xiaohu-video-translate 深度拆解：一句话把外语视频变成中文字幕版，全程本地零 API 费
你刷到一个超有价值的英文技术分享、日语访谈、韩语教程——但没字幕，看着费劲。市面上有各种「视频翻译」工具，要么收费按分钟计，要么上传播出内容有隐私风险，要么翻译
Gana · 2026-08-23 · 18 分钟阅读你刷到一个超有价值的英文技术分享、日语访谈、韩语教程——但没字幕，看着费劲。市面上有各种「视频翻译」工具，要么收费按分钟计，要么上传播出内容有隐私风险，要么翻译质量像机翻。xiaohu-video-translate 是一个完全不同的方案：它不是 SaaS，而是一套给 AI 编程工具用的「技能」——你说一句话，它自动完成下载→转写→翻译→润色→烧录字幕的全流程。全程在你电脑里跑，转写不花 API 费，翻译复用你已经在用的 AI。 上线一周多已经 516 stars、82 forks，这波热度不是没道理的。
📊 xiaohu-video-translate 速览
| 维度 | 详情 |
|---|---|
| 项目定位 | AI 编程工具技能：视频下载+转写+翻译+字幕烧录 |
| GitHub | xiaohuailabs/xiaohu-video-translate |
| ⭐ Stars | 516 |
| 许可证 | MIT — 完全开源 |
| 技术栈 | Python + Bash 脚本 + Whisper + FFmpeg |
| 兼容平台 | Claude Code / OpenClaw / Gemini CLI / Codex |
| 系统支持 | macOS（Apple Silicon 最佳）/ Windows（WSL 或原生）/ Linux |
| 语音转写 | Whisper（MLX + Metal GPU 加速，苹果芯片；faster-whisper 兜底） |
| 成本 | 转写零 API 费，翻译复用你已有的 AI 编程工具 |
| 发布日 | 2026-06-08 |
一、它到底是个什么东西？不是软件，是「AI 技能」
大多数视频翻译工具是独立软件或网页服务。xiaohu-video-translate 的思路完全不同：它是一套给 AI 编程 CLI 工具用的「技能包」（Skills）。
你已经在用 Claude Code、Gemini CLI、Codex 或 OpenClaw 写代码或做自动化——这个项目做的事情，就是把「视频翻译」这个任务的每一步写成可执行的脚本，再配上一份 AI 能读懂的说明书（SKILL.md）。装好之后，你只需要对 AI 说「把这个 YouTube 链接翻译成中文字幕视频」，剩下的全自动。
本质上，它是把传统需要四个软件（下载器 + 转写工具 + 翻译引擎 + 字幕编辑器）来回切换的工作流，变成了一段对话。
你的对话
│
▼
AI 编程工具（Claude Code / Gemini CLI / Codex 等）
│
├── ① 调 yt-dlp 下载视频
├── ② 提取音频 → Whisper 转写（词级时间戳 SRT）
├── ③ 调翻译脚本（任意外语 → 中文）
├── ④ 润色：纠错 + 断句 + 去标点 + 双语排版
└── ⑤ FFmpeg 烧录字幕 → 输出带字幕视频 + Markdown 文稿
二、拆解三个技能模块
项目里包含三个独立技能，各司其职又能协同：
技能 1：xiaohu-video-md — 总指挥
这是整个系统的大脑。它负责调度全流程：
- 接收用户指令（URL 或本地文件路径）
- 调用下载器获取视频
- 提取音频轨道
- 驱动 Whisper 做语音转写（生成带词级时间戳的 SRT 字幕文件）
- 调用 xiaohu-subtitle-polish 做翻译和润色
- 输出带字幕的视频 + Markdown 格式的完整文稿
关键设计：它会先读取 config.json 里的 output_dir（绝对路径），所有中间文件和最终产物都严格写在这个目录下，不会乱洒文件到当前目录。这个看似小的细节，体现了作者对「AI 技能可靠性」的深入思考——AI 执行自动化任务时，路径管理是最容易出错的地方。
技能 2：xiaohu-subtitle-polish — 字幕翻译与润色引擎
