在项目级别创建 Python 虚拟环境

在项目级别创建 Python 虚拟环境是目前最推荐的做法。

例如你的项目：

video_subtitle_project/
├── src/
├── data/
└── venv/

其中 venv/ 就是该项目专属的虚拟环境。

---

为什么推荐项目级虚拟环境？

1. 依赖隔离

项目 A：

Python 3.10
openai==1.30.0
whisper==2025.1

项目 B：

Python 3.12
openai==2.0.0
torch==2.8

如果都安装到全局环境，很容易出现：

依赖冲突
版本覆盖
运行报错

项目级虚拟环境不会互相影响。

---

2. 便于迁移

导出依赖：

pip freeze > requirements.txt

别人拿到项目后：

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

即可恢复环境。

---

3. VS Code 自动识别

如果目录结构是：

video_subtitle_project/
├── .venv/
├── src/
└── requirements.txt

或者：

video_subtitle_project/
├── venv/
├── src/
└── requirements.txt

VS Code 的 Python 扩展通常会自动发现并提示使用该环境。

很多团队甚至统一使用 .venv 这个名称。

---

推荐目录结构

video_subtitle_project/
│
├── .venv/
│
├── src/
├── data/
├── tests/
│
├── requirements.txt
├── README.md
└── .gitignore

---

创建方式

进入项目根目录：

cd video_subtitle_project

创建环境：

python3 -m venv .venv

激活：

Mac/Linux：

source .venv/bin/activate

Windows：

.venv\Scripts\activate

---

Git 提交时不要上传虚拟环境

.gitignore 中添加：

.venv/
venv/
__pycache__/
*.pyc

否则一个几十 MB 的项目可能变成几 GB。

---

项目级 venv 和 Conda 环境怎么选？

对于你现在做的：

• 字幕处理
• OpenAI API
• SiliconFlow API
• SRT 翻译
• 普通 Python 开发

推荐：

项目级 venv

例如：

python -m venv .venv

简单、轻量、兼容性好。

如果涉及：

• PyTorch
• CUDA
• Whisper 大模型本地推理
• 深度学习训练

则更推荐：

Anaconda 或 Miniconda 的 Conda 环境，例如：

conda create -n pytorch_env python=3.11
conda activate pytorch_env

---

对于你当前的"视频字幕处理项目"，我建议：

video_subtitle_project/
├── .venv/
├── input/
├── output/
├── src/
│   ├── transcribe.py
│   ├── translate.py
│   └── merge.py
└── requirements.txt

然后在 VS Code 中选择 .venv/bin/python 作为解释器即可。这是目前 Python 社区最主流的项目管理方式之一。