视频翻译软件的核心原理是：根据视频中的说话声音识别出文字，然后将文字翻译为目标语言文字，再将翻译后的文字进行配音，最后将配音、文字嵌入视频。

可以看到第一步就是从视频中的说话声识别出文字，识别精确度直接影响到后续翻译和配音。

faster模式

推荐使用，这是基于OpenAI的开源whisper转换后的模型，就如名字所暗示的，识别速度更快，也不降低准确度。

选择faster模式后，即可在右侧选择要使用的模型，默认内置tiny模型，这是最小的一个模型，效果效果也最不精确。

tiny--base--small--medium--large 模型尺寸越来越大，同样识别精确度也越来越高。

对于中文视频，建议至少选择medium模型，模型下载地址在 https://pyvideotrans.com/model

.en后缀的模型和distil开头的模型，只可用于英文视频。

模型右侧还有一个整体识别下拉框，下拉会显示均等分割，一般无特殊需要选择整体识别即可，如果你需要将音频分割为相等时长的各部分，比如想每个字幕时长都是10s，那么可以选择均等分割。并在菜单--工具/高级设置--高级设置--VAD参数部分设置片段时长秒数。

为加快任务速度，在Windows和Linux上，如果有英伟达显卡，可配置安装CUDA和cuDNN环境后，启用CUDA加速，将能明显提高执行速度。

CUDA和cuDNN安装教程见： https://pyvideotrans.com/gpu.html

自动检测语言

在 v2.59 版本后，原始语言下拉框里新增了“自动检测”选项，当不知道是什么语言或者该语言不属于所支持的24种语言之中，那么可以选中“自动检测”选项，程序会尝试自动识别说话语言。

当然如果有可能，英尽量避免使用该选项，尤其是视频前30s内没有清晰说话声时，因为自动检测原理是利用前30s的声音片段进行判断，以此来设定整个视频所用语言。 还有一个注意点：一些发音类似但书写方式不同的语言是无法准确识别的，可能会识别为任意一种，例如中文视频可能会随机识别为简体或繁体。