MediaCraft 音视频工具是一款基于 PyQt5 + FFmpeg 开发的一站式音视频处理工具，提供图形化界面操作，让复杂的音视频处理变得简单易用。支持15大核心功能模块，满足从基础编辑到高级AI处理的各类需求。
版本: 1.0.0 | 开发者: 海南仙岛 | 官网: https://www.myzhenai.com.cn/
MediaCraft\Plugin\RTVCMediaCraft\Plugin\SoVITSMediaCraft\Plugin\whisper
安装建议：解压后直接运行程序；如需使用 AI/语音克隆功能，再按需补充对应 Plugin 子目录。
统一管理所有依赖组件的路径配置，支持自动检测和手动设置，确保各功能模块正常运行。程序会自动检测系统环境变量中的组件路径，也支持手动浏览设置。音频设备会自动检测并列出可用设备。
适用场景：系统配置、环境设置、组件管理
支持全屏录制或自定义区域录制，支持录制系统声音、录制麦克风声音，支持录制鼠标指针。可设置帧率（FPS）、编码质量（超快/快速/中等/慢速）、视频比特率（5000k-15000k或自定义）。支持暂停/继续/停止操作，默认保存到桌面。需要安装Screen Capturer Recorder用于屏幕捕获，VB-CABLE用于音频捕获。
适用场景：培训教程录制、游戏录播、软件演示、在线教学
支持图片水印和文字水印两种模式。图片水印支持PNG/JPG格式，可设置宽度、高度和透明度（0-100%）。文字水印支持自定义字体（系统字体+程序fonts目录字体）、字号、颜色（HEX格式）、描边颜色、透明度。支持设置水印位置（水平/垂直偏移），支持批量处理多个视频文件，支持拖拽添加文件，支持覆盖已存在输出文件。
适用场景：版权保护、品牌宣传、视频标识、防盗用
支持硬字幕和软字幕两种模式。硬字幕嵌入视频（永久生效），支持SRT格式字幕，可设置字幕语言（中文/英文/日语/韩语/其他）、显示位置（底部居中/中部居中/顶部居中/底部靠左/底部靠右）、字号、字体、颜色、描边颜色和宽度、背景色和透明度。自动检测同目录同名字幕文件（支持.srt/.ass/.ssa格式），支持批量处理。软字幕作为外挂轨道（可开关），不重新编码视频，支持设置轨道名称、语言代码（ISO 639-1）、编码格式（mov_text/subrip/ass），适用于MP4/MKV等容器。
适用场景：多语言视频、无障碍访问、教学视频、宣传片制作
支持批量视频合并成一个视频文件，支持批量音频合并成一个视频文件。程序会自动检测文件格式兼容性，支持调整文件合并顺序，支持拖拽调整顺序。
适用场景：分集视频合并、音频专辑制作、长视频制作
支持批量视频重新编码转换视频格式，支持自定义视频编码器（如H.264/H.265）、音频编码器、视频分辨率、比特率等参数。支持硬件加速（如果系统支持）。
适用场景：格式转换、压缩优化、兼容性处理、批量处理
支持批量提取视频中的字幕。对于软字幕（外挂字幕轨道），可直接提取；对于硬字幕（嵌入视频的文字），使用Tesseract-OCR进行OCR识别提取文字。支持多种字幕格式输出（SRT/ASS/VTT等），可批量处理无声音视频中的字幕提取。
适用场景：无声视频字幕提取、多语言字幕制作、视频内容分析
支持单张截图或批量截图（一次截取3张/6张/9张），支持自定义截图张数，支持随机截图或按时间点截图，支持设置截图时间点，支持多种图片格式输出（PNG/JPG/BMP），支持超高质量的截图。
适用场景：视频宣传、封面制作、内容预览、素材提取
支持按时间分割（设置开始时间和结束时间）和按段数分割（将视频平均分成N段），支持批量分割，支持多种视频格式。
适用场景：影片宣传、短视频制作、内容分段、素材整理
支持将多张图片制作成指定编码的视频文件，支持设置每张图片显示时长，支持添加背景音乐，支持转场效果，支持设置视频编码参数。
适用场景：相册视频、产品展示、幻灯片制作、回忆录制作
支持单个视频和单个音频合并成一个视频，支持批量将某个音频添加到大部份视频，支持音量调节，支持淡入淡出效果，适用于添加视频文件头和视频文件尾等场景。
适用场景：片头片尾制作、背景音乐添加、音频替换、批量处理
支持批量从视频文件中将视频和音频分离，支持批量提取视频中的背景音频，支持批量提取无声的视频（仅视频流），支持多种音频格式输出（MP3/WAV/FLAC等），支持多种视频格式输出。
适用场景：音频提取、视频分离、素材整理、格式转换
支持批量修改视频和音频文件的元数据信息，包括标题、艺术家、专辑、年份、描述等信息。修改后的元数据会显示在文件属性中。
