Một số người nói rằng hiện đã có rất nhiều công cụ dịch phụ đề tự động bằng AI, vậy cái này có gì đặc biệt?
Đúng là có rất nhiều công cụ dịch video trực tuyến, và tôi cũng đã dùng thử nhiều cái. Nhưng tôi luôn thấy chúng không đủ chính xác, hoặc chất lượng kém, đôi khi còn hiện đầy lỗi.
Thêm vào đó, tôi thường xuyên chia sẻ video nước ngoài lên Twitter và WeChat Channels, nên tôi quyết định tự xây dựng bộ công cụ này—nó thực sự có thể giúp bạn đưa video nước ngoài về các nền tảng trong nước, hehe.
Tôi đã dùng bộ công cụ này nửa năm, chỉnh sửa nhiều lần, và giờ nó khá hoàn thiện. Tôi đã dọn dẹp và mã nguồn mở cho mọi người.
Sau khi cài đặt, bạn chỉ cần nói một câu: "Dịch link này thành video có phụ đề tiếng Việt," và nó sẽ tự động xử lý mọi thứ: tải xuống, phiên âm, dịch, trau chuốt, gắn phụ đề và tạo bản ghi chép—một giải pháp trọn gói hoàn chỉnh.
Quá trình phiên âm chạy hoàn toàn trên máy tính của bạn, không tốn phí API. Việc dịch thuật sử dụng AI bạn đã cài sẵn. Và không chỉ tiếng Anh; video tiếng Nhật, Hàn, Pháp và các ngôn ngữ nước ngoài khác đều có thể chuyển thành phụ đề tiếng Việt.
Về cơ bản, nó chỉ là vài script cộng với một hướng dẫn. Nó không bị khóa cứng với Claude Code—OpenClaw, Gemini và Codex đều có thể dùng được; điểm khác biệt duy nhất là cách mỗi công cụ cài đặt "kỹ năng."
Dưới đây là hướng dẫn từng bước để cài đặt và chạy video đầu tiên của bạn.
Chính xác thì công cụ này làm được gì?
Đưa cho nó một link video (YouTube, Bilibili, Douyin đều được) hoặc một file video cục bộ, và nó sẽ hoàn thành năm bước này trong một lần:
Tải xuống → Phiên âm → Dịch thuật → Trau chuốt → Gắn phụ đề
...và cuối cùng, xuất ra bản ghi chép.
Để giải thích chi tiết hơn:
- Tải video xuống (hoặc dùng trực tiếp file cục bộ).
- Trích xuất âm thanh và dùng Whisper để phiên âm thành phụ đề gốc với dấu thời gian chính xác.
- Dịch văn bản gốc sang tiếng Việt và trau chuốt thành phụ đề phù hợp với thói quen xem của người Việt.
- Gắn phụ đề vào video, xuất ra video có phụ đề tiếng Việt.
- Đồng thời tạo bản ghi chép Markdown để dễ dàng lưu trữ hoặc chuyển thành bài viết.
Ngôn ngữ không quan trọng. Tiếng Anh, Nhật, Hàn, Pháp, Tây Ban Nha—miễn là Whisper hiểu được, nó có thể chuyển thành phụ đề tiếng Việt. Nó tự động nhận diện ngôn ngữ nguồn và dịch thuật. Đối với video tiếng Việt, nó chỉ phiên âm và tạo bản ghi chép mà không qua bước dịch.
Có hai tùy chọn phụ đề. Một là chỉ tiếng Việt để màn hình gọn gàng. Hai là song ngữ (Việt/Anh), với chữ Việt lớn và chữ Anh nhỏ, hoàn hảo cho những ai muốn luyện nghe.
Bạn không cần nhớ bất kỳ lệnh nào. Chỉ cần dùng ngôn ngữ tự nhiên: "Tôi muốn phụ đề song ngữ," "Không watermark," "Dùng chế độ nhanh"—nó đều hiểu hết.
Nói một cách đơn giản, nó nén một quy trình trước đây cần bốn hoặc năm phần mềm và một hai giờ làm việc thành một câu duy nhất.
Nó khác biệt thế nào so với các công cụ hiện có?
