有道翻译支持音频和视频翻译吗？

支持。 有道翻译的音视频翻译能力已经发展成一套独立的工作流，覆盖音频转录翻译、视频字幕生成、原声克隆配音等场景。2025年底上线的“VF原声翻译系统”进一步融合了文本、音频与视频的多模态理解能力，让翻译能“听”懂台词、“看”懂画面语境。

一、音频翻译：从听到看

音频翻译的核心逻辑是“转录→翻译→整理”。支持 MP3、WAV、AAC 等常见格式，单文件限制通常在 100MB 以内。上传后系统自动完成语音识别，输出原文与译文的双语对照文本，可以复制或导出为文档。

适用场景：整理外语会议录音、播客内容转写、采访素材翻译。对于已经录好的音频文件，这是从“听”到“看”最直接的方式。

二、视频翻译：字幕生成与配音

视频翻译的能力分两个层次。

基础层：字幕提取与翻译。系统识别视频中的语音，生成原文字幕，翻译后生成新字幕，自动对齐时间轴，支持导出 SRT 字幕文件。本地 MP4、MKV、MOV 等主流格式都可以上传处理。10 分钟的视频通常在 1 到 2 分钟内完成转写翻译。

进阶层：VF 原声翻译。这是 2025 年底升级后的核心能力。系统不仅翻译字幕，还能进行原声克隆配音——用讲者本人的音色朗读译文。官方描述的技术是 VocalFusion 多模态系统，可以识别主播的性别、年龄、动作、场景，进行深度还原；音色方面采用自研 TTS 技术，用户甚至可以通过提示词调节语气（比如让声音更兴奋或更低沉）。

适用场景：短剧出海、电商产品视频本地化、课程视频多语言化。官方数据显示，处理一部 100 集短剧的行业平均价格为 1500 元，有道音视频翻译平台成本约为 100 元。

三、实时字幕：在线视频与会议

如果你不是处理本地文件，而是在看在线课程、直播或视频会议，桌面端的“同传字幕”功能更合适。

操作路径：打开桌面客户端 → 点击“同传”或“视频字幕” → 将音频源设为“系统声音”（捕获电脑内部播放的音频，而非麦克风收音）→ 设定源语言和目标语言 → 悬浮字幕窗会实时显示双语对照。字幕窗口可以拖动位置、调整字号和透明度，不影响其他操作。

一个实用技巧：优先用系统内录，不要用麦克风对着扬声器二次收音，否则室内回音会导致断句混乱。遇到语速快的讲师，把播放器倍速调到 0.9x 或 1.0x，识别准确率会明显改善。

四、边界与注意事项

文件限制：VF 原声翻译单文件限制 60 分钟、1GB；普通翻译的时长限制更宽松。音频文件建议控制在 100MB 以内。

识别质量取决于音源：背景噪音大、多人同时说话、口音过重，都会降低 ASR 准确率，进而影响翻译质量。安静环境、清晰音源、正常语速是保证效果的前提。

实时同传有延迟：实时字幕的延迟通常在 2 到 5 秒，属于可用范围，但离“同声”仍有距离。对延迟敏感的场景（如直播互动），需要提前评估。

一句话总结：有道翻译支持音频和视频翻译，音频走“转录→翻译→文本”，视频走“字幕提取→翻译→导出 SRT 或原声克隆配音”。本地文件用音视频翻译工作台，在线内容用桌面端同传字幕。音源质量决定了翻译效果的上限，安静环境加系统内录是最稳妥的组合。