有人说，现在 AI 自动翻译字幕的工具已经很多了，你这个有什么特别的？
确实，市面上针对在线视频翻译的工具不少，我自己也用过很多。但总觉得要么翻译得不够准，要么质量不行，有时候还冒出一堆错误。
再加上我经常在推特和视频号上搬运海外视频，于是干脆自己搭了这套工具——实际上，它能帮我把海外视频搬运到国内平台，嘿嘿。
这套工具我自己用了半年，反复调整了很多次，现在算比较成熟了。我稍微整理了一下，开源出来给大家用。
装好之后，你只需要说一句话：「把这个链接翻译成带中文字幕的视频」，后面的事情它全自动搞定：下载、听写、翻译、润色、压制字幕、生成文稿——一条龙全包了。
听写完全在本地电脑上跑，零 API 费用。翻译用的是你装好的 AI。而且不光是英文，日文、韩文、法文等外语视频，都能转成中文字幕。
本质上就是几个脚本加一个说明文档。它不绑定 Claude Code——OpenClaw、Gemini、Codex 都能用，区别只是每个工具装「技能」的方式不同。
下面我会一步一步教你装好，然后跑通第一个视频。
这东西到底能干什么？
你给它一个视频链接（YouTube、B站、抖音都行）或者一个本地视频文件，它就能一口气完成下面五步：
下载 → 听写 → 翻译 → 润色 → 压制字幕
……最后再输出一份文稿。
具体来说就是：
- 下载视频（或者直接用本地文件）。
- 提取音频，用 Whisper 听写出原始字幕，带精确时间戳。
- 把原文翻译成中文，再润色成符合中文观看习惯的字幕。
- 把字幕压制到视频里，输出带中文字幕的视频。
- 同时生成一份 Markdown 文稿，方便归档或改成文章。
什么语言都行。 英文、日文、韩文、法文、西班牙文——只要 Whisper 能听懂，就能转成中文字幕。它会自动识别源语言并翻译。如果是中文视频，就只做听写和生成文稿，跳过翻译步骤。
字幕有两种。一种是纯中文，画面干净。另一种是中英双语，中文大字、英文小字，适合想练听力的人。
你不需要记任何命令。直接说大白话：「我要双语字幕」「不要水印」「用快速模式」——它全能听懂。
简单说，它把一条原来需要四五款软件、花一两个小时才能跑完的流程，压缩成了一句话。
和现有工具有什么不一样？
市面上的字幕工具很多。我比较在意三点，这套工具就是专门针对这三点做的。
第一：本地、免费、离线。 听写用的 OpenAI 开源的 Whisper 模型。在 Apple Silicon 的 Mac 上，会自动用 GPU 加速。整个听写过程都在你电脑上完成——不上传、不收费。翻译复用的是你已经装好的 AI，不需要另外接翻译 API。
第二：时间戳精确。 很多工具的字幕要么比说话快一拍，要么断句生硬。这套工具的时间戳精确到每个词说出的那一刻，按「句子 + 换气停顿」来切分，字幕切换刚好在说话人把一句话说完的时候。
第三：字幕是给人看的，不是纯机翻。 它会自动纠正听错的人名（Claude 常被听成 Cloud，MCP 听成 NCP），按语义断句，每行不超过十二个汉字，技术术语保留英文。双语模式下中文大字、英文小字，主次分明，而不是两行一样大的字叠在一起。
这些细节是我跑了上百个视频反复修改出来的，都固化到了规则里。
效果什么样
拿 a16z 最近发的一篇采访来试试，受访者是 OpenAI 前 CTO Mira Murati。我让工具给双语字幕。
她原话里有一段比喻：
It's more like a tandem bike where both people are pedaling.