这是整个系统的「质量防线」。传统机翻字幕的问题是什么？
- 专有名词翻错：Whisper 把 "Claude" 听成 "cloud"，把 "MCP" 听成 "NCP"
- 断句反人类：按时间戳硬切，一句话从中间断开，上句没说完，下句接不上
- 标点混乱：转写结果带一堆逗号句号，烧到字幕上很扎眼
- 术语全翻中文：技术分享里 API、SDK、GPU 这种词应该保留英文
这个模块做的事情：
1. 纠错：自动检测并修正常见的 ASR 转写错误（尤其是专有名词和缩写）
2. 翻译：把任意外语翻译成中文（源语种 Whisper 自动识别）
3. 断句：按语义边界重新切分句子，用停顿位置做自然断句，字幕不会半句话跨两条
4. 去标点：清理掉句号、逗号等影响阅读的标点
5. 时间戳对齐：翻译后字数变了，重新校准每条字幕的起始时间
6. 双语 ASS 生成：中文大、英文小，比例约 1.7:1，用真正的 ASS 格式实现一条字幕内字号对比
为什么是 ASS 而不是 SRT？
SRT 做不了双语字号反差——在 SRT 里写 inline 字体标签会被 FFmpeg 剥离（实测三档字号输出 md5 完全一致）。ASS 格式交给 libass 渲染才能实现「中文 28pt、英文 17pt」的真反差。这是作者踩过坑后得出的方案，细节见真章。
技能 3：xiaohu-video-download — 下载器
纯粹的下载工具，支持：
- 单个视频下载
- 音频单独提取
- 播放列表批量下载
- 本地视频烧字幕（跳过下载步骤）
- YouTube、抖音等平台的 cookie 管理
抖音首次使用需要跑一次 douyin_login.py，浏览器扫码登录，登录态只存在本地。
三、Whisper 转写：本地、免费、能离线的核心武器
整个系统最亮眼的地方，是转写完全不走 API。
它调用 OpenAI 的 Whisper 模型在你本地跑：
- Apple Silicon Mac：用 mlx-whisper，走 MLX 框架 + Metal GPU 加速，转一段 10 分钟视频约 1-2 分钟
- 非 Apple Silicon Mac / Windows / Linux：用 faster-whisper，CTranslate2 后端，CPU 也能跑，速度略慢但精度一致
- 可选备份引擎 whisper-cpp，纯转文字最快，但不输出词级时间戳
Whisper 模型首次运行会自动从 HuggingFace 下载（large-v3-turbo 约 1.5GB），之后完全离线可用。
这意味着什么？
- 没有 API 调用次数限制
- 没有每分钟收费
- 数据不离开你的电脑
- 断网也能用（模型下载过一次后）
对于需要批量处理视频的用户来说，这个成本优势是碾压级的。同类 SaaS 服务通常 $0.1-0.5/分钟，处理 100 分钟视频就是 $10-50。用这套工具，成本为零。
两种模式：
- 精确模式（默认）：large-v3-turbo 模型，约 95% 精度
- 快速模式：medium 模型，约 90% 精度，但速度快 81%
日常用精确模式完全够，赶时间或视频背景噪音小时切快速模式。
四、多语言字幕：不是「英文翻译器」，是「语种无关」的翻译管线
很多视频翻译工具本质上是个「英译中」工具。xiaohu-video-translate 的设计要通用得多：
Whisper 自动识别原语种，所以不管视频是日语、韩语、法语、西班牙语还是阿拉伯语——只要 Whisper 能识别，都能转写。翻译环节再把任意外语统一翻成中文。
项目作者在 README 里放了一张演示图：同一段 a16z 英文访谈，同时翻成中/日/韩/阿/法五种语言的双语字幕。包括从右往左书写的阿拉伯语也排得整整齐齐。
这是靠 ASS 字幕格式的灵活排版能力做到的，SRT 根本搞不定——这再次验证了「技术选型」的重要性。
字幕类型两种可选：
- 纯中文：画面干净，适合纯观看
- 中英双语：中文大、英文小，主次分明，适合顺便练听力
五、安装与使用：macOS 最顺，Windows 有坑但能绕
macOS（尤其 Apple Silicon）
brew install yt-dlp ffmpeg