Có rất nhiều công cụ phụ đề trên thị trường. Tôi quan tâm đến ba điều, và công cụ này được xây dựng đặc biệt cho chúng.
Thứ nhất: Cục bộ, miễn phí và ngoại tuyến. Phiên âm sử dụng mô hình Whisper mã nguồn mở của OpenAI. Trên Mac Apple Silicon, nó tự động dùng GPU để tăng tốc. Toàn bộ quá trình phiên âm diễn ra trên máy tính của bạn—không tải lên, không tốn phí. Dịch thuật tái sử dụng AI bạn đã có, nên không cần API dịch riêng.
Thứ hai: Dấu thời gian chính xác. Nhiều công cụ có phụ đề chạy trước người nói hoặc cắt câu một cách lộn xộn. Công cụ này lấy dấu thời gian chính xác đến từng từ được nói và cắt dựa trên "câu + ngắt hơi," vì vậy phụ đề thay đổi đúng lúc người nói kết thúc một ý.
Thứ ba: Phụ đề dành cho con người, không chỉ là bản dịch máy thô. Nó tự động sửa các danh từ riêng bị nghe nhầm (Claude thường bị nghe thành "cloud," MCP thành "NCP"), ngắt câu theo ngữ nghĩa, giữ mỗi dòng dưới mười hai ký tự và giữ nguyên tiếng Anh cho các thuật ngữ kỹ thuật. Ở chế độ song ngữ, tiếng Việt lớn và tiếng Anh nhỏ, phân tách rõ ràng thay vì chỉ hai dòng cùng kích thước xếp chồng lên nhau.
Đây là những chi tiết tôi đã tinh chỉnh qua hàng trăm video, tất cả đều được tích hợp vào các quy tắc.
Kết quả trông như thế nào
Hãy thử một cuộc phỏng vấn gần đây do a16z đăng tải với cựu CTO OpenAI Mira Murati. Tôi yêu cầu công cụ cung cấp phụ đề song ngữ.
Trong lời nói gốc của cô ấy, có một phép ẩn dụ:
It's more like a tandem bike where both people are pedaling.
Bản dịch máy có thể cho bạn một bản dịch từng chữ một vụng về. Công cụ này dịch là: "Nó giống như một chiếc xe đạp đôi, nơi cả hai người cùng đạp."
Nó tự nhiên và mượt mà. Các danh từ riêng cũng được xử lý tốt; tên công ty như "Thinking Machines" được giữ nguyên tiếng Anh thay vì dịch ép buộc.
Bạn chỉ cần gửi "Link + Dịch video này," và nó sẽ hỏi bạn muốn phụ đề thuần Việt hay song ngữ—tôi thường dịch sang tiếng Việt, nên tôi để hai tùy chọn này làm mặc định, nhưng thực tế nó có thể dịch sang bất kỳ ngôn ngữ nào.
Ngoài video có phụ đề, nó còn tạo bản ghi chép với văn bản gốc và tiếng Việt đặt cạnh nhau.
Đoạn văn đầy đủ trông như thế này:
Nó giống như xây dựng một hệ thống không chỉ tự chạy và bỏ lại nền văn minh phía sau, mà giống như một chiếc xe đạp đôi, nơi cả hai người cùng đạp. Khi lên dốc, có thể người khỏe hơn đạp mạnh hơn, nhưng tay của cả hai người đều đặt trên tay lái.
Phần thực tế nhất là nó không phụ thuộc vào ngôn ngữ. Cùng một cuộc phỏng vấn có thể được dịch thành phụ đề song ngữ cho tiếng Việt, Nhật, Hàn, Ả Rập hoặc Pháp—với bản dịch ở trên và tiếng Anh ở dưới, phân cấp rõ ràng. Ngay cả tiếng Ả Rập viết từ phải sang trái cũng được căn chỉnh gọn gàng:
Video mười phút không vấn đề gì, và video dài hơn một tiếng rưỡi cũng được xử lý dễ dàng.
Thực ra nó là ba kỹ năng
Khi bạn mở kho lưu trữ, bạn sẽ thấy ba thư mục, mỗi thư mục quản lý một phần công việc. Chúng có thể được sử dụng riêng lẻ hoặc kết hợp với nhau:
- xiaohu-video-md: Chỉ huy. Chịu trách nhiệm tải xuống, phiên âm, gọi dịch thuật, gắn phụ đề và xuất bản ghi chép.
