市面上能在线翻译视频的工具不少，但用过的人都有同感：翻得不够准、不够顺，时不时还冒出一堆错。作者做这套工具，正是冲着这些痛点去的；顺带它也能帮你把海外视频规规矩矩地搬运到国内平台。

它到底能干嘛

给它一个视频链接（YouTube、Bilibili、抖音都行），或者一个本地视频文件，它会一条龙做完五步，最后再顺手附上一份文稿：

  • 下载：把视频下下来，本地文件就直接用；
  • 转写：提取音频，用 Whisper 转写成带精确时间戳的原文字幕；
  • 翻译 + 润色：把原文翻成中文，再润色成符合中文观看习惯的字幕；
  • 烧字幕：把字幕压进画面，输出一个带中文字幕的视频；
  • 出文稿：附带一份 Markdown 文稿，方便存档或改写成文章。

换句话说，它把「下载 + 转写 + 翻译 + 配字幕」这条原本要开四五个软件、来回折腾一两个小时的流水线，压缩成了说一句话。

语言不挑。英语、日语、韩语、法语、西班牙语，只要 Whisper 听得懂，都能转成中文字幕——它会先自动识别原视频是什么语言，再翻成中文。如果本身就是中文视频，它只做转写出文稿，不绕翻译这一步。

字幕有两种可选：一种是纯中文，画面干净；另一种是中英双语，中文大、英文小，主次分明，适合想顺便练听力的人。

整个过程你不用记任何命令。想要什么就用大白话说，「这个要双语字幕」「不要水印」「用快速模式」，它都听得懂。

跟现成的翻译工具有什么不一样

作者做了上百条视频，最在意三件事，这套工具就是奔着这三件事打磨的。

第一，本地、免费、能离线。 转写用的是 OpenAI 开源的 Whisper 模型，苹果芯片的 Mac 上还会自动调 GPU 加速。整个转写过程在你自己电脑里完成，不上传、不收费。翻译则复用你已经在用的 AI，不用再单独买一个翻译 API。

第二，时间戳是真的准。 很多工具的字幕会跑在说话人前面，或者半句话挤进下一条，看着难受。这套工具拿到的是精确到「每个词什么时候说出口」的时间戳，再按「一句话 + 换气停顿」来切，字幕基本说完正好换条。

第三，字幕是给人看的，不是机翻直出。 它会自动纠正转写听错的专有名词（Claude 经常被听成 cloud，MCP 被听成 NCP），按语义断句，每行不超过十二个字，技术术语保留英文。双语模式下，中文大、英文小，同一条里就把字号拉开，而不是两行一样大堆在一起。这些细节，都写进了规则里。

效果长什么样

拿 a16z 的一条访谈试了试，受访者是前 OpenAI 首席技术官 Mira Murati，配的是中英双语字幕。

她原话里有个比喻：

It's more like a tandem bike where both people are pedaling.

机翻大概会甩给你「串联自行车」这种读着别扭的词，而这套工具翻成的是：

它更像一辆双人自行车，两个人一起踩着踏板。

接地气、不绕口。专有名词也拎得清，像 Thinking Machines 这种公司名直接保留英文，不硬翻。

除了带字幕的视频，它还会同时出一份原文加中文对照的文稿。整段读下来是这样：

它更像是去造这样一种系统：不会自己闷头狂奔、把整个文明甩在身后，而更像一辆双人自行车，两个人一起踩着踏板。上坡的时候，也许更有劲的那个人踩得更用力，但两个人的手都在车把上。

不挑语言是这套工具最实在的地方。同一段访谈，中文、日语、韩语、阿拉伯语、法语都能翻成双语字幕——各国译文在上、英文原文统一压一行在下，连从右往左书写的阿拉伯语也排得整整齐齐。十几分钟的短视频没问题，一个半小时以上的长视频也能轻松应对。

