，不会并行占用多份模型显存。

`ctc-forced-aligner` 安装失败

确认 Git 可用，并重新执行 pip install -r requirements.txt。Windows 一键安装器会自动安装 Git。

字幕时间或读音仍有疑问

先查看对应的 *_alignment_report.json 和 *_pronunciation_report.json。报告保留了模型证据与最终取舍，比只观察 ASS 更容易判断问题来自音频分离、对齐还是读音检查。

Similar repos

BilyHurington/MiliKara

Turn a song and its lyrics into Japanese karaoke videos with per-syllable wipes: furigana, vocal…

moriwx/FA-Kara

A Karaoke Lyrics Tool Based on Lyrics Text and Vocal Audio

zkwi/AiSRT

AISRT - 本地 AI 字幕生成工具 / local AI subtitle generator for video/audio to SRT, multilingual ASR,…

mason369/AI-RVC

一键 AI 翻唱 (One-click AI Cover Generation)：AI 检索式声音转换工具 - AI Retrieval-based Voice Conversion (RVC)…

hali0515/VoxWeave

Local-first subtitle generator for anime, film & clips. Vocal separation + song-skip keep BGM,…

meizhong986/WhisperJAV

ASR/STT subtitle generator. Uses Qwen3-ASR, local LLM, Whisper, TEN-VAD. Noise-robust for JAV

2,350

caca2331/finesub

Pipeline that turns audio/video into Chinese subtitles: vocal separation → VAD/ASR → optional LLM…

yc0/py-sub-generator-sakura

Japanese ASR with Multi-language Translation Support

WatanabeChika/AI_karaoke_subtitles

从歌曲音频和 LRC 歌词生成可审核、可编辑的卡拉 OK 字幕

Python

10 commits

updated Oct 10, 2026

See the code

README

AI Karaoke Subtitles

AI Karaoke Subtitles 从歌曲音频和 LRC 歌词生成可审核、可编辑的卡拉 OK ASS 字幕。项目重点面向日语歌曲，在 6GB 显存设备上也能运行完整链路。

原曲 + LRC
  → Mel-Band RoFormer 分离人声/伴奏
  → LRC 清洗、显式注音与和声结构识别
  → MMS Karaoke CTC 逐音节强制对齐
  → Whisper + kanjiconv 核对日语读音
  → K1/K2 交错字幕、注音与 KTV 倒计时

生产链路中的分离和对齐模型已经固定；日常使用只需要选择 Whisper 日语读音检查的模型大小。

主要能力

生成逐音节 \kf 时间轴，保留原歌词的空格、标点和显示文字。
把 LRC 时间戳当作搜索提示，不用原时间戳强行覆盖模型结果。
用可跳过的未知音频区段吸收 LRC 缺词，避免前奏呼喊或漏写和声把后续歌词挤到错误位置。
识别 LRC 元数据、翻译、显式注音和括号和声。
独立对齐括号和声，按实际时间重叠度决定保留或移除。
按“LRC 显式读音 > 可靠的 Whisper 纠音 > CTC 声学候选 > kanjiconv 词典读音”生成日语注音。
为新歌词序列增加与实际提前量一致的 0～3 个一秒倒计时点。
输出对齐报告和注音报告，方便定位低置信度、缺字或读音分歧。
CLI 和 Web GUI 均支持串行批处理；单首失败不会中止整个批次。
Web GUI 支持原曲同步试听、注音预览、ASS 编辑保存和批量下载。

环境要求

Windows 10/11 或 Linux 64 位系统。
Python 3.10。
FFmpeg。
安装 ctc-forced-aligner 时需要 Git。
NVIDIA GPU 可显著提速；默认参数按 6GB 显存设计。没有 NVIDIA GPU 也可以使用 CPU，但处理时间会明显增加。
首次处理会下载模型，请保持联网并预留数 GB 缓存空间。

Windows 一键安装

Windows 用户无需预先安装 Python、Conda、Git 或 FFmpeg：

下载并解压完整项目目录。
双击 windows_online_installer/install_online.bat。
安装完成后双击 windows_online_installer/run_installed_gui.bat。
浏览器会自动打开 http://127.0.0.1:7860。

