AI 视频翻译工具：如何把视频翻译成任意语言
On this page
一段视频只用一种语言表达，这会让你失去地球上的大多数观众。CSA Research 对 29 个国家的 8,709 名消费者做了调查，结果发现 76% 的人更愿意购买用自己母语呈现信息的商品，而 40% 的人根本不会购买看不懂的内容。同样的道理也决定了有没有人会看完你的教程、网络研讨会或课程。
AI 视频翻译工具一次就能弥合这个差距：它听取视频内容，把说的话记录下来，翻译文字，然后把目标语言的字幕交给你，AI 配音则是一个可选的额外步骤。过去需要四方协作的流程（转录员、译员、字幕员、剪辑师）现在只剩下一次上传和一个语言菜单。
这份指南要讲的是这个承诺诚实的一面，包括它在哪里会失灵：整个流程如何运作、实际的操作步骤、哪些工具负责哪一部分、字幕与配音的取舍，以及准确度到底取决于什么。
传统的流程
把视频送去人工转录。把转录文本交给人工译员。把译文交给字幕员做时间轴对齐。审核、修改、再导出。每种语言要花好几天，成本还会随着你增加的每一种语言成倍上涨。
AI 的流程
上传视频。AI 转录语音、翻译转录文本，并生成目标语言的带时间轴字幕。每种语言只要几分钟，而第十二种语言的边际成本接近于零。你的工作从制作译文变成审核译文。
AI 视频翻译工具究竟做了什么
一个工具，五项任务串在一起。了解这条链条很重要，因为当译文出错时，怎么修取决于是哪一环出了问题。
语言检测。系统从音频中识别所说的语言，或者由你告诉它，对于带口音的语音和多语言混杂的录音，后者更可靠。
语音识别。音频变成带时间戳的转录文本。后续每一步都会继承这份转录文本的质量，这就是为什么音频质量比任何其他单一因素都更能决定结果。
翻译。转录文本会结合句子上下文来翻译，所以「AI 如何理解视频？」会翻成一句自然的西班牙语提问，而不是逐词替换。
字幕生成。翻译后的文字被切分成带时间轴的行，导出为 SRT 或 VTT，或者直接压制进视频。
语音配音，可选。由合成语音在视频上朗读译文。这是演示中最惊艳的一步，也是各工具之间质量差别最大的一步。
第一步到第四步都很成熟，也很便宜。第五步才是各工具拉开差距、预算大量投入的地方，所以要尽早决定你到底需不需要配音音轨；对大多数教程、讲座和商务录音来说，翻译字幕就能以极低的成本完成任务。
如何用 AI 翻译视频
以下是实际操作步骤，并把真正重要的决策点标了出来。
上传原始视频，而不是压缩过的副本
MP4、MOV、WebM 和 AVI 在大多数工具里都能用。真正重要的是里面的音频：一段配有清晰旁白的屏幕录制翻译效果很好，而隔着整个房间用手机拍下的会议演讲者则不行，任何翻译模型都无法修复转录环节根本听不清的音频。
知道源语言时就自己手动设置
自动检测大多数时候是对的，却总在最糟的时候出错：浓重的口音、两种语言之间来回切换、以及说话很少的短片段。告诉工具「这是印地语」能一次性消除整整一类由错误输入导致的问题。
翻译之前先检查转录文本
这一步人人都跳过，却是整个流程里成本最低的修正。源转录文本里一个听错的产品名，会在你导出的每一种语言里变成一个理直气壮的错词。花两分钟在原文里改好人名、数字和技术术语，能在全部十二种译文里都得到回报。
选择目标语言并生成
英语到西班牙语、日语到英语、英语到印地语：方向本身没那么关键，关键是这个语言对的训练数据量，我会在准确度那一节展开讲。生成翻译字幕，如果你已经决定需要配音，也一并把配音音轨生成出来。
发布前请一位懂这门语言的人快速过一遍
