分享一下自用的播客翻译工具

TL;DR

去年通勤时想听一些国外的播客，vibe search 了一圈好像没啥特别钟意的播客翻译工具，后来本地跑了个简陋的 ASR + 翻译 + TTS 的流水线应付了下。

年初 qwen3-tts 发布后便有心让 AI 搓一个方便复用的工具，最近抽空薅 OpenAI Codex 羊毛做了个 CLI 自己用着感觉还可以。为了快速跑通和效果稳定，TTS 直接用的阿里云服务，后续有空或者需求的话再支持本地模型部署或者其他渠道。

快速开始

首先需要准备一个阿里云的 API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key。

环境中还需要安装 ffmpeg。

# 使用 uv 安装 CLI
uv tool install git+https://github.com/R0sin/podtran
# 初始化配置，默认路径为 ~/.podtran/podtran.toml
podtran init

初始化时需要填写 HF_TOKEN，主要为了使用 WhisperX 的人声分离模型，引导中有跳转链接。

初始化完成后可以在配置文件中修改 ASR 模型配置，默认是 cpu 跑的参数。

安装完依赖就能用了：

# 截取前五分钟跑流水线
podtran <audio_path> --preview
# 跑完整音频翻译流水线
podtran <audio_path>

套壳所以原生支持 mp4 等媒体格式输入。

其他 CLI 用法可以参考 README 和 help 信息。

其他补充

• 默认配置是音色克隆的方式和模型，因为试了预置的音色都情感拉满，不适合播客。
• 翻译模式按照个人偏好默认设置为穿插播放，15s 或者说话人变更后会插入翻译，主要是为了锻炼下口语听力。
• 博客链接中有段简短片段可以试听效果。

欢迎使用和提建议，有用的话麻烦点个 star ，谢谢！

也欢迎分享一些有意思的播客频道。

可能的迭代方向

• 支持多渠道（翻译/音色克隆/TTS ）
• 支持音乐人声分离（如效果明显）
• 支持其他交互（前端/GUI/Skills ）
• 支持广告过滤

相关链接

博客原文：https://r0sin.pages.dev/podcast-translator-cli（需代理访问）

GitHub：https://github.com/R0sin/podtran