卸载时双击 windows_online_installer/uninstall_online.bat。详细行为见 Windows 安装器说明。

Conda 手动安装

1. 创建环境和系统工具

conda create -n ai_karaoke python=3.10 -y
conda activate ai_karaoke
conda install -c conda-forge ffmpeg git -y

2. 安装 PyTorch 运行时

torch、torchaudio 和 torchcodec 必须来自相互兼容的平台版本。请优先使用 PyTorch 官方安装选择器给出的命令，并在同一个索引中加入 torchcodec。

CPU 示例：

pip install torch torchaudio torchcodec --index-url https://download.pytorch.org/whl/cpu

NVIDIA 示例（索引版本需要与当前 PyTorch 官方支持情况和显卡驱动匹配）：

pip install torch torchaudio torchcodec --index-url https://download.pytorch.org/whl/cu129

3. 安装项目依赖

pip install -r requirements.txt

requirements.txt 只维护代码直接使用的运行依赖；numpy、scipy、PyYAML、ml-collections 等由上游库按需要安装，不再重复声明。

4. 安装后检查

python -c "import torch, stable_whisper, ctc_forced_aligner, mel_band_roformer, kanjiconv; print('CUDA:', torch.cuda.is_available())"
python main.py --help

准备歌曲和歌词

推荐把音频与同名 LRC 放在同一目录：

music/
├── Grand Symphony.flac
└── Grand Symphony.lrc

最小 LRC 示例：

[00:12.30]真っ新な扉開くなら
[00:17.80]いつだって君と一緒がいい

解析规则：

[ar:]、[ti:] 等元数据会被忽略。
LRC 时间戳只用于缩小音频搜索范围，最终时间来自 CTC 对齐。
LRC 漏掉的呼喊或衔接音会由 CTC 未知音频区段吸收，不强塞给相邻歌词。
汉字后紧跟的纯假名括号可作为显式注音，例如 未来(きょう)。
英文括号或完整的日语旁唱会先作为和声候选保留，再通过音频时间轴判断是否与主歌高度重叠。
双语翻译会按语言和文字特征过滤；建议仍尽量提供结构清楚的原文 LRC。

CLI 使用

单曲

同名 LRC 自动发现：

python main.py -i /music/song.flac -o /output --lang ja

手动指定 LRC：

python main.py -i /music/song.flac -l /lyrics/song.lrc -o /output --lang ja

批量处理

一次传入多首歌曲：

python main.py \
  -i /music/song-a.flac /music/song-b.flac \
  -o /output \
  --lang ja

扫描一个目录的当前层级：

python main.py --input-dir /music/album -o /output --lang ja

批量模式会为每首音频寻找同目录、同名的 .lrc 或 .LRC。--lyric 只适用于单曲任务。

常用参数

参数	作用	默认值
`-i, --input`	一首或多首音频路径，可重复传入	无
`--input-dir`	扫描目录当前层级的常见音频文件	无
`-l, --lyric`	单曲 LRC；省略时自动寻找同名文件	自动发现
`-o, --output`	输出根目录	必填
`--lang`	歌词语言，如 `ja`、`en`	`ja`
`--ctc-batch-size`	CTC emission batch；6GB 显存建议保持 1	`1`
`--ctc-number-reading`	阿拉伯数字按 `auto`、`ja` 或 `en` 对齐	`auto`
`--furigana-whisper-model`	日语读音检查模型大小	`large-v3`
`--no-whisper-readings`	关闭 Whisper 日语读音检查	关闭该选项
`--kara-advance-ms`	新歌词序列提前显示时长	`3000`
`--kara-sep-threshold-ms`	判断新歌词序列的间隔阈值	`10000`
`--kara-primary-color`	未唱歌词颜色	`&H00FFFFFF`
`--kara-accent-color`	已唱歌词颜色	`&H002F1CD8`
`--verbose`	显示第三方库诊断输出	关闭

