产品定位
认识Oiiyao
Oiiyao定位于企业级及个人创作者的AI视频本地化服务，主要解决内容跨文化传播中的语言障碍问题。其能力边界集中在视频的音频替换、音画同步调整（口型匹配）及字幕生成上，不涉及视频剪辑或画面内容的创造性修改。
能力图谱
能帮你完成什么
智能配音与语音克隆
提供高保真的多语种音频生成服务，支持保留原说话人音色特征。
- AI声音克隆
- 基于少量原文样本，生成与原声音色、情感高度一致的合成语音。
- 多语种文本转语音
- 将翻译后的目标语言文本转换为自然流畅的语音音频，支持多种常见语种选择。
视频唇形同步处理
对视频画面中人物的口型进行算法调整，使其与新配音语言相吻合。
- 数字面部重绘
- 识别视频中人物嘴部区域，根据新语言的音节时长和口型特征进行像素级重绘和调整。
- 音画帧对齐
- 精确计算不同语言在语速上的差异，自动切分视频帧以确保音画同步不出现脱节。
自动化字幕与封装
完成最终的输出制作流程，包括字幕叠加和视频格式打包。
- 双语字幕生成
- 提取原文语音并翻译，生成时间轴精准的目标语言字幕，可嵌入视频或作为外挂文件输出。
- 无损视频渲染
- 整合视频、新音轨及字幕，以原始分辨率和码率标准输出最终成品视频文件。
使用路径
从需求到结果
上传视频启动翻译
将一个中文视频快速转化为英文版本。
- 注册并登录Oiiyao网页端控制台。
- 点击创建新项目，上传需要本地化的原始视频文件（需包含清晰的人声对白）。
- 在设置中选择源语言（如中文）和目标语言（如英文），开启‘声音克隆’选项。
- 提交任务至云端进行处理，等待系统完成翻译、配音生成及口型同步运算。
- 下载生成的最终本地化视频文件。
- 预期产出
- 一个经过英语配音且人物口型与英语发音同步的视频文件，附带英文字幕。
API接口批量集成
通过代码方式自动化处理多个视频素材。
- 获取平台提供的API访问密钥（Key）。
- 调用视频上传接口，传入视频二进制流或URL。
- 构造请求参数，指定目标语种和音轨模式。
- 轮询任务状态接口，或在回调事件中接收任务完成通知。
- 下载处理结果并存储至自有服务器。
- 预期产出
- 程序自动返回处理好的视频文件链接或ID，实现流程自动化。
选型判断
它适合你吗
值得考虑的情况
- 有海外推广需求的TikTok/YouTube博主
- 能够以较低成本实现一鱼多吃，让同一条视频覆盖全球不同语种的受众群体。
- 需要将内部培训或公开课推向国际市场的机构
- 保持讲师原有声音风格的同时打破语言隔阂，提升内容的国际化专业度。
需要权衡的地方
- 非真人出镜视频限制
- 如果视频内容是动画、图表或风景为主，缺乏明确的人脸口型，口型同步功能将无法生效或无意义。
- 算力消耗导致的延迟
- 由于涉及复杂的图像生成和音频处理，长视频的处理时间可能较长，不适合追求实时性的直播场景。
开始之前
- 视频源质量要求较高，建议输入文件清晰度在1080P及以上，以保证面部重绘细节。
- 视频中的人物面部需正对镜头且在画面中占据一定比例，严重侧脸或遮挡可能导致口型同步失败。
- 网络环境良好，以便顺畅上传大体积视频文件及下载处理结果。
定价与门槛
投入与使用范围
- 计费方式
- 按处理的视频时长计费，通常分为按分钟购买的套餐包或订阅制月费。
- 免费范围
- 平台通常提供有限的免费试用额度（如几分钟时长的体验视频），用于测试口型同步质量和配音效果。
- 付费差异
- 付费后解锁更多语种、更高并发处理能力以及更精细的声音定制选项。
其他选择
放在一起看差异
AI虚拟人与视频编辑
HeyGen
- 相同的任务
- 均支持视频翻译、声音克隆及高精度的口型同步功能。
- 不同的侧重
- HeyGen在虚拟数字人形象生成方面更为成熟，而Oiiyao更专注于真人影像的深度本地化处理，可能在特定真人视频场景下性价比更高。
- 什么时候选它
- 当需要快速制作数字人播报视频或对现有真人视频进行高质量多语种翻拍时。
AI语音生成
ElevenLabs
- 相同的任务
- 两者都拥有顶尖的AI语音合成与自然度表现。
- 不同的侧重
- ElevenLabs主要聚焦于高质量的音频生成，不具备直接的“视频画面口型重绘”功能；Oiiyao则是端到端的视频解决方案。
- 什么时候选它
- 仅需要替换视频音频但不在意是否修改口型画面，或者仅需纯音频配音项目时。
手机/桌面短视频工具
Wondershare Captions
- 相同的任务
- 均服务于短视频创作者的多语种发布需求。
- 不同的侧重
- Captations更侧重于移动端操作和自动生成动态字幕，口型同步能力不如Oiiyao等桌面端专业工具深入。
- 什么时候选它
- 主要是使用手机拍摄短视频，且希望直接在手机上完成字幕添加和部分翻译工作的小白用户。
静态照片驱动与视频通讯
D-ID
- 相同的任务
- 同样具备让静态图片或人脸动起来的AI驱动技术。
- 不同的侧重
- D-ID常用于让照片开口说话或制作新闻主播类视频，Oiiyao则针对已有的完整动态视频片段进行后期语言本地化处理。
- 什么时候选它
- 需要将一张照片转化为会说多国语言的视频，或为旧视频添加新语言音轨时使用。
常见问题
你可能还想知道
视频中有背景音乐或多人对话，会影响本地化效果吗？
可能会产生干扰。AI通常专注于分离和处理人声对白。若背景乐喧宾夺主或多个人物同时说话，可能导致翻译出的语音与其他人物声音重叠，建议在处理前尽量确保音频轨道的对白清晰度和单一性。
处理一段5分钟的视频通常需要多长时间？
具体时间取决于当前的服务器负载、视频分辨率以及所选的画质精细度。一般在几十分钟到数小时不等。如果是高峰时段或使用长视频，处理队列可能需要排队。
可以完全保留原视频的背景音乐吗？
这取决于平台的设置选项。通常情况下，AI会在生成新配音时降低背景音乐音量以实现平衡，部分高级功能允许单独导出音轨，用户可以手动在后端视频编辑器中将新的配音视频轨道与原始背景音乐混合。
支持的语种有哪些？是否支持小语种？
主流平台通常支持英语、日语、韩语、西班牙语、法语、德语等热门语种。小语种的支持情况依赖于底层的机器翻译引擎和TTS模型库，具体需在平台官网查看最新的语种列表。