它其实是三个技能

打开仓库你会看到三个文件夹，各管一段活，可以单独用，也可以串起来用：

  • xiaohu-video-md：总指挥，负责下载、转写、调翻译、烧字幕、出文稿；
  • xiaohu-subtitle-polish：专门管字幕翻译润色，负责纠错、翻译、断句、对时间轴、做双语；
  • xiaohu-video-download：纯下载工具，能下视频、下音频、下整个播放列表，也能给本地视频烧字幕。

翻译一个视频时，是 xiaohu-video-md 在总调度，翻译那一步它自己会去叫 xiaohu-subtitle-polish。这些你不用管，知道有这么三块就行。

值得一提的是，这套工具本质上就是几个脚本加一份说明书，没绑死 Claude Code 一家——OpenClaw（小龙虾）、Gemini、Codex 这些 AI 编程工具也都能用，区别只是各家装技能的方式不同。

手把手安装

这套工具目前是为 Mac 调的，苹果芯片的机器跑得最顺。装法有两种，挑一种即可：嫌麻烦，就把下面那段话整段丢给 AI，让它替你全装完；想搞清楚每一步在干嘛、或者怕中途出岔子，就照着后面的手动三步敲。

偷懒版：把这段话丢给 AI

打开你的 AI 编程工具（Claude Code、Codex、OpenClaw 都行），把下面这段原样复制进去发给它。它会自己判断你是什么系统、装好依赖、拉仓库、跑安装脚本，一条龙搞定，中间该问你的会停下来问：

帮我安装这个视频翻译工具：https://github.com/xiaohuailabs/xiaohu-video-translate

按下面的顺序来：
1. 先看我的系统：Mac 还是 Windows；Mac 的话是不是苹果芯片（M 系列）
2. 装依赖：yt-dlp、ffmpeg、whisper-cpp（Mac 用 brew install，Windows 走 WSL 或 winget）。
   转写引擎——苹果芯片装 mlx-whisper，其它机器一律装 faster-whisper
3. git clone 这个仓库，进目录跑 bash install.sh，把三个技能装进我的技能目录
4. 装完找到 xiaohu-video-md 技能里的 config.json（Claude Code 在 ~/.claude/skills/ 下），
   问我成品想存在哪个文件夹，帮我把 output_dir 改成完整路径
5. 最后检查依赖都装齐了没，告诉我能不能开始用

每一步做完简单说一句你干了啥；依赖装失败就停下来问我，别硬往下跑。

它替你跑的，其实就是下面这三步，只是你不用自己敲。想自己动手、或者中途卡住想排查，就照着手动版来。

第一步：装几个基础工具

先确认你装了 Homebrew（Mac 上最常用的软件包管理器，没装的去 brew.sh 按提示装一下）。然后一行命令把三个工具装上：

brew install yt-dlp ffmpeg whisper-cpp

这三个分别是：yt-dlp 负责下视频，ffmpeg 负责音视频处理和烧字幕，whisper-cpp 是「只下载」子技能在本地转写时用的备用命令——主翻译流程不靠它，真正干转写的是下面这步要装的引擎。

再装一个转写引擎。苹果芯片的 Mac 用这个，会走 GPU 加速，最快（命令里的 --break-system-packages 看着吓人，其实只是绕过新版系统的一个安装限制，不动你系统本身，放心敲）：

pip3 install --break-system-packages mlx-whisper

如果不是苹果芯片，就换成通用版本：

pip3 install --break-system-packages faster-whisper

第二步：把技能装进 Claude

把仓库拉下来，跑一下自带的安装脚本：

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，自动生成配置文件，还会帮你检查依赖装齐没有。脚本跑到最后会逐项打印 [OK] 或 [缺]，看到 yt-dlp、ffmpeg、转写引擎都是 [OK] 就说明装齐了，哪个显示 [缺] 就按提示补那一个。这里路径以 Claude Code 为例（技能在 ~/.claude/skills/）；你要是用 Codex、OpenClaw，把这个目录换成你那家工具的技能目录就行，其余都一样。

