WhisperSubTranslate：视频字幕一键生成+翻译 免费开源还能本地运行

很多时候，给视频加字幕并不难，真正麻烦的是后面的翻译。

尤其是遇到一段没有字幕的英文、日文、韩文视频，你通常得先找工具转字幕，再把 SRT 文件丢进翻译工具，最后还要检查时间轴有没有乱。WhisperSubTranslate 想做的事情很直接：把“语音识别 → 生成字幕 → 翻译”这几步合在一个桌面软件里。

它是一个免费的开源桌面应用。把视频拖进去之后，软件会利用 whisper.cpp 把视频里的语音转成 SRT 字幕，然后再把字幕翻译成其他语言。整个过程可以在本地电脑完成，视频不需要上传到云端，也不用注册账号。

GitHub项目地址：https://github.com/Blue-B/WhisperSubTranslate

这里有个细节很重要：它并不是“提取视频里原本就存在的字幕”。如果你的 MP4 里面已经内置了一条字幕轨道，WhisperSubTranslate 不会直接把它扒出来；它做的是重新听视频里的声音，然后通过语音识别生成字幕。同样，它也不支持 OCR，所以画面里烧录的字幕也不会被识别。

核心技术用的是 Whisper 生态里的 whisper.cpp。简单理解，就是让电脑自己完成“听懂视频说了什么”这件事。软件提供 tiny、base、small、medium、large-v3 等不同模型，其中默认的 large-v3-turbo 大约需要 2GB 显存，比较适合在普通独显电脑上使用；如果电脑配置一般，也可以选择更小的模型。没有 NVIDIA 显卡也不是完全不能用，它支持 CPU 运行，只是速度会慢一些。

翻译部分则是这个项目比较有意思的地方。

它现在自带腾讯的 Hy-MT2 本地翻译模型，默认的 1.8B 版本大约需要 2GB 显存或 4GB 内存，模型体积约 1.13GB。还有一个更大的 7B 版本，对硬件要求会明显高一些，需要大约 8GB 显存或 12GB 内存。只要使用本地 Hy-MT2，不用 API Key、不需要联网，也没有按次收费的问题。

当然，如果你更看重翻译效果，也可以接入 DeepL、OpenAI、Gemini、Claude 等在线服务，不过这些需要自己准备对应的 API Key。项目还支持 OpenAI 兼容接口，所以如果你已经在用 OpenRouter、Ollama、vLLM 之类的服务，也可以接进来。

用内置的 Tencent Hy-MT2 模型完全离线翻译，或用自己的 API 密钥使用免费/付费在线引擎。

只有本地 Hy-MT2 引擎无需 API 密钥、无需网络、无每次费用，台词不会离开你的电脑。

字幕不同步也是视频处理里非常烦人的问题。WhisperSubTranslate 针对这个问题准备了 large-v2 Sync 和 Sync Lite 两个模型。普通模型出现时间轴漂移时，可以换它们重新处理，尤其针对日语、韩语、中文等非英语视频，项目作者特别强调了同步效果。代价也很明显：Sync 模型需要额外下载大约 4.4GB 的组件和模型。

实际使用门槛倒不算高。Windows 用户下载 Release 里的便携版，解压后直接运行 WhisperSubTranslate.exe 就行，不需要自己装 Python，也不用手动配置 Whisper。模型会根据需要自动下载。

但它也不是那种“下载几十 MB，什么电脑都能飞快跑”的小工具。模型本身就可能占几百 MB 到几 GB，想用大模型获得更好的识别效果，对显卡和硬盘空间还是有要求的。特别是第一次使用时，需要下载模型，别看到软件体积小就以为整个工具只占这么点空间。

从项目状态来看，它目前已经有 500 多个 Star、40 多个 Fork，并且仓库有 180+ 次提交，代码以 JavaScript 为主，采用 Electron 这类技术做桌面应用。

我觉得它比较适合两类人：一类是经常处理外语视频、需要自己制作字幕的人；另一类是比较在意隐私，不希望把私人视频上传到在线 AI 服务的人。

如果只是偶尔给一个短视频加字幕，在线工具可能更省事。但如果你手里有一堆课程、采访、纪录片或者外语视频，需要反复批量处理，WhisperSubTranslate 这种“本地跑、没有次数限制”的方案就很有吸引力。

而且它最大的优势其实不是“AI 翻译有多神”，而是把原本零零散散的几个工具串到了一起：视频丢进去，字幕出来，再翻译成目标语言。 对普通用户来说，这种简单粗暴的工作流，反而挺实用。

GitHub项目地址：https://github.com/Blue-B/WhisperSubTranslate