- xiaohu-subtitle-polish: Chuyên về dịch và trau chuốt phụ đề. Xử lý sửa lỗi, dịch thuật, ngắt câu, căn chỉnh thời gian và định dạng song ngữ.
- xiaohu-video-download: Một công cụ tải xuống thuần túy. Tải video, âm thanh hoặc toàn bộ danh sách phát, và cũng có thể gắn phụ đề vào video cục bộ.
Khi dịch một video, xiaohu-video-md là người điều phối, và nó gọi xiaohu-subtitle-polish cho bước dịch. Bạn không cần lo lắng về điều này; chỉ cần biết ba phần này tồn tại.
Hướng dẫn cài đặt từng bước
Công cụ này hiện được tối ưu hóa cho Mac, chạy mượt nhất trên Apple Silicon. Có hai cách để cài đặt: nếu bạn muốn dễ dàng, chỉ cần dán văn bản dưới đây vào AI của bạn; nếu bạn muốn biết chuyện gì đang xảy ra hoặc sợ lỗi, hãy làm theo các bước thủ công.
Phiên bản lười biếng: Đưa cái này cho AI của bạn
Mở công cụ lập trình AI của bạn (Claude Code, Codex, OpenClaw) và sao chép-dán chính xác nội dung sau. Nó sẽ xác định hệ thống của bạn, cài đặt các phụ thuộc, clone kho lưu trữ và chạy script cài đặt, đặt câu hỏi cho bạn khi cần thiết:
Giúp tôi cài đặt công cụ dịch video này: https://github.com/xiaohuailabs/xiaohu-video-translate Thực hiện theo thứ tự này: 1. Kiểm tra hệ thống của tôi: Mac hay Windows; nếu Mac, kiểm tra xem có phải Apple Silicon (dòng M) không. 2. Cài đặt các phụ thuộc: yt-dlp, ffmpeg, whisper-cpp (Dùng brew install cho Mac, WSL hoặc winget cho Windows). Engine phiên âm: Cài mlx-whisper cho Apple Silicon, faster-whisper cho các loại khác. 3. git clone kho lưu trữ này, vào thư mục và chạy bash install.sh để cài đặt ba kỹ năng vào thư mục kỹ năng của tôi. 4. Sau khi cài đặt, tìm config.json trong kỹ năng xiaohu-video-md (đối với Claude Code, nó nằm ở ~/.claude/skills/). Hỏi tôi muốn lưu sản phẩm hoàn chỉnh ở đâu và giúp tôi thay đổi output_dir thành đường dẫn đầy đủ. 5. Cuối cùng, kiểm tra xem tất cả các phụ thuộc đã được cài đặt chưa và cho tôi biết tôi có thể bắt đầu sử dụng không.
Giải thích ngắn gọn những gì bạn đã làm ở mỗi bước; nếu một phụ thuộc bị lỗi, hãy dừng lại và hỏi tôi, đừng tiếp tục.
Về cơ bản, nó chạy ba bước dưới đây cho bạn. Nếu bạn muốn tự làm hoặc khắc phục sự cố, hãy làm theo phiên bản thủ công.
Bước 1: Cài đặt các công cụ cơ bản
Đầu tiên, đảm bảo bạn đã cài Homebrew. Sau đó chạy lệnh này để cài đặt ba công cụ:
brew install yt-dlp ffmpeg whisper-cpp
Tiếp theo, cài đặt engine phiên âm. Đối với Mac Apple Silicon, hãy dùng cái này để tăng tốc GPU (cờ --break-system-packages chỉ để vượt qua một hạn chế hệ thống mới hơn; nó sẽ không gây hại cho hệ thống của bạn):
pip3 install --break-system-packages mlx-whisper
Nếu không phải Apple Silicon, hãy dùng phiên bản chung:
pip3 install --break-system-packages faster-whisper
Bước 2: Cài đặt kỹ năng vào Claude
Clone kho lưu trữ và chạy script cài đặt:
git clone https://github.com/xiaohuailabs/xiaohu-video-translate.git cd xiaohu-video-translate bash install.sh
Script này sao chép ba kỹ năng vào thư mục kỹ năng của Claude, tạo file cấu hình và kiểm tra các phụ thuộc. Nếu mọi thứ hiển thị [OK], bạn đã sẵn sàng. Nếu có thứ gì đó hiển thị [Missing], hãy làm theo hướng dẫn để khắc phục. (Đường dẫn ở đây lấy Claude Code làm ví dụ; đối với các công cụ khác, chỉ cần thay đổi thư mục).