第三步：告诉它把成品放哪

打开 ~/.claude/skills/xiaohu-video-md/config.json 这个文件，把里面的 output_dir 改成你想存放成品的文件夹路径（要写完整路径，比如 /Users/你的用户名/Documents/视频翻译）。

中间的临时文件会进 tmp/，最终的文稿进 data/，烧好的视频默认放在下载文件夹里。

转写模型不用手动下。第一次跑的时候，mlx-whisper 会自己从网上把模型拉下来（一点五个 G 左右），下一次就直接用了。装完，重启一下你的 AI 工具，就能用了。

Windows 用户看这里

上面是 Mac 的装法。Windows 也能跑，但有几处不一样，别照搬。

最省事的办法是用 WSL，也就是 Windows 自带的 Linux 子系统。装好以后把下面这几样装上，脚本就能原样跑：

sudo apt install ffmpeg
pip3 install yt-dlp faster-whisper

如果不想用 WSL，想直接在 Windows 上装，记住三点：

  • 转写引擎用 faster-whisper，别装那个苹果芯片专用的版本。脚本检测不到苹果引擎，会自动用它兜底；
  • 安装脚本得用 Git Bash 跑，或者干脆手动把三个技能文件夹复制到工具的技能目录，再把每个配置模板复制成正式配置；
  • 字幕字体要换。默认用的是 Mac 的苹方，Windows 上没有这个字体，中文会显示成方块。把命令里的 PingFang SC 换成系统自带的微软雅黑就行。

直接在 Windows 上装依赖的话，命令是这样：

pip install yt-dlp faster-whisper
winget install Gyan.FFmpeg

字体这条 Linux 上也一样，苹方是苹果独有的，得换成系统里的中文字体。想让非苹果系统也能自动选对字体、开箱即用，作者正在做适配，可以去仓库提 issue 催进度。

怎么用

装好以后就一句话的事，下面这些话你都可以直接说：

你说的话 它做的事
把这个链接翻译成中文字幕视频 + 链接 全流程，从下载到出成品
翻译这个视频，要中英双语字幕 + 链接 同上，字幕换成中英双语
把这个视频转成文字 + 链接 只出 Markdown 文稿，不烧字幕
给我本地这个视频加中文字幕 + 文件路径 本地文件直接处理
下载这个视频 + 链接 只下载，不翻译
用快速模式转写 换更快但精度略低的模型
翻译时不要水印 关掉水印

几个坑先跟你说在前面

都是作者自己踩过的，提前知道能少走弯路。

  • YouTube 有时候下不动，报一串 403 之类的错。 这是 YouTube 近一年风控变严了。脚本会自动从你浏览器里读 cookies 重试，一般能过；还不行就挂个代理。
  • 烧出来的中文字幕是一个个方块。 这是 Mac 字体索引的老问题，脚本默认已经绕开了，正常装完不会遇到。只有你手动改过字体设置、或换了系统里没有的字体才会冒出来，真碰上就把字体换回 PingFang SC（苹方）。
  • 第一次用抖音，要先登录一次。 跑一下 python3 ~/.claude/skills/xiaohu-video-md/scripts/douyin_login.py，在弹出来的浏览器里扫码登录。登录状态只存在你自己电脑上，不会上传到任何地方；开源仓库里作者的登录信息也全删干净了，你拿到的是空的。

拿去用，随便改

仓库地址：github.com/xiaohuailabs/xiaohu-video-translate

代码是 MIT 协议，水印、字幕样式、默认字号这些你都可以照自己喜欢改。唯一提醒一句：别把你自己的配置文件和抖音登录信息传到公开仓库上去——仓库里已经默认帮你挡掉了。

如果你经常需要消化海外视频内容，或者想把优质海外视频搬到国内平台，这套工具值得装来试一试：把第一个视频跑通，你会发现「一句话翻译一整条视频」并不是夸张的说法。