是这样的，鼠鼠我呀，想要捞一点开源经历（虽然已经开源了一个烂大街的面试官项目了），也增加一点自己 AIGC 的能力。所以想要做一个能够将一个外语播客，转换成中文播客的功能。全程用 AI 进行开发。 

需求是这样的：一段播客视频文件，上传后解析，解析后将视频原声对话替换为中文对话。并且对话要尽可能保证声情并茂，感情线啥的要到位 

比如，一个时间片内，发生了如下对话： 
A: hello, how old you?
B: I'm fine thank you!
-> 替换后
A：你好，你多大了？
B：我很好，谢谢！



求建议：佬友们有什么推荐的方案或者可参考的项目呢？ 


当前困境：我该如何去学习应用呢？现在还在让 AI 帮我梳理需求，搭建架构的环节。 


鼠鼠技术背景：go 后端开发的，打算转 AIGC 全栈开发了，春招再找不到，鼠鼠就只能去拧螺丝了 😭