日语读音检查可选 tiny、base、small、medium、large-v3。显存紧张时先降低该模型大小；分离和 CTC 对齐模型保持固定。

Web GUI 使用

python web_gui.py --host 127.0.0.1 --port 7860

打开 http://127.0.0.1:7860 后可以：

选择多首歌曲或扫描目录，查看批次和单曲阶段进度。
调整字幕配色；低频参数集中在“高级设置”。
每首歌完成后独立试听原曲，并按 ASS 时间轴预览 K1/K2 扫色和注音。
点击歌词跳转播放位置，直接编辑并保存 ASS。
下载单首 ASS、对齐报告、注音报告，或打包下载整个批次的 ASS / 音频与 ASS。

GUI 只绑定本机地址，文件路径、音频和字幕不会上传到外部服务。模型下载仍由各模型仓库完成。

输出文件

{output}/{song_name}/
├── {song_name}_vocal.wav
├── {song_name}_accomp.wav
├── {song_name}_alignment_report.json
├── {song_name}_pronunciation_report.json  # 日文且启用 Whisper 检查时
└── {song_name}.ass

*_alignment_report.json：记录 LRC 漂移、重叠、零时长 token、CTC 置信度和和声取舍。
*_pronunciation_report.json：记录词典读音、听到的读音、最终读音、显式注音和纠音理由。
*.ass：最终 K1/K2 交错卡拉 OK 字幕，可在 GUI 或 Aegisub 中继续修改。

项目结构

ai_karaoke/
├── main.py                         # CLI 启动入口
├── web_gui.py                      # Web GUI 启动入口
├── requirements.txt                # 非平台相关运行依赖
├── ai_karaoke/
│   ├── application/
│   │   ├── pipeline.py             # 批任务、配置、产物契约与总流程
│   │   └── generator.py            # 对齐报告与基础 ASS 生成
│   ├── audio/separation.py         # Mel-Band RoFormer 分离阶段
│   ├── lyrics/parser.py            # LRC 清洗、注音和和声结构
│   ├── alignment/
│   │   ├── aligner.py              # MMS 模型载入与对齐总编排
│   │   ├── core.py                 # CTC 路径与 emission 对齐
│   │   ├── harmony.py              # 和声独立对齐与时间重叠判定
│   │   ├── models.py               # 对齐数据结构与时间辅助函数
│   │   ├── readings.py             # 低置信度汉字的声学读音候选
│   │   ├── text.py                 # 假名、数字与罗马字对齐单元
│   │   └── windows.py              # 分块窗口、漂移和重叠恢复
│   ├── pronunciation/
│   │   ├── reading.py              # kanjiconv 上下文读音
│   │   ├── evidence.py             # Whisper 证据选择与纠音提案
│   │   ├── spelling.py             # 异体字与跨词元整词读音证据
│   │   ├── whisper.py              # 整曲听写、局部重试与报告
│   │   ├── ruby.py                 # ASS 注音合并与写入
│   │   └── cli.py                  # 独立注音工具入口
│   ├── subtitles/
│   │   ├── style.py                # K1/K2 样式编排
│   │   ├── karaoke_tags.py         # k 标签修复与 KTV 倒计时
│   │   ├── colors.py               # ASS 颜色默认值与校验
│   │   ├── document.py             # ASS 时间与区段辅助函数
│   │   ├── templates.py            # K 样式和模板注释
│   │   └── cli.py                  # 独立样式工具入口
│   ├── interfaces/
│   │   ├── cli.py                  # CLI 参数与批量执行
│   │   └── console.py              # 统一终端进度输出
│   └── web/
│       ├── server.py               # Web 服务启动入口
│       ├── handler.py              # HTTP 路由和文件传输
│       ├── forms.py                # 页面模板、文件选择和表单解析
│       ├── jobs.py                 # 批任务状态与串行 worker
│       ├── artifacts.py            # ASS 原子保存
│       └── static/                 # 按表单、进度、审核拆分的前端资源
├── tests/                          # 按歌词、对齐、读音、字幕、Web 拆分的测试
├── windows_online_installer/       # Windows 安装、运行与卸载脚本
├── PIPELINE.md                     # 精度策略和内部数据契约
└── TODO.md                         # 保留的后续工作记录