pip3 install --break-system-packages mlx-whisper
git clone https://github.com/xiaohuailabs/xiaohu-video-translate.git
cd xiaohu-video-translate && bash install.sh
然后在 ~/.claude/skills/xiaohu-video-md/config.json 里设好 output_dir，重启 Claude Code 就能用。全程 5 分钟。
Windows
项目的原话是「这套工具是按 Mac 调的」。Windows 上最省事的方案是 WSL2 + Ubuntu，装好之后用法跟 Linux 完全一致。
原生 Windows 也能跑，但有三点要注意：
1. 转写引擎用 faster-whisper（MLX 不支持 Windows）
2. install.sh 是 bash 脚本，用 Git Bash 跑，或者手动复制技能文件夹
3. 中文字体要换：脚本默认用 macOS 的苹方（PingFang SC），Windows 上中文会变成方块。需要手动把 FFmpeg 烧录参数里的字体改成微软雅黑
字体这个坑在 Linux 上也存在——Linux 没有苹方，需要装 Noto Sans CJK。作者在 README 里坦承「跨平台字体适配正在做」，态度诚恳。
六、怎么用：说人话就行
装好后重启你的 AI 编程工具，然后用大白话说：
| 你说的话 | 它做的事 |
|---|---|
| 「把这个链接翻译成中文字幕视频 https://youtu.be/xxxx」 | 全流程：下载→转写→翻译→烧字幕→出文稿 |
| 「翻译这个日语视频，要中英双语字幕 https://...」 | 同上，日语源，双语字幕输出 |
| 「把这个视频转成文字 https://...」 | 只转写，出 Markdown 文稿，不烧字幕 |
| 「给我本地这个视频加中文字幕 ~/Movies/talk.mp4」 | 处理本地文件，跳过下载 |
| 「用快速模式转写 https://...」 | 换 medium 模型，更快但精略低 |
| 「翻译时不要水印」 | 关掉默认水印 |
这种「自然语言驱动」的交互方式，比传统 CLI 工具的命令行参数要友好太多。你不用记 --model large-v3-turbo --subtitle-type bilingual --no-watermark 这种长参数，直接说你要什么效果就行。
七、优缺点总结
✅ 优点
| 优点 | 说明 |
|---|---|
| 转写零 API 费 | 本地 Whisper，无限量转写 |
| 数据完全本地 | 视频音频不上传任何服务器 |
| 多语种支持 | 不限于英文，日语/韩语/法语/阿拉伯语等都行 |
| 字幕质量高 | 自动纠错+语义断句+专有名词保留，不是机翻直出 |
| 双语字幕 | 真正的 ASS 双语，中文大英文小，SRT 做不到 |
| 自然语言交互 | 不用说命令，说人话就行 |
| 工具链兼容 | Claude Code / Gemini CLI / Codex / OpenClaw 都能用 |
| MIT 开源 | 免费可商用，字幕样式随便改 |
❌ 缺点
| 缺点 | 说明 |
|---|---|
| 依赖 AI 编程工具 | 不能独立使用，必须配合 Claude Code 等 |
| 入门门槛 | 需要先会用 AI 编程 CLI 工具，纯小白有学习成本 |
| macOS 优先 | Windows/Linux 有字体和引擎适配问题 |
| 翻译质量依赖你的 AI | 翻译质量取决于你用什么模型做翻译（Claude/Gemini/GPT） |
| 无图形界面 | 交互完全靠对话，没有可视化面板 |
| 大量视频批处理 | 目前适合单视频处理，批量场景需自己脚本化 |
八、谁适合用？
🟢 强烈推荐
- AI 编程工具的日常用户：你已经在用 Claude Code/Gemini CLI 写代码，加个技能就能多一个视频翻译能力
- 需要大量处理外语视频的人：研究者、内容创作者、学习外语的人——本地无限量转写是杀手级优势