不是全面审校，只是快速浏览。母语读者几分钟内就能抓出翻错的习语或语体不匹配的地方。如果团队里没人看得懂这门语言，那就发布字幕而不是配音，因为文字上的错误只是个错别字，而口语上的错误是一个声音理直气壮地说错话。
按发布平台的需求导出：给 YouTube 和视频播放器用 SRT 或 VTT 文件，给那些会忽略字幕文件的播放器上的社交短片压制内嵌字幕，或者当视频其实只是文字的载体时，导出纯文本的翻译转录文本。
各款工具，按它们的实际功能分类
| 工具 | 转录 | 翻译字幕 | AI 配音 | 最适合 |
|---|---|---|---|---|
| ScreenApp | 支持，99 种语言 | 支持 | 不支持 | 以转录为先的工作流程：会议、讲座、录音（这是我们自己做的，所以请试用免费版自行判断） |
| HeyGen | 支持 | 支持 | 支持，含声音克隆 | 配音的口播视频和营销视频 |
| Rask AI | 支持 | 支持 | 支持 | 规模化本地化，一个视频对应多种目标语言 |
| VEED | 支持 | 支持 | 支持 | 希望在同一个工具里顺便做剪辑的创作者 |
| Kapwing | 支持 | 支持 | 支持 | 社交媒体内容和快速字幕任务 |
下面的评分是我们对每款工具在本指南所述翻译工作流程中契合度的编辑判断，不是实验室测量结果。
1. ScreenApp
以转录为先的翻译：99 种语言的字幕和翻译文本
ScreenApp 负责这条流程里转录的这一侧：上传录像或在浏览器里录制，获取转录文本，把它翻译成 99 种语言，然后导出字幕或翻译文本。转录文本始终可以搜索，还能生成摘要和笔记，当视频是会议或讲座而不是营销素材时，这一点很重要。免费版每月包含 600 分钟的转录时长。
透明声明：ScreenApp 是我们自己做的，而且被我们排在了第一位，所以请试用免费版自行判断。它有意不做配音；如果你要交付的是翻译后的语音音轨，请把它和下面某款配音工具搭配使用。
优点
- •每月 600 分钟免费转录时长
- •翻译与转录文本、摘要和笔记打包在一起
- •无需安装，还能在浏览器里录制
- •一次即可导出字幕和文本
缺点
- •没有 AI 配音或声音克隆
- •当交付物是配音译文时不适合选它
最适合
目标是获得翻译字幕和可搜索文本的会议、讲座、网络研讨会和屏幕录制。
2. HeyGen
带对口型的声音克隆配音，适合口播视频
当人们说「那种让演讲者看起来像在说西班牙语的配音视频」时，指的就是 HeyGen。它的视频翻译功能会克隆原演讲者的声音，用那个声音生成译文语音，并调整口型使其匹配。在画面清晰的口播视频上，效果确实很有说服力；在嘈杂的多人视频上，它和其他工具一样会明显变差。
它按点数计费，免费额度有限，而配音时长属于昂贵的那一类，所以它更适合那些以制作精良为卖点的内容，物有所值。
优点
- •主流工具里最有说服力的声音克隆配音
- •含对口型功能
- •语言覆盖不错
缺点
- •成本随时长快速上涨
- •对于字幕就够用的内部或教学内容来说太过奢侈
最适合
以自然配音体验为交付物的营销视频、课程宣传片和口播内容。
3. Rask AI
规模化本地化：一个视频翻成多种语言
Rask AI是为本地化工作流程而不是一次性翻译打造的：拿一个视频，一次性推送到多种目标语言，附带配音、字幕，以及一个在导出前修正结果的翻译编辑器。那个编辑器是被低估的部分，因为它把审核这一步做成了一项正式功能，而不是事后补救。
试用点数让你在付费之前先测试你自己的语言对，这正是你评估本页任何工具时应该采用的方法。
优点
- •专为多语言输出而设计
- •内置编辑器，可在导出前修正译文
- •语言清单广泛
缺点
