@spotsung 就这一整套逻辑来说，目前模型+python 可以完成(已经实验过)，成本不会很高。但是有几个问题哈。
1.提出的音频质量如何，这个很影响转文字的质量，据我实验中文视频的错误率比英文会高很多，比如中文名，多音字。所以你可能需要些技术，降噪？去回音？
2.大模型的翻译（中--》英，韩，日）质量都不高，google 的付费翻译接口，也只是个平均值的效果。
3.目前 tts 的效果确实不错，声音效果不错。chattts,cosyvoice,gptsovits 都可以试试看。
4.我尝试过音轨合并，然后合成到原来的视频上，这一部很难，效果不好。主要是 1.换语言后，句子发音长短不一样。2.整体合并的效果很不好，听起来很别扭。(我使用 python 包搞的,如果你的效果好的话，也可以分享下。)

基本我经历的就这么几个问题，你可以试试看。毕竟不动手，啥问题也没有。动手了，问题和我也不一定一样。

@vacuitym 音频转文字吗？开源的模型有试过吗？

人家问问题，你会就解答，不会就闭嘴。最烦 10 楼的，讲了一堆 pi 话，来显示自己来了？

直接 cf R2 走起就好了 免费

@zhutianjingtu 你是真会算啊 xd

什么领域的呢？你这个太宽泛了

喜欢喷人的，可以组队吗？手动狗头

俺也来了