把视频转字幕到配音烧录装进一个桌面应用（SmartSub）

外语视频听不懂，播客和会议录音要变成文字稿，同一支片子要配几种语言发到不同平台，这类活儿过去得拼三四样工具：下载器、语音识别、翻译软件、剪辑器。SmartSub（中文名妙幕）把这些环节收进同一个桌面应用，从一段视频一路做到带字幕的成品。

SmartSub（妙幕）是用 TypeScript 写的开源桌面应用，输入视频或音频文件，输出字幕文件、配音音轨与烧好字幕的成片，可在 Windows、macOS 和 Linux 上运行。

转写走本地模型，whisper.cpp、sherpa-onnx 这些引擎在你自己的机器上跑，音视频文件不上传云端，云端服务全部是可选项。整条链路能零成本跑通：本地模型转写、内置免费翻译源、本地 TTS 配音、内置 ffmpeg 烧录，都不需要 API Key。仓库地址在 https://github.com/buxuku/SmartSub ，许可证是 MIT，主要语言 TypeScript，目前 5550 Star、432 Fork、51 个开放 Issue。

基础用法

安装与依赖

到 GitHub Releases 按系统和芯片挑安装包：Windows x64、macOS Apple 芯片对应 mac-arm64、macOS Intel 对应 mac-x64、Linux 对应 linux-x64。GPU 加速包不在下载页面选，装好应用之后按需在应用内下载。

不同平台的加速方案不一样。Windows 上 NVIDIA 显卡走 CUDA，AMD / Intel 显卡走 Vulkan；Apple 芯片自动启用 Core ML / Metal；macOS Intel 版只跑 CPU，不支持 GPU 加速。加速包加载失败会自动回退 CPU。

不需要单独装 Node.js，应用自带的 Electron / Node 运行时会被 MCP 与 CLI 复用；ffmpeg 也内置在应用里。仓库里没有说明安装包体积与最低系统版本要求。

最短能跑通的示例

1. 打开应用，把本地音视频拖进去；也可以粘贴 B 站、YouTube 等平台的链接下载，仓库说明支持一行一条批量下载。
2. 选源语言和目标语言。
3. 选择转写引擎和模型。第一次使用要先下载模型，模型下载一次之后可以离线复用。
4. 提交任务，等它跑完。下载完成的视频也能一键衔接转写任务。

命令行用户的入口是 smartsub，把多个步骤串成一条流水线用 pipeline.run 编排，支持 JSON 参数和 stdin 管道传参。

确认它跑起来了

任务跑完后在任务列表里能看到状态，字幕文件落在你设定的保存目录。导出的字幕格式可选 SRT、VTT、ASS、LRC、TXT，v3.8.0 起支持一次多选导出，不需要重复识别或翻译。

校对台是检查结果的地方，可以逐句对照视频播放进度核对，支持撤销 / 重做和单条删除恢复。AI 助手能读到任务列表状态与近期报错日志，任务失败时可以在助手面板里问原因。仓库里没有说明日志文件的落盘路径。

主要功能

从音视频到字幕

• 在线视频下载：粘贴链接下载 B 站、YouTube 等平台的视频，用 yt-dlp（YouTube 及 1800+ 站点）与 lux（B 站、抖音、小红书等国内平台）双引擎，按平台自动匹配，应用内可一键安装 / 更新。可以同时抓取平台官方字幕（含自动生成字幕），有官方字幕就不必再转写。支持导入站点 Cookie（浏览器一键提取 / cookies.txt / 手动粘贴）解锁登录后可见内容，Cookie 只保存在本地。保存目录、清晰度（最佳 / 指定档位）、并发数可调。
• 字幕生成（转写）：批量把视频、音频转成字幕，并发任务数可调。8 类转写引擎逐任务切换，包括内置的 whisper.cpp、faster-whisper、FunASR、Qwen3-ASR、FireRedASR、NVIDIA Parakeet、本地 Whisper CLI，以及免 GPU 的云端听写（9 家服务商）。中文场景可选 FunASR / FireRedASR，英语、欧洲语言与日语可选对应 Parakeet 模型。附带简繁转换、自定义字幕文件名、中文字幕去标点。
• AI 字幕精修：用大模型做语义断句与批量校正。断句按语义重组，时间轴仍精确到词；校正负责修同音字、去语气词、规范标点。服务商默认跟随 AI 翻译配置，本地 Ollama 可以零成本跑，失败时自动回退规则断句。
• 字幕翻译：接入 20 个翻译服务。内置免费翻译走必应 / 谷歌免费接口，带自动回退与限速；其余包括百度、阿里云、腾讯、讯飞、火山引擎、豆包、小牛、DeepLX、Azure、Google，以及 Ollama（本地模型）、DeepSeek、Gemini、通义千问、SiliconFlow、Azure OpenAI、DeerAPI 等大模型服务。兼容任意 OpenAI 风格 API，输出可以是纯译文，也可以是「原文 + 译文」双语字幕。

