前几天看到 v 友分享的字幕翻译工具，想想我迫切需要的功能是 生成外语影片中文字幕 功能。
于是调研了下方案，原本打算古法编程的。
但 gpt5.4 真的远超想象，没那么完美，但已符合我的需求，解决了某些电影字幕无->有的跨越。
核心功能：
ffmpeg 分离音频->VAD 本地模型降噪切片->Whisper 本地模型转录（非翻译）->LLM 大模型翻译
分享给有需要的 v 友
https://github.com/AndySkaura/crosssubtitle-ai/releases/tag/1.0
当前只有 mac arm 版本，win 版本等下周 codex 有额度了再督促它干活儿。
只在本机进行过测试
原本想内置一个 qwen 7b ，但还是太重了，不如用免费不限量的 GLM-4-Flash-250414 。有条件的自己本地部署个小模型吧。
于是调研了下方案，原本打算古法编程的。
但 gpt5.4 真的远超想象，没那么完美，但已符合我的需求，解决了某些电影字幕无->有的跨越。
核心功能：
ffmpeg 分离音频->VAD 本地模型降噪切片->Whisper 本地模型转录（非翻译）->LLM 大模型翻译
分享给有需要的 v 友
https://github.com/AndySkaura/crosssubtitle-ai/releases/tag/1.0
当前只有 mac arm 版本，win 版本等下周 codex 有额度了再督促它干活儿。
只在本机进行过测试
原本想内置一个 qwen 7b ，但还是太重了，不如用免费不限量的 GLM-4-Flash-250414 。有条件的自己本地部署个小模型吧。
6 条回复 • 2026-03-20 00:29:20 +08:00
 |
1
Daybyedream 12 小时 28 分钟前
我现在转文字都白嫖千问 APP 里的 视频都不传直接提取音频发过去还是很快处理好的。
|
 |
2
andyskaura OP @Daybyedream 大模型还是太权威了
 我用 Whisper 本地识别，如果不做降噪和切片，和上下文优化，识别准度还差很大意思 |
 |
3
arcsin1 10 小时 44 分钟前
Whisper 本地识别 只能做些简单的。毕竟量不够
|
 |
4
wednesdayco 9 小时 36 分钟前
?我刚给我对象弄了一个这个的 demo
|
 |
5
cairnechen 9 小时 34 分钟前
memo ？
|
 |
6
indexError 3 小时 55 分钟前 via Android
先别写了 认真的，再去做做调查
|
Select Language