- •订阅定价面向经常做这件事的团队
- •单个视频翻成单一语言，别处更便宜
最适合
按计划把内容库本地化成多种语言的频道和公司。
4. VEED
以编辑器为先：在一个标签页里完成翻译、排版和发布
VEED是一款后来长出翻译功能的浏览器视频编辑器，这个出身在好的方面体现了出来：翻译之后，你可以设置样式、压制字幕、剪裁并发布，全程不用离开这个标签页。自动字幕、字幕翻译和 AI 配音都内置在编辑流程里。
代价是，不管你需不需要，你都在为一款编辑器付费，而免费版的导出限制会很快把实际使用推向付费方案。
优点
- •翻译和剪辑在同一处完成
- •字幕样式控制做得不错
- •为社交短片压制内嵌字幕很方便
缺点
- •免费版更像一个演示，而不是一个工具
- •纯粹翻译加导出的任务要承担编辑器的额外负担
最适合
一次性把同一段视频剪辑并翻译好的创作者，尤其是社交媒体格式。
5. Kapwing
快速的字幕翻译，支持团队协作
Kapwing覆盖了和 VEED 相同的编辑器加翻译的领域，但对快速任务来说手感更轻、更快：上传、自动加字幕、翻译字幕轨、重新设置样式、导出。配音也有，而协作工作区让它在小团队共用一个账号时成为更自然的选择。
和每一款免费增值编辑器一样，免费版会加水印并设上限；把它当作它本来的样子，一个试用版。
优点
- •从上传到翻译字幕都很快
- •内置协作功能
- •对不擅长剪辑的人也很友好
缺点
- •免费导出带水印
- •长视频比宣传所说的更快撞上方案上限
最适合
需要快速产出带字幕和翻译的社交短片的团队。
值得注意的规律是：每款工具都能转录和加字幕；配音才是区分点，也是你要为之付费的功能。如果字幕能满足你的用途，可选范围既广又便宜。如果非要配音，就按你自己那个目标语言的语音质量来筛选，因为一款西班牙语配音很漂亮的工具，印地语配音可能很生硬。我们在十大视频翻译工具对比里做了更深入、逐一工具的盘点，并在最好的免费视频配音工具里做了一份专门针对配音的盘点。
字幕还是配音？
这是整个项目里影响最大的决定，而它是一种取舍，不是排名。
翻译字幕
便宜、快速、可编辑：改一句错译只是一次文字编辑。原声保留下来，讲话者的可信度和情感也就都还在。代价是读者要花点力气，而在手机上关着声音看视频的观众其实更喜欢字幕。对于教程、讲座、会议和任何教学内容，字幕都是正确的默认选择。
AI 配音
无需阅读的自然观看体验，这对营销内容、娱乐内容，以及在你任一语言里识字水平较低的观众都很重要。代价是：每分钟价格更高、合成语音仍然抓不准情感语气、以及错误会被大声念出来而不是安静地待在字幕里。改一处错误就要重新生成音频。
我的原则是：所有内容都加字幕，只有以观看舒适度为卖点的内容才配音。课程片头或品牌宣传片值得配音；40 分钟的内部培训则不值得。而且如果你要配音，也照样把翻译字幕保留下来，因为配音和字幕服务的是不同的观众，而到那一步字幕文件不会让你多花一分钱。若只想找字幕工具，我们盘点的免费 AI 字幕生成器覆盖了这一领域。
翻译成英语，以及从英语翻出去
这两个方向表现并不一样，在你拿错误的任务去评判一款工具之前，值得先弄清楚原因。
翻译成英语是强项方向。语音模型见过的英语比其他任何语言都多，而翻译成英语也受益于同样的数据不平衡，所以一场日语讲座或一段西班牙语访谈通常都能得到干净的结果。这覆盖了现实中最大的使用场景：看懂外语录音、研究访谈和课程。
从英语翻译成主流语言（西班牙语、法语、印地语、葡萄牙语、日语）几乎一样好。从英语翻译成资源较少的语言时，就该说句实话了：僧伽罗语和泰米尔语是支持的（它们就在我们视频翻译工具处理的 99 种语言之内），译文也是有用的，但每一百行要预期比西班牙语更多的修改，尤其是习语和技术词汇。让母语读者审阅这一步，正是在这个节点从「有更好」变成「必须有」。
