Voice Over Translation项目在Invidious平台上的CSP策略问题解析
问题背景
Voice Over Translation(简称VOT)是一款优秀的浏览器脚本工具,能够为视频内容提供实时语音翻译功能。然而,当用户在基于Invidious平台的视频网站上使用该脚本时,可能会遇到翻译功能无法正常工作的问题,系统提示"无法请求视频翻译"的错误信息。
问题根源分析
经过深入的技术排查,发现该问题主要源于Invidious平台严格的内容安全策略(Content Security Policy,简称CSP)设置。具体表现为以下两个层面的限制:
-
脚本执行限制:Invidious平台的CSP策略默认阻止了Function()等动态代码执行方式,导致VOT脚本中的某些必要功能无法正常运行。
-
媒体资源加载限制:平台的CSP策略对media-src进行了严格限制,仅允许来自特定域名(如googlevideo.com和youtube.com)的媒体资源加载,而VOT生成的翻译音频来自其他域名,因此被阻止。
解决方案
针对上述问题,我们推荐以下几种解决方案:
方案一:完全禁用CSP限制
在Tampermonkey等用户脚本管理器中,找到VOT脚本的设置选项,将"移除CSP"设置为"完全移除"。这一操作将:
- 允许脚本执行必要的动态代码
- 解除对媒体资源加载的限制
- 使VOT能够正常请求和播放翻译音频
方案二:使用专用CSP管理扩展
对于希望保持部分安全策略的用户,可以安装专门的CSP管理扩展程序,仅针对Invidious平台解除特定限制:
- 安装CSP管理扩展
- 为Invidious域名添加例外规则
- 允许script-src和media-src的宽松策略
技术原理深入
CSP是现代浏览器实施的一项重要安全机制,它通过白名单方式控制网页可以加载哪些资源、执行哪些脚本。Invidious平台出于安全考虑设置了严格的CSP策略:
- script-src限制:阻止了eval()和Function()等动态代码执行方式
- media-src限制:仅允许来自Google视频平台的媒体资源
VOT脚本需要这些权限来实现:
- 动态生成翻译请求
- 加载来自第三方服务的翻译音频
- 与页面视频进行同步播放
最佳实践建议
-
对于普通用户,建议采用方案一(完全移除CSP)以获得最佳体验
-
对于安全敏感用户,可采用方案二并结合以下措施:
- 仅对信任的Invidious实例放宽限制
- 定期检查扩展权限设置
- 使用最新版本的VOT脚本
-
开发者方面,未来版本可能会优化脚本以适应更多CSP环境,减少对放宽策略的依赖
总结
Invidious平台严格的CSP策略与VOT脚本的功能需求之间存在天然的冲突。通过合理调整CSP设置,用户可以在保持安全性的同时享受完整的视频翻译功能。理解这些技术限制和解决方案,将帮助用户更好地在不同平台上使用VOT这一强大的翻译工具。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00