机器翻译可能会给出很生硬的直译。这套工具翻译成：「更像是一辆双人自行车，两个人都在一起踩。」
自然、通顺。专有名词也处理得好，像 "Thinking Machines" 这类公司名保留英文，不硬翻。
你只需要发「链接 + 翻译这个视频」，它会先问你要纯中文还是双语——我通常做中文翻译，所以默认留了这两个选项，不过它其实可以翻译成任何一种语言。
除了字幕视频，还会生成一份文稿，左右对照，上边原文、下边中文。
整段读起来是这样的：
更像是构建一个系统，它不会自顾自地跑在前面、把文明抛在身后，而是像一辆双人自行车，两个人都在一起踩。上坡时也许力气大的人踩得更多，但两个人的手都握在车把上。
最实用的是它不限语言。同一篇采访，可以翻成中文、日文、韩文、阿拉伯文、法文的双语字幕——翻译在上，英文在下，主次分明。甚至从右往左写的阿拉伯文也排得整整齐齐：
十分钟的视频没问题，一个半小时以上的长视频也轻松hold住。
其实是三个技能
你打开仓库目录，会看到三个文件夹，每个管理一块工作。它们可以单独用，也可以串起来：
- xiaohu-video-md：总指挥。负责下载、听写、调翻译、压制字幕、输出文稿。
- xiaohu-subtitle-polish：专门做字幕翻译和润色。负责纠正错词、翻译、断句、对齐时间、双语排版。
- xiaohu-video-download：纯下载工具。下载视频、音频或整个播放列表，也可以给本地视频压制字幕。
翻译视频时，xiaohu-video-md 是编排者，它在翻译环节调用 xiaohu-subtitle-polish。你不需要管这些，知道有这三部分就行。
一步步教你装
这套工具目前对 Mac 优化得最好，Apple Silicon 跑得最顺。装有两种方式：想省事，直接把下面这段话丢给你的 AI；想知道发生了什么或者怕出错，就按手动步骤来。
懒人版：把这段丢给你的 AI
打开你的 AI 编程工具（Claude Code、Codex、OpenClaw），把下面这段话原封不动复制进去。它会自动判断系统、安装依赖、克隆仓库、运行安装脚本，需要你确认的时候会问你：
帮我安装这个视频翻译工具： https://github.com/xiaohuailabs/xiaohu-video-translate 按这个顺序来： 1. 检查我的系统：Mac 还是 Windows；如果是 Mac，判断是不是 Apple Silicon（M 系列）。 2. 安装依赖：yt-dlp、ffmpeg、whisper-cpp（Mac 用 brew install，Windows 用 WSL 或 winget）。 听写引擎：Apple Silicon 装 mlx-whisper，其他装 faster-whisper。 3. git clone 这个仓库，进目录后运行 bash install.sh，把三个技能装到我的技能目录里。 4. 装完后，找到 xiaohu-video-md 这个技能里的 config.json（Claude Code 在 ~/.claude/skills/ 下）。问我成品想存哪里，帮我把 output_dir 改成完整路径。 5. 最后检查一遍所有依赖是否装好了，告诉我能不能开始用。
每步简单说明你在做什么；如果某项依赖装失败，停下来问我，不要继续往下跑。
它本质上帮你完成了下面三步。想自己动手或者排查问题，就看手动版。
第一步：装基础工具
先确保你已经装了 Homebrew。然后执行这条命令安装三个工具：
brew install yt-dlp ffmpeg whisper-cpp
接下来装一个听写引擎。Apple Silicon 的 Mac 用这个，可以开启 GPU 加速（--break-system-packages 这个参数只是绕开新版系统的一个限制，不会损坏你的系统）：
pip3 install --break-system-packages mlx-whisper
如果不是 Apple Silicon，用通用版：
pip3 install --break-system-packages faster-whisper
第二步：把技能装到 Claude 里
克隆仓库并运行安装脚本：
git clone https://github.com/xiaohuailabs/xiaohu-video-translate.git cd xiaohu-video-translate bash install.sh
这个脚本会把三个技能复制到 Claude 的技能目录，生成配置文件，检查依赖。如果每一项都显示 [OK]，就装好了。如果某几项显示 [Missing]，按提示处理就好。（这里路径以 Claude Code 为例，其他工具改一下目录即可。）
第三步：告诉它成品存哪里
打开 ~/.claude/skills/xiaohu-video-md/config.json，把 output_dir 改成你想要的文件夹路径（比如 /Users/你的名字/Documents/视频翻译）。
临时文件放 tmp/，文稿放 data/，成品视频默认放你的下载文件夹。
你不用手动下载听写模型。第一次运行时，
mlx-whisper会自动下载（约 1.5GB），之后会复用。
做完之后重启你的 AI 工具，就可以用了。
Windows 用户看这里
上面讲的是 Mac。Windows 也能跑，但有几个地方不一样：
最省事的办法是装 WSL（Windows Subsystem for Linux）。装好之后，把下面这些装上，脚本就能直接跑：
sudo apt install ffmpeg pip3 install yt-dlp faster-whisper
如果不想用 WSL：
- 听写引擎用 faster-whisper。
- 用 Git Bash 来运行安装脚本，或者手动复制文件夹。
- 改字幕字体。默认是 Mac 的苹方。需要换成 Microsoft YaHei，否则字幕会显示成方框。
怎么用
装好之后，就是一句话的事。你可以这么说：
- 「把这个链接翻译成带中文字幕的视频 + [链接]」
- 「翻译这个视频，我要双语字幕 + [链接]」
- 「把这个视频转成文字 + [链接]」（仅生成 Markdown 文稿）
- 「给这个本地视频加中文字幕 + [路径]」
- 「下载这个视频 + [链接]」
- 「用快速模式听写」
- 「翻译时不要水印」
几个容易踩的坑
YouTube 偶尔下载失败（403 错误）。 YouTube 的风控变严了。脚本会尝试从你的浏览器读取 cookie 重试。如果还不行，就用代理。
字幕显示为方框。 这是字体索引问题。确认你用的字体系统里存在（Mac 上苹方没问题）。
抖音需要一次性登录。 运行 douyin_login.py 脚本扫码即可。这个登录信息只保留在你电脑上。
拿去用吧
仓库地址：
github.com/xiaohuailabs/xiaohu-video-translate
代码是 MIT 协议的。水印、样式、字号随便改。只提醒一句：别把你的配置文件或抖音登录信息传到公开仓库。
这是一套我每天都在用的工具，不是玩具。觉得好用就给个 star。有问题就提 issue。
下回我开源配图技能——用一个人物 IP 形象来给文章配图，就像这篇文章里这样。
