我花两周做了个配音软件，然后发布了

上一篇还是 7 月 14 日，一晃差不多一个月。这段时间我在忙什么呢？我从用配音工具的那一边，跑到了做配音工具的这一边。

开源的配音工具我用过不少。在这个博客写过体验，也找出过 bug、修好了再发回去。用得多了，哪里不顺手也就越来越清楚，某天心里冒出一句：“与其这样，不如自己做一个。”于是我真做了。它叫 PersoDub，是个桌面配音软件，8 月 7 日发布了第一个版本。

声音老是被加速，我一直觉得别扭

做它的理由只有一个。

配音的时候，翻译出来的句子经常比原来的台词长。韩语里 3 秒说完的一句，换成英语可能要 4 秒。这时候大部分工具会把声音加速，硬塞回 3 秒里。偶尔一两句听不出来，可整段视频都这样，听着就不像人在说话，更像在听倍速播放。

PersoDub 干脆不这么干。它不去动声音，而是在翻译那一步就把长度控制好：每句话都翻成能塞进原来那个位置的长度。视频合成的时候，只要有一句的播放速度不是 1.000 倍，就会被写进日志。这不是靠我自己记着的规矩，是代码替我盯着。

两周，除了睡觉全搭进去了

目标只有一个：不求做得多完美，先把能用的第一个版本快点拿出来。

所以这两周，除了睡觉，剩下的时间全砸在它上面。早上一睁眼就开干，一直做到躺下为止。两周下来，东西真做出来了。

最难的一关是测效果

比做出来更难的，是判断“到这个程度就够了”。

光是挑一个生成人声的模型就花了很久。候选模型一个个接上去，跑同样的句子，再把克隆出来的声音和原声放在一起听，听像不像。这活儿得靠耳朵定，一遍肯定完不了。把说话转成文字的模型也一样，同一段视频喂给每一个，看谁错得少。

这个过程一点都不轻松。搞不定就一直耗着，非弄好不可；心里想着“再试一下应该就成了”，一抬头三四个小时已经没了。

我老是跑偏

还有一个难的地方，是先后顺序。

明明该往下一步走了，可一眼瞟到个小 bug，就忍不住先去修。修着修着又冒出另一个。大事小事一起涌进来，决定先做哪件，比动手做还难。回头看，能在两周里发出来，靠的不是做得快，而是早早定下一句话：“这版必须跑通的就这些，别的功能留到下次发布。”先把这一版要上的功能框死。

做出来是这个样子

同一段视频，从英语配成韩语。里面的声音，是直接克隆说话人本人的。

丢进一段视频，它会先把背景音和人声分开，把话转成文字，理出谁在什么时候说了话，再翻译，然后克隆每个人的声音重新盖回去。音乐和音效原样留着，只换说话的部分。按默认设置，这一整套都在我那台 MacBook Air M4 上跑。不用账号，不用 API key，除了第一次下载模型，平时也不联网。

现在还没支持所有系统

目前只能在 Apple Silicon 的 Mac 上跑。与其每个系统都支持得半吊子，不如先在一个系统上跑顺。别的系统以后再补上。

一行命令就能装好

装这类东西一直很折磨人：让你下一个，下完了又让你下另一个。我干脆把这些全塞进一行命令里。

curl -fsSL https://raw.githubusercontent.com/stronghamjji/PersoDub/HEAD/install.sh | bash

代码和安装方法都放在 GitHub 上了。毕竟是第一个版本，有 bug 很正常，碰到了就随手发到 issues 里吧！后面开发的事，我也会继续写在这儿。