从字幕到成片与自动化

• TTS 配音与声音克隆：独立配音工作台，一份字幕加可选视频，逐条合成并自动对齐时间轴。本地引擎有 Kokoro 多语 103 音色、VITS 中文 174 音色；声音克隆走本地 ZipVoice 零样本方案（一段参考音频即建即用），也支持火山引擎声音复刻 2.0 与 ElevenLabs 即时克隆。时间轴对齐包含语速预控制、实测复核、静音间隙借用，超限行会列入人工处理清单。输出可为纯音频 wav / mp3、替换音轨、混音视频或 MKV 双音轨，背景音可选静音原轨或压低原轨。
• 视频合成（字幕烧录）：硬字幕把字幕永久烧进画面，软字幕以流复制方式无损封装可切换字幕轨。字体、字号、颜色、描边、阴影、九宫格位置与多种预设样式可调，界面所见即所得实时预览。
• AI 创作助手：按 ⌘J（macOS）或 Ctrl+J（Windows、Linux）呼出右侧抽屉面板，会话记录自动保存在本地。它感知当前视频播放进度、选中字幕行、邻近上下文、任务列表运行状态与近期报错日志，能按自然语言指令直接调用底层工具。校对时说「把当前这句改得更口语化」会实时渲染到编辑器并进入撤销 / 重做栈，说「保存」才写入物理文件。内置截屏工具，可以捕获当前工作区交给视觉模型排查报错。支持把音视频、字幕、参考文稿与图片拖进对话框，音视频不上传云端，只把本地绝对路径交给底层工具处理。可接入 DeepSeek、通义千问、Gemini、SiliconFlow、DeerAPI 及任意 OpenAI 兼容端点。
• MCP 与 CLI 自动化：提供 111 个标准 MCP 工具与对应 CLI 命令，覆盖下载、转写、翻译、校对、配音、封装、格式转换、音频抽取以及模型与服务商配置。免配置 Node.js 运行时，直接复用应用自带的 Electron / Node。应用内「设置 → 连接 AI 工具（MCP）」可以一键导入 Cursor、一键复制 Codex 配置（TOML 格式）、一键注册 Claude Code，或导出通用客户端 JSON 配置。AI 工具或 CLI 首次调用时会自动拉起无界面后台守护进程，与桌面客户端共享任务状态、配置和模型资源。

参数与配置

常用参数

• ⌘J / Ctrl+J：呼出 AI 创作助手抽屉面板。
• 并发任务数：转写与下载都可以调，用来控制机器负载。
• 下载清晰度：可选最佳或指定档位。
• 源语言 / 目标语言：决定转写与翻译的方向。
• 自定义任务语言：v3.6.0 起可以在设置里添加名称与语言代码，随后在源 / 目标语言下拉中选用。
• 转写引擎与模型：逐任务切换，本地与云端引擎混用。
• smartsub 与 pipeline.run：命令行入口与流水线编排命令。

