Booq——波斯语优先的AI视频翻译与配音

概览

• 媒体本地化意味着一条由译者、配音演员、录音棚和剪辑师组成的链条，每一环都是独立的供应商、独立的账单。
• 一个波斯语优先的网页应用，涵盖翻译、配音、播客、音乐、图像和影片，统一通过一个钱包付费。
• 已上线并持续开发中，面向客户的版本说明根据生产环境部署生成。

亮点

• 一段视频，五种本地化方式

  原语言字幕或翻译字幕、配音，或配音搭配任一字幕轨；每种语言一份输出，另附一个统一的打包文件。

• 每位说话人，各有不同的声音

  多说话人配音会识别谁在说话，为每位说话人分配不同的声音，并与原片时间轴对齐。

• 30种声音与播客时间轴

  旁白、静音和音乐片段位于同一条时间轴上；音乐只在有人说话时才会压低。

• 根据简要说明生成音乐与歌曲

  原创纯音乐与完整歌曲，提供逐字保留用户歌词的严格模式，并可选歌词翻译。

• 6大类115种视觉风格

  镜头、色彩、光线、材质、艺术风格与技法，无需提示词术语即可组合；每张图像均可选择生成一份更高分辨率的副本。

• 从故事到影片，9个引导式阶段

  每个阶段都会先展示方案；用户可以接受、重新生成、编辑，或上传自己的版本。角色设定表确保角色在不同镜头之间保持一致。

挑战

本地化一段视频，通常需要一整条专业人员链：译者、配音演员、录音棚和剪辑师，往往还要加上设计师和作曲人。每个环节都是独立的供应商，有各自的文件格式和各自的账单，而进度就在环节之间的交接中不断拖延。

Booq面向的是讲波斯语的创作者、企业和教育工作者，对他们而言，现实条件又进一步抬高了门槛：付款以托曼计价、通过本地支付网关完成；大体积视频文件要在质量参差不齐的网络上传输；界面必须在从右向左书写的语言中显得原生自然，而不是翻译过来的。

在底层，每一项能力都依赖外部AI服务商，而每家服务商都可能各自出现故障或发生变化。其中任何一家出问题时，平台都必须照常运行；而一个有话要说的人，也不应该为了把话说出来而不得不先成为视频剪辑师。

架构

Booq由一组相互独立的服务组成，统一通过一个网页应用对外提供，每家AI服务商都有各自独立的网关。正是这一个决定，使得切换模型、轮换密钥，或自动绕开出故障的服务商成为可能，而无需改动产品的其他部分。

• 所有任务都进入队列。繁重的处理任务不在网页请求中直接运行，而是在持久化的优先级队列中排队，并为每项服务分别设定上限。

• 中断后续跑，而非从头再来。翻译任务会保存检查点，崩溃后从中断处继续；大文件上传在网络不佳时也能断点续传，而不必重新开始。

• 资金随任务流转。以托曼计价的统一预付费钱包，增值税预先列明，交易记入永久账本，折扣严格按报价执行，任务失败时自动退款。

• 三个应用，而非一个。客户、管理员和支持人员各自使用独立部署的应用，一个应用中的登录在另一个应用中无效。

• 靠开关，而非发布新版本。产品模块无需发布新版本即可开启或关闭，模型和服务商密钥可在管理后台直接更换。

平台运行在以代码定义的容器集群上，重负载任务与其数据就近部署。每次发布都要依次通过构建、测试、预发布环境部署和冒烟测试，再由人工批准上线生产环境；紧急情况下，还可手动触发回滚至上一版本。