Bước 3: Cho nó biết nơi lưu kết quả
Mở ~/.claude/skills/xiaohu-video-md/config.json và thay đổi output_dir thành đường dẫn thư mục bạn muốn (ví dụ: /Users/tenban/Documents/VideoTranslation).
Các file tạm thời sẽ vào tmp/, bản ghi chép vào data/ và các video hoàn chỉnh sẽ vào thư mục Tải xuống của bạn theo mặc định.
Bạn không cần tải xuống mô hình phiên âm thủ công. Lần đầu tiên chạy,
mlx-whispersẽ tự tải xuống (khoảng 1,5GB) và tái sử dụng sau đó.
Sau khi hoàn tất, hãy khởi động lại công cụ AI của bạn và bạn đã sẵn sàng.
Người dùng Windows xem ở đây
Ở trên dành cho Mac. Windows cũng có thể chạy, nhưng có một vài điểm khác biệt:
Cách dễ nhất là sử dụng WSL (Windows Subsystem for Linux). Sau khi cài đặt, hãy cài những cái này và script sẽ chạy như bình thường:
sudo apt install ffmpeg pip3 install yt-dlp faster-whisper
Nếu bạn không muốn dùng WSL:
- Dùng faster-whisper làm engine.
- Chạy script cài đặt bằng Git Bash, hoặc sao chép thủ công các thư mục.
- Thay đổi phông chữ phụ đề. Mặc định là PingFang SC của Mac. Thay đổi nó thành Microsoft YaHei trong các lệnh để tránh văn bản hiển thị dưới dạng ô vuông.
Cách sử dụng
Sau khi cài đặt, chỉ cần một câu. Bạn có thể nói những câu như:
- "Dịch link này thành video có phụ đề tiếng Việt + [Link]"
- "Dịch video này, tôi muốn phụ đề song ngữ + [Link]"
- "Chuyển video này thành văn bản + [Link]" (Chỉ tạo Markdown)
- "Thêm phụ đề tiếng Việt cho video cục bộ này + [Đường dẫn]"
- "Tải video này xuống + [Link]"
- "Dùng chế độ nhanh để phiên âm"
- "Không watermark khi dịch"
Một vài cạm bẫy cần tránh
YouTube đôi khi không tải xuống được (lỗi 403). Tính năng kiểm soát rủi ro của YouTube đã thắt chặt. Script cố gắng đọc cookie từ trình duyệt của bạn để thử lại. Nếu vẫn thất bại, hãy dùng proxy.
Phụ đề hiển thị dưới dạng ô vuông. Đây là vấn đề lập chỉ mục phông chữ. Đảm bảo bạn đang sử dụng phông chữ có sẵn trên hệ thống của bạn (như PingFang SC trên Mac).
Douyin yêu cầu đăng nhập một lần. Chạy script douyin_login.py và quét mã QR. Thông tin đăng nhập này chỉ ở lại trên máy tính của bạn.
Lấy nó và sử dụng
Địa chỉ kho lưu trữ:
github.com/xiaohuailabs/xiaohu-video-translate
Mã có giấy phép MIT. Thoải mái thay đổi watermark, kiểu dáng hoặc kích thước phông chữ. Chỉ cần nhắc: đừng tải lên file cấu hình hoặc thông tin đăng nhập Douyin của bạn lên các kho lưu trữ công khai.
Đây là công cụ tôi dùng hàng ngày, không phải đồ chơi. Nếu bạn thấy nó hữu ích, hãy cho nó một ngôi sao. Nếu bạn có vấn đề, hãy mở một issue.
Lần tới, tôi sẽ mã nguồn mở kỹ năng minh họa bài viết của mình—sử dụng hình ảnh IP cá nhân để tạo minh họa cho các bài viết, giống như những cái trong bài này.