测试与开发检查

进入项目目录并激活环境后运行：

python -m unittest discover -s tests -v
node --test tests/test_ass_preview.mjs
for file in ai_karaoke/web/static/*.js; do node --check "$file"; done
ruff check --select E9,F,I ai_karaoke main.py web_gui.py tests
python -m compileall -q ai_karaoke main.py web_gui.py tests
python -m ai_karaoke.pronunciation.cli --self-test
python -m ai_karaoke.subtitles.cli --self-test

项目使用 Python 标准库 unittest，不需要额外测试框架。提交结构或行为改动前，应运行以上检查。

常见问题

`torch.cuda.is_available()` 返回 `False`

通常是 PyTorch wheel 与显卡驱动不匹配。重新按 PyTorch 官方安装选择器安装 torch、torchaudio 和 torchcodec，不要混用 CPU 与 CUDA 索引。

首次处理很慢或长时间没有进入推理

固定链路会首次下载 Mel-Band RoFormer、MMS CTC 和 Whisper 模型。检查网络、磁盘空间以及 Hugging Face 缓存目录是否可写。

6GB 显存不足

保持 --ctc-batch-size 1，把 --furigana-whisper-model 从 large-v3 降到 medium、small 或更小。批处理本身按顺序执行，不会并行占用多份模型显存。

`ctc-forced-aligner` 安装失败

确认 Git 可用，并重新执行 pip install -r requirements.txt。Windows 一键安装器会自动安装 Git。

字幕时间或读音仍有疑问

Similar repos

BilyHurington/MiliKara

Turn a song and its lyrics into Japanese karaoke videos with per-syllable wipes: furigana, vocal…

moriwx/FA-Kara

A Karaoke Lyrics Tool Based on Lyrics Text and Vocal Audio

zkwi/AiSRT

AISRT - 本地 AI 字幕生成工具 / local AI subtitle generator for video/audio to SRT, multilingual ASR,…

mason369/AI-RVC

一键 AI 翻唱 (One-click AI Cover Generation)：AI 检索式声音转换工具 - AI Retrieval-based Voice Conversion (RVC)…

hali0515/VoxWeave

Local-first subtitle generator for anime, film & clips. Vocal separation + song-skip keep BGM,…

meizhong986/WhisperJAV

ASR/STT subtitle generator. Uses Qwen3-ASR, local LLM, Whisper, TEN-VAD. Noise-robust for JAV

2,350

caca2331/finesub

Pipeline that turns audio/video into Chinese subtitles: vocal separation → VAD/ASR → optional LLM…

yc0/py-sub-generator-sakura

Japanese ASR with Multi-language Translation Support

WatanabeChika/AI_karaoke_subtitles

README

AI Karaoke Subtitles

主要能力

环境要求

Windows 一键安装

Conda 手动安装

1. 创建环境和系统工具

2. 安装 PyTorch 运行时

3. 安装项目依赖

4. 安装后检查

准备歌曲和歌词

CLI 使用

单曲

批量处理

常用参数

Web GUI 使用

输出文件

项目结构

测试与开发检查

常见问题

torch.cuda.is_available() 返回 False

首次处理很慢或长时间没有进入推理

6GB 显存不足

ctc-forced-aligner 安装失败

字幕时间或读音仍有疑问

Similar repos

WatanabeChika/AI_karaoke_subtitles

README

AI Karaoke Subtitles

主要能力

环境要求

Windows 一键安装

Conda 手动安装

1. 创建环境和系统工具

2. 安装 PyTorch 运行时

3. 安装项目依赖

4. 安装后检查

准备歌曲和歌词

CLI 使用

单曲

批量处理

常用参数

Web GUI 使用

输出文件

项目结构

测试与开发检查

常见问题

torch.cuda.is_available() 返回 False

首次处理很慢或长时间没有进入推理

6GB 显存不足

ctc-forced-aligner 安装失败

字幕时间或读音仍有疑问

Similar repos

`torch.cuda.is_available()` 返回 `False`

`ctc-forced-aligner` 安装失败

`torch.cuda.is_available()` 返回 `False`

`ctc-forced-aligner` 安装失败