我构建了什么

一个工作区，覆盖从原始素材到成品文件的完整路径。

视频翻译与配音

• 五种输出模式：原语言字幕、翻译字幕、仅配音、配音加原语言字幕，或配音加翻译字幕。

• 多说话人配音：识别出各个说话人，为每人分配不同的声音，并与原片时间轴对齐。

• 自动或交互：可全程无人值守运行，也可在渲染任何内容之前暂停，审阅并编辑字幕。

• 可直接播出的成品：为竖屏和宽屏视频生成带样式的内嵌硬字幕，并在配音之下以较低音量保留原声或背景音乐。

• 批量与链接导入：上传视频压缩包或粘贴社交媒体链接，系统自动检测源语言，并在扣费之前显示价格。

语音、播客与音乐

• 30种AI声音，支持语气指导；语气说明作为指令生效，而不会被朗读出来。

• 播客工作室：旁白、静音和音频片段排布在同一条时间轴上；人声可以在音乐片段的尾声处叠入，而音乐只在有人说话时才会压低。

• 音乐与歌曲：根据简要说明创作原创纯音乐，并可生成使用AI歌词或用户自填歌词的完整歌曲，并提供逐字保留原词的严格模式和可选的歌词翻译。

• 转写为字幕或纯文本，由AI添加标点，并可选人工审校。

图像与影片

• 视觉风格工作室：6大类共115种风格，无需掌握提示词术语即可组合出想要的画面风格；每张图像还可选择另外生成一份更高分辨率的副本。

• AI视频工作室：一个主题或故事，经过9个引导式阶段成为渲染完成的影片：故事、分场拆解、视觉风格、角色、角色设定表、配乐、镜头、剪辑和渲染。

• 声音设计：工作室内置744个免费的公共领域音效，可在多轨音频时间轴上使用。

配套功能

• 我的媒体库集中存放每一次上传和每一份输出，任何需要用到文件的地方都可以直接调用。

• 默认私密：除非所有者创建分享链接，否则只有所有者本人可以下载输出文件。

• 三种界面语言：默认波斯语，另有英语和阿拉伯语，完整支持从右向左排版，并可作为网页应用安装。

• 双语页面搭建器与博客，无需开发人员即可上线营销页面。

结果

Booq已上线运营，并在持续开发中。生产环境部署会生成面向客户的版本说明：去除内部名称，翻译为波斯语和阿拉伯语，并可由管理员编辑。

现在，创作者可以在同一个项目中把一段视频转换为多种语言版本，形式可以是字幕、配音或两者兼有；还可以在同一个工作区中制作播客、音乐、图像和影片，所有成果都汇集到同一个媒体库。每个任务在运行前都会显示价格（或预估起价），任务失败时费用会自动退回。

运营人员无需发布新版本即可切换模型、轮换服务商密钥、开启或关闭产品模块，也无需开发人员即可发布营销页面。备份每小时执行一次，其中一份生产环境备份已通过从头到尾完整读取得到验证。

复盘

平台在生产环境中的运行，促成了几次方向调整。每一次都是放弃一个看似稳妥的假设，换来一个更安全的默认做法。

语音。语音最初被刻意固定在单一服务商上，因为换一家服务商就意味着换一种声音。当这家服务商发生故障时，合成出的配音在缺失台词的地方只剩下静音。现在语音会沿着一条服务商链依次回退，所依据的原则是：声音略有不同，也好过一片静默。

内容审核。内容筛查过去在创建项目的流程中同步执行，用户在上传完成后要等待一段时间才能进入项目页面。现在筛查改在后台运行，已完成的结果会停留在“内容审核中”状态，直到审核结束，因此在审核仍在进行时，输出不会被呈现为已就绪。

发布与备份。生产环境部署从自动执行改为人工审批，且只有在预发布环境检查通过后才会开放审批。备份改为每小时一次，最新的一份备份也被从头到尾完整读取过一遍，因为从来没人读过的备份，算不上备份。

我的角色

• 作为首席技术官，定义了Booq的架构：相互独立的服务、每家AI服务商各自独立的网关，以及分别面向客户、管理员和员工、独立部署的三个应用。
• 将平台从第一次代码提交推进到以代码定义的生产容器集群，并设置了以人工审批收尾的发布关卡。
• 负责上线计划中的产品与定价决策（定价活动、许可授权与存储策略），并以包含验证和回滚步骤的结构化项目方式推进上线。
• 以产品负责人身份制定了AI视频工作室的需求，并用本人精心整理的风格合集，为视觉风格工作室搭建了初始风格库。
• 主导AI增强的工程工作流，向编程智能体下达任务说明，让其调研最佳实践、分阶段规划，并经预发布环境交付到生产环境。

工程

• 服务商会出故障，产品照常运行

  每家AI服务商都位于各自的网关之后，并具备自动回退机制；模型和密钥可在管理后台更换，无需重新部署。

• 为崩溃与弱网而设计

  翻译在崩溃后从检查点继续；数GB的大文件在网络不佳时也能断点续传，无需从头开始。

• 资金处理，处处设防

  失败任务自动退款，退款机制可防止重复打款，每笔交易都记入永久账本。

• 先审核，再标为就绪

  图像、视频、音频和文本均在后台接受审核，并提供申诉渠道；已完成的结果会一直保留在待审状态，直到审核完成。

• 分层访问控制

  客户、管理员和员工使用各自独立的应用；各控制台均要求二次验证，并采用基于角色的权限控制。

• 有监控、经压测、有备份

  仪表盘配合按严重级别分派的告警，上线前按通过/不通过阈值进行负载测试，并每小时备份一次，其中一份备份已通过从头到尾的完整读取得到验证。

成果

• 已上线并持续开发中，界面波斯语优先，提供波斯语、英语和阿拉伯语版本。
• 创作者可以在同一个项目中把一段视频转换为多种语言版本，形式可以是字幕、配音或两者兼有。
• 播客、音乐、图像和影片都在同一个工作区中制作，并统一归入同一个媒体库。
• 运营人员无需发布新版本即可切换模型、轮换密钥，以及开启或关闭产品模块。
• 生产环境部署会生成面向客户的版本说明，翻译为波斯语和阿拉伯语，并可由管理员编辑。