- 隐私敏感型用户：视频内容涉及商业机密或个人隐私，不能上传到第三方服务
- 技术教程搬运+翻译：把国外优质技术内容翻译成中文，配上双语字幕发布
🟡 可以试试
- 自媒体创作者：需要翻译外网素材做二次创作，但要注意版权问题
- 开源技术文档团队：翻译国外会议演讲、技术分享视频
🔴 不太适合
- 完全不用 AI 编程工具的用户：没有 Claude Code/Gemini CLI 等工具，这套技能用不了
- 想要一键 App 的用户：这不是一个独立应用，没有图形界面
- 需要专业级字幕排版：虽然 ASS 能做到中文大英文小，但复杂的卡拉 OK 动效、多行滚动字幕等不支持
九、与同类工具的对比
| 维度 | xiaohu-video-translate | Veed.io 字幕翻译 | Happy Scribe | 剪映字幕翻译 |
|---|---|---|---|---|
| 转写费用 | 免费（本地 Whisper） | $18/月起 | $12/月起 | 免费（有限额） |
| 数据隐私 | ✅ 全程本地 | ❌ 上传到云端 | ❌ 上传到云端 | 🟡 本地但联网 |
| 多语种 | ✅ Whisper 支持全语种 | ✅ | ✅ | 🟡 主要语种 |
| 双语字幕 | ✅ 真 ASS 双语 | ✅ | ✅ | ❌ |
| 翻译质量 | 依赖你的 AI 模型 | 🟡 机翻 | 🟡 机翻 | 🟡 机翻 |
| 开源 | ✅ MIT | ❌ | ❌ | ❌ |
| 使用方式 | AI 对话 | Web 界面 | Web 界面 | 桌面 App |
| 入门门槛 | 🟡 中等 | ⭐ 低 | ⭐ 低 | ⭐ 低 |
xiaohu-video-translate 的定位非常清晰：它不是要做最易用的视频翻译工具，而是要做最省钱、最保护隐私、最适合 AI 编程用户工作流的视频翻译方案。
十、总结
xiaohu-video-translate 是一个「思路打开」的项目。它没有试图再造一个 SaaS，而是巧妙地利用 AI 编程工具的能力边界，把视频翻译这件事变成了一段对话。
它的核心优势三角是：本地 Whisper 转写（零成本 + 无限量）+ 自然语言交互（零学习成本）+ 工具链兼容（不锁定生态）。516 stars 只用了一周多，说明市场上对这种「把 AI 编程工具当操作系统用」的思路是有强烈需求的。
当然，它有门槛——你得先是一个 AI 编程工具的用户。但如果你已经是，那这套技能几乎是零成本获得了一个强大的视频翻译能力。
对于更完整的视频创作链路，建议搭配 LibTV（https://www.liblib.tv） 做视频编辑和生成——比如你把国外讲师的演讲翻译成中文后，想在关键处加一些中文画面或数据可视化，LibTV 的节点式工作流能让你在同一个无限画布上完成这些增强。对于需要品牌化包装的视频内容，用 Lovart（https://www.lovart.ai 和 Lovart中文版: https://www.lovart.art） 统一视觉调性，让翻译后的视频保持品牌一致感。
一句话总结：如果你的日常工作流里已经有 Claude Code 或 Gemini CLI，花 5 分钟装上这个技能，你就多了一个「全自动视频翻译助手」。不花钱、不传数据、说句话就行。
如果觉得有用，关注我，每周深度拆解 2-3 个 GitHub 开源 AI 创作工具，讲真话，不恰饭。
🔗 本文提到的工具：
- xiaohu-video-translate：https://github.com/xiaohuailabs/xiaohu-video-translate
- LibTV 视频创作平台：https://www.liblib.tv
- Lovart 设计 Agent：https://www.lovart.ai 和 Lovart中文版: https://www.lovart.art
- Whisper（OpenAI）：https://github.com/openai/whisper怎么选： 你每周会认真碰到本工具主场景，并且愿意读文档/做人审，再把 xiaohu-video-translate 留进周更工具箱；只想零配置一键终稿、或不愿碰权限与复核，先别押它当唯一主力。