这并不是跳过这些语言的理由。一条需要花二十分钟整理的僧伽罗语或泰米尔语字幕轨，仍然能触达英语原版完全排除在外的观众，而上面 CSA 的数据表明，那批观众大多不会用英语来配合你。
YouTube 视频怎么办
这个领域里有一半的搜索其实是「翻译这个 YouTube 视频」，而这项任务有它自己的捷径，因为大多数 YouTube 视频本身就带有字幕轨，你可以直接翻译它，而不必重新转录音频。完整的流程，包括没有字幕的情况，都在我们把 YouTube 视频翻译成英语的指南里；而想在直播进行时用另一种语言观看，实时 YouTube 翻译工具负责处理这种即时场景，这和翻译一个文件是截然不同的问题。
准确度到底取决于什么
厂商把准确度报成一个数字。实际上它是五个变量，而其中三个由你掌控。
音频质量，你能掌控的最大杠杆：清晰的旁白远胜过带回声的房间
说话者重叠：两个人同时说话会拉低每一种语言的转录质量
技术术语和人名：在翻译之前，先在源转录文本里一次性改好它们
语言对：资源丰富的语言对翻译得更好；其余的要预留审校时间
习语、笑话、文化：AI 至今仍会照字面翻译的那一类；母语者快速浏览一遍就能抓出来
背景音乐和噪声：条件允许的话，上传前先把它去掉或压低
那人工译员的位置在哪里？凡是涉及法律分量、营销细微差别或品牌语气的内容，他们仍然在流程之中：AI 产出数量，人来把关风险。取代了纯人工翻译的工作方式并不是纯 AI 翻译，而是 AI 先做一遍，再加上人工审校，成本只有传统翻译的十分之一，还能抓住真正要紧的错误。
ScreenApp 的定位在哪里
我们的专长是这条流程里以转录为先的这一侧。上传一场会议、讲座、网络研讨会或屏幕录制，ScreenApp 就会把它转录出来（免费版每月 600 分钟免费时长），把转录文本翻译成它支持的 99 种语言，并导出字幕或翻译文本，同时还附带这段录像本来大概率就要用到的摘要和笔记。没有配音；当客户需要配音音轨时，我们会把他们指向上面那些配音工具，而我们的AI 视频配音指南如实地对比了各种免费选项。
一场录制好的演讲，实用的做法是：转录，改好那三个听错的人名，翻译成你的观众实际使用的语言，导出 SRT 文件，然后用原声配上翻译字幕来发布。一份录像，覆盖所有观众，不需要录音棚。
常见问题
AI 能翻译视频吗？
能，是一条链路：语音识别把音频变成转录文本，转录文本经过机器翻译，结果再变成字幕或配音音轨。质量主要取决于音频的清晰度和语言对，而不是视频本身。
我要怎么把视频翻译成英语？
把它上传到一款 AI 视频翻译工具，如果你知道源语言就手动设置好，然后生成英语转录文本和字幕。翻译成英语是大多数工具最强的方向，所以外语讲座、访谈和课程通常都能得到足够干净的结果，稍作审阅即可发布。
我要怎么免费翻译视频？
免费版覆盖了转录加字幕这条路：ScreenApp 的免费版每月含 600 分钟转录时长并带翻译，上面对比里的好几款工具也都有免费额度。配音则是整个市场里免费额度最快用尽的地方。
AI 能把视频音频翻译成另一种语言，而不只是字幕吗？
能，那就是 AI 配音：译文由合成语音朗读出来，有些工具还会克隆原演讲者的声音。它确实管用，成本比字幕高，而且错误会被大声念出来，而不是安静地待在字幕里，所以审校更重要。
Google Translate 能翻译视频吗？
