Lokálny súbor
Preklad MP4 / MKV / AVI
4-krokový wizard: STT → Preklad → TTS → Finalizácia. Batch režim, checkpoint manager, výber engineu a kvality.
Z videa do slovenčiny automaticky za pár minút.
Automatický video-dubbing pipeline. Whisper STT → Gemma preklad → OmniVoice TTS → finálna A/V montáž. Všetko lokálne, bez cloudu.
EN summary: Local-first AI video dubbing pipeline — Whisper speech-to-text → fine-tuned Gemma 4 26B (EN→SK) → OmniVoice TTS with voice cloning. Runs fully on a single RTX 4090, no cloud APIs.
Live demo
40-sekundová ukážka EN→SK
TED Talk od Tima Urbana preložený a nadabovaný plne lokálne — Whisper STT → Gemma 4 26B → OmniVoice TTS. Vľavo hore vidíš pôvodný EN klip, hlavné video je AI dabing v slovenčine.
Link na video: https://youtu.be/OYzaQf7kO3M · pôvodný materiál: Tim Urban / TED · CC-BY-NC-ND
Audio ukážky SK TTS
Ako znie OmniVoice / Chatterbox v slovenčine
3 krátke vzorky vygenerované lokálnym TTS modelom. Žiadny cloud, žiadne API — všetko bežalo na RTX 4090.
Pozdrav (~7s)
„Vitajte vo VideoTranslator Studiu. Lokálny AI dabing pre slovenčinu — bez cloudu, bez poplatkov.“
Vysvetlenie pipeline (~11s)
„Pipeline kombinuje tri modely. Whisper transkribuje pôvodný zvuk, Gemma štyri prekladá do slovenčiny a OmniVoice generuje hlasový výstup. Všetko beží lokálne.“
Naratívny štýl (~14s)
„Predstavte si, že vezmete anglické video, kliknete jedenkrát, a o pár minút máte plnohodnotný slovenský dabing s klonovaným hlasom rečníka. Žiadne predplatné, žiadne API kľúče — iba vaša grafická karta.“
Pre koho je nástroj určený
Pre tvorcov obsahu
Stiahneš YouTube/Vimeo/TikTok video, klikneš Spustiť preklad — o pár minút máš slovenský dabing pripravený na publikovanie.
Pre štúdiá a lokalizáciu
Batch režim, checkpoint manager, vlastný hlas cez referenčnú .wav vzorku, multi-speaker podpora. Plne lokálne na RTX 4090.
Štyri hlavné moduly
Všetko v jednom Qt6 GUI
Stiahnutie videa
YouTube, Vimeo, TikTok…
1000+ podporovaných služieb cez yt-dlp. Výber kvality, formátu, celý playlist, podpora prihlásených stránok cez cookies.
Narrátor
Text-to-speech s vlastným hlasom
Vlož text, vyber referenčný hlas (.wav), nastav tempo a štýl-instruct (gender, vek, pitch, accent). Získaš prirodzenú narráciu.
🔍 Auto-detection
Jeden klik a všetko nastavené
Tlačidlo Detekuj hovoriaceho spustí pitch analýzu (librosa) + Whisper sample 90 s + keyword regex. Predvyplní hlas, voice design, typ obsahu, diffusion steps a guidance scale podľa zdroja videa.
Smart Auto-detection
GUI sa nastaví podľa videa, nie naopak
Pohlavie + multispeaker
Pitch analýza F0
librosa pyin na demucs vokáloch — median F0, std, bimodalita. Auto-nastaví voice design preset (🇸🇰 muž / 🇸🇰 žena / multi-voice).
Typ obsahu
Whisper + keyword regex
90 s sample, multilingual auto-lang. EN + SK keywords (C++, SQL, GitHub, databáza, tabuľka…) → general / programming / technical / sql / educational / podcast / review / news.
OmniVoice params
Decision tree
tech content → 96 steps + 2.8 guidance, multispeaker → 96+3.0, low confidence → 96+3.0. Nemusíš tipovať — auto-detect nastaví na základe zdroja.
Konzistentný rod
Speaker gender propagation
Zistený rod sa propaguje do prekladového promptu aj refine pass-u (G3-12B). Plus deterministický regex post-fix („som dokončil" → „som dokončila") pre stopercentnú konzistenciu cez celé video.
Voice cloning architecture v2 (2026-05-08)
SK akcent + identita pôvodného speakera
Krok 1 · Demucs
Extrakcia hlasu z videa
htdemucs htdemucs vyseparuje vokály z input videa. Cleanup + European EQ shaping → cca 5.5 s referenčného audia s timbre pôvodného speakera.
Krok 2 · Chatterbox SK 2.2
SK-flavored ref
Chatterbox (SK fine-tune) s PRO config CONFIG_ANTICUT vyrobí ~6 s SK ref audio: SK akcent zapečený v modeli + timbre z video clone-u (audio prompt). Bez halucinácií vďaka safe_mode fallback retry logike.
Krok 3 · OmniVoice
Final TTS s SK akcentom
OmniVoice (zero-shot, 600+ jazykov) klonuje z SK-flavored referencie. Output: SK akcent + identita pôvodného video speakera + OmniVoice quality. Žiadny zero-shot accent leak.
Krok 4 · PRO Master
Open clarity EQ
Bass body (70Hz/120Hz +2dB) + de-nasal cut (1.5kHz) + presence (3.5kHz) + sparkle highs (8/12/15kHz). EBU R128 -20 LUFS, kompresor 3:1, lowpass 16 kHz. Background music -15 dB.
Ako to celé funguje
1. STT
Faster-Whisper large-v3-turbo s context-aware transcription a hallucination guards.
2. Preklad
Gemma 4 26B fine-tuned EN→SK, sliding-window batching, glossary memory.
3. TTS
OmniVoice (zero-shot, primary) a Chatterbox SK 2.2 (backup). Žiadny SK fine-tune potrebný.
4. Finalizácia
Preserve gaps default, sync-safe timeline, optional gap compression, ffmpeg mux.
TTS engines
Slovenský benchmark (Whisper QA)
Primary · 408
OmniVoice (zero-shot)
k2-fsa, 600+ jazykov, žiadny SK fine-tune potrebný. Voice clone z 3-sekundovej referencie. Rýchla inferencia, vysoká kvalita.
Backup · 355
Chatterbox SK 2.2
Slovenský fine-tune s prosody vrstvami: pause map, pitch contour, energy contour per-chunk, per-chunk style embedding.
Technology stack
Plne lokálne, žiadny cloud
Inference
LM Studio + Ollama + llama.cpp
Gemma 4 26B A4B Q6_K (default), MADLAD, NLLB, MultiSlav, voliteľné API: GPT-5, Grok, Gemini.
Hardware
RTX 4090 · 24 GB VRAM
Optimalizované pre RTX 4090. Adaptívne unloading modelov medzi STT/translate/TTS fázami.
Software
PyQt6 · Python 3.10/3.11
Linux, miniforge3 conda envs. Faster-Whisper, ffmpeg, librosa, transformers, unsloth.