配置文件

大部分设置走应用内界面，包括下载保存目录、模型管理、云服务商参数。每个 AI 服务可以在界面上直接配置自定义请求参数，并支持导出导入，不需要改代码。

MCP 相关的配置由应用生成给外部客户端：Cursora 走官方 MCP 协议一键拉起，Codex 的配置以 TOML 格式复制，Claude Code 一键注册，其余客户端可以用通用 JSON 配置。这些配置文件的落盘路径仓库里没有说明。

实际使用中的坑

• Windows 上的 CUDA 支持仍在集中处理（待解决）：作者在 Issue 里说明，缺少 Windows 开发与测试环境，而 CUDA 支持又牵涉版本与环境兼容，所以这块比较有挑战。反馈时需要附上系统版本、显卡型号、安装的 CUDA toolkit 版本。
• 用 Ollama 翻译字幕全部报错（已解决）：用户用 whisper 生成英文字幕正常，随后调用 ollama 把英文字幕翻成中文，不管换哪个模型都 100% 失败并报同一个错误。这是该仓库评论数最高的已解决 Issue 之一。
• Windows 下模型下载失败（已解决）：报错为 Error: ENOENT: no such file or directory, open 'C:\Users\…\whisper.cpp\models\download-ggml-model.cmd'，指向模型下载脚本找不到的问题。
• 提取字幕进度一直停在 0.00%（已解决）：M1 Mac mini 上使用 large-v3 模型时进度不动，换 tiny-q8_0 会闪退，关闭 CUDA 设置无效，退出应用时会卡死需要强制退出。

这四条都来自仓库 Issue 列表，前三条已经关闭，CUDA 那条仍处于开放状态，说明兼容性问题跟具体显卡与环境强相关，装之前最好先确认自己的硬件组合有没有人跑通。

几个同类怎么选

如果你只想在 Linux 服务器上批量跑转写、或者在 CI 里横向比较几个语音识别模型，SmartSub 的桌面形态反而是负担，它的价值在一整条字幕与配音流水线，图形界面和打包体积都不适合塞进无头环境，这类需求交给 asrkit 那种专注识别接口的项目更合适。会议记录同理，流程越窄，通用工具的配置成本越显得多余，greffier 的定位更专一。

合规限制

SmartSub 内置的在线视频下载走 yt-dlp 与 lux，还支持导入站点 Cookie 解锁登录后可见的内容。这个能力只应该用在你自己的资产，或者已经拿到明确授权的目标上。下载并二次发布他人享有著作权的视频、字幕、音轨，可能触犯著作权法；绕过登录或会员限制抓取内容，通常也违反平台服务条款，账号受限与法律风险都要自己承担。字幕翻译、声音克隆与 TTS 配音还会涉及他人的表演者权与声音权益，用真人声音做克隆之前先拿到同意。组合成片对外发布时，建议保留来源信息并确认素材授权范围。

适合谁

做视频出海与多语言内容运营的人会最直接受益：一份素材要配几种语言的字幕与音轨，SmartSub 把翻译、配音、烧录放在同一个界面里，本地环节还能把成本压到零。需要给公开课、播客、会议录音批量出文字稿的人同样合适，拖进文件批量转写再导出 SRT 就行。

已经有 Cursor、Claude Code 这类 AI 客户端的开发者可以试试它的 MCP 与 CLI，111 个工具能把音视频流水线接进自动化脚本。手上只有 macOS Intel 机器的用户要注意，这一版只跑 CPU，转写速度不会好看。习惯用纯命令行、想在无头服务器上调度一切的人，桌面应用这层壳对你是额外成本，选专注识别接口的项目更省事。追求界面极简、只想点一下出字幕的用户，SmartSub 的功能密度会显得偏高，设置项需要花点时间熟悉。

焚评：这个项目的量化评分

本项目的选题来自 焚.com（一个按公开公式给 GitHub 项目打分的站）。焚评当前总分 9.4 分（满分 10）。下表是各维度的得分：

评分口径、权重与计算方式见焚.com 的评分方法页；数据随 GitHub 指标刷新，具体数值以焚.com 当前页面为准。本文正文为诀.com 独立撰写，评分数据由焚.com 授权引用。