适用场景：文件信息整理、版权信息添加、批量标签管理
支持使用Whisper AI模型批量从视频中提取文字字幕。支持多种模型选择（tiny/base/small/medium/large），平衡速度和精度。支持多语言识别（中文简体/繁体、英文、日语、韩语、法语、德语、西班牙语等），支持自动检测语言。支持字幕翻译功能，可将识别结果翻译成其他语言。支持多种字幕格式输出（SRT/ASS/VTT），自动命名规则：[原文件名]_[语言代码].格式。程序会自动检测Whisper路径和模型文件（系统安装或Plugin/whisper目录）。
适用场景：自动字幕生成、多语言翻译、内容转录、无障碍访问
程序内置了RTVC和SoVITS两个声音克隆模型，支持音频训练并生成克隆音频。RTVC支持实时语音转换和文本转语音（目前仅支持英文），需要输入文本和目标参考音频。SoVITS支持高质量音频克隆和多语言支持，需要输入源音频和目标参考音频，自动识别配置文件中的说话人列表。程序会自动检测模型完整性和Python环境。
适用场景：声音合成、语音转换、个性化配音、内容创作、多语言配音
1. FFmpeg - 音视频处理核心引擎
下载地址: https://ffmpeg.org/download.html
安装后添加到系统环境变量，或放在程序同目录下
2. Python 环境 - 运行环境（如需源码运行/扩展）
Python 3.9 或更高版本 | 安装 PyQt5: pip install PyQt5
1. OpenAI Whisper - AI 字幕生成
安装命令: pip install openai-whisper
2. Tesseract-OCR - 文字识别
用于硬字幕 OCR 提取功能。下载: Tesseract 官网。程序会自动检测 C:\Program Files\Tesseract-OCR\tesseract.exe 等路径。
3. 声音克隆模型 - 高级功能
RTVC 或 SoVITS 模型文件放置在 Plugin 目录下（详见下方目录结构）。
大部分功能支持批量处理、拖拽添加、调整顺序；支持 AI 字幕生成（Whisper）、声音克隆（RTVC/SoVITS）、OCR 字幕提取、智能路径检测。所有操作会记录在操作日志中，支持清空与实时查看。
A: 请确保FFmpeg已正确安装并添加到系统环境变量，或将ffmpeg.exe放在程序同目录下。
A: 检查配置文件config.json是否包含说话人信息，支持格式："spk": {"说话人1": 0, "说话人2": 1}
A: 程序会按以下顺序检测：系统环境变量中的 whisper；Plugin/whisper 目录下的 whisper.exe。请确保模型文件在对应的 models 目录下。
A: 确保模型文件放在 Plugin/RTVC/Real-Time-Voice-Cloning/ 下，且 encoder.pt、synthesizer.pt、vocoder.pt 完整。支持新结构（pretrained_models/）与旧结构（saved_models/default/），程序会优先检测新结构。
A: 确保目录为 Plugin/SoVITS/so-vits-svc/，检查 logs/44k 或 trained 下的 G_*.pth、D_*.pth，以及 pretrain 下的预训练文件；确保 configs/config.json 存在且包含说话人信息（spk 或 spk2id）。
A: 是的，当前版本的RTVC仅支持英文文本输入。如果需要多语言支持，建议使用SoVITS模型。
A: 表示所选说话人不在配置文件中，请从说话人下拉框中选择与 config.json 中名称完全一致的选项。
A: 程序会优先使用包含 "so-vits" 的 conda 环境。请在专用环境中安装依赖：pip install torch torchaudio soundfile librosa numpy scipy 或使用项目的 requirements.txt。
A: 正常。AI 模型需大量计算，SoVITS 比 RTVC 更耗时但质量更高；使用 CPU 会比 GPU 慢很多。建议处理过程中勿关闭程序，可通过日志查看进度。
A: 请检查文件大小和磁盘空间，大文件处理需要更多时间和资源。
官方网站: https://www.myzhenai.com.cn/
技术博客: https://jiayu.mybabya.com/
© 2025 版权所有：海南仙岛 | JiaYu BLog
本文档随程序版本更新，请以最新版本为准。