不能直接翻译；Google Translate 处理的是文字和实时语音，而不是视频文件。变通办法是用它翻译视频的转录文本或字幕文件，但这样会丢失字幕的时间轴。原生支持视频的工具则能保持时间轴完好无损。
ChatGPT 能翻译视频吗？
从文件出发不行：ChatGPT 并不会端到端地处理上传的视频来做翻译。把转录文本给它，它翻译得很好，所以行得通的做法是先转录，再用你偏好的任意模型来翻译文字。
我要怎么翻译 YouTube 视频？
如果它带字幕，就直接翻译字幕轨，这样能完全跳过转录。如果没有，就把音频送进转录加翻译的流程。我们专门针对 YouTube 的指南涵盖了这两条路径，而直播需要的是实时翻译工具，而不是处理文件的流程。
AI 能自动翻译字幕吗？
能，而且这是这个领域里最简单的任务：输入一个 SRT 或 VTT 文件，输出目标语言的同一个文件，时间轴保持不变。如果你已经有字幕，千万别重新转录；直接翻译你手上的那个文件。
AI 能实时翻译视频吗？
实时翻译是存在的（直播翻译工具就是这么运作的），但它会增加处理延迟，也没了审校那一步，所以准确度落后于基于文件的翻译。把它用在直播活动上；对于任何录制好的内容，处理文件的流程都会给出明确更好的结果。
AI 视频翻译工具能处理哪些语言？
主流工具覆盖从几十种到大约一百种；ScreenApp 的转录和翻译覆盖 99 种。老实说有一点要注意：支持程度并不均匀，资源丰富的语言比资源稀缺的语言翻译得明显更好，所以在把整个内容库都投进去之前，先用一小段片段测试你具体的那个语言对。
FAQ
我要怎么把视频翻译成英语？
把它上传到一款 AI 视频翻译工具，如果你知道源语言就手动设置好，然后生成英语转录文本和字幕。翻译成英语是大多数工具最强的方向，所以外语讲座、访谈和课程通常都能得到足够干净的结果，稍作审阅即可发布。
我要怎么免费翻译视频？
免费版覆盖了转录加字幕这条路：ScreenApp 的免费版每月含 600 分钟转录时长并带翻译，上面对比里的好几款工具也都有免费额度。配音则是整个市场里免费额度最快用尽的地方。
AI 能把视频音频翻译成另一种语言，而不只是字幕吗？
能，那就是 AI 配音：译文由合成语音朗读出来，有些工具还会克隆原演讲者的声音。它确实管用，成本比字幕高，而且错误会被大声念出来，而不是安静地待在字幕里，所以审校更重要。
Google Translate 能翻译视频吗？
不能直接翻译；Google Translate 处理的是文字和实时语音，而不是视频文件。变通办法是用它翻译视频的转录文本或字幕文件，但这样会丢失字幕的时间轴。原生支持视频的工具则能保持时间轴完好无损。
ChatGPT 能翻译视频吗？
从文件出发不行：ChatGPT 并不会端到端地处理上传的视频来做翻译。把转录文本给它，它翻译得很好，所以行得通的做法是先转录，再用你偏好的任意模型来翻译文字。
我要怎么翻译 YouTube 视频？
如果它带字幕，就直接翻译字幕轨，这样能完全跳过转录。如果没有，就把音频送进转录加翻译的流程。我们专门针对 YouTube 的指南涵盖了这两条路径，而直播需要的是实时翻译工具，而不是处理文件的流程。
AI 能自动翻译字幕吗？
能，而且这是这个领域里最简单的任务：输入一个 SRT 或 VTT 文件，输出目标语言的同一个文件，时间轴保持不变。如果你已经有字幕，千万别重新转录；直接翻译你手上的那个文件。
AI 视频翻译工具能处理哪些语言？
主流工具覆盖从几十种到大约一百种；ScreenApp 的转录和翻译覆盖 99 种。老实说有一点要注意：支持程度并不均匀，资源丰富的语言比资源稀缺的语言翻译得明显更好，所以在把整个内容库都投进去之前，先用一小段片段测试你具体的那个语言对。
