video-translation

video-translation 技能概覽

video-translation 能做什麼

video-translation 技能會把影片中的口語內容翻成其他語言，接著用 TTS 產生配音音訊，並在保留影片畫面的前提下替換原始音軌。它最適合已經有一支明確目標影片、指定目標語言，而且想要的是「能順暢觀看的配音版」，而不只是螢幕上出現機翻字幕的使用者。

誰適合用 video-translation

這個 video-translation 技能很適合用來在地化 YouTube 風格內容、內訓短片、解說影片，或任何能取得字幕時間軸、或可以先抽出字幕的中短片。若你只需要字幕、原始音訊太吵導致字幕對齊不準，或你要的是接近真人等級的唇形同步，而不是實用型配音版本，這個技能就沒那麼適合。

安裝前先看什麼

真正的決策點在工作流程是否吻合：video-translation 預設你能先取得原始影片與字幕，再仔細翻譯字幕文字、產生 TTS 音訊，最後把結果再 mux 回影片中。如果你的工具鏈本來就包含影片下載、字幕處理，以及以 ffmpeg 為基礎的剪輯流程，這個技能會很合拍；如果沒有，就要預期還得另外補齊這些相依工具的設定。

如何使用 video-translation 技能

安裝並檢視這個技能

在 directory toolchain 裡使用 video-translation install，或者用 npx skills add NoizAI/skills --skill video-translation 從 repo 路徑安裝。安裝完成後，先讀 SKILL.md，再看 scripts/replace_audio.sh 和 scripts/srt_to_duck.py，這樣你就能理解實際上是怎麼做音訊替換，以及字幕驅動的 ducking 是如何運作的。

把粗略需求整理成可用提示

要讓 video-translation usage 發揮最好效果，請提供影片 URL 或檔案路徑、來源語言、目標語言，以及你要完整配音替換還是保留混音。差的提示會只是「幫我翻譯這支影片」；更好的寫法像是：「把這支西班牙文 YouTube 影片翻成英文，產生自然的英文 TTS，並在保留字幕節奏與空白停頓的情況下替換原始音訊。」

符合 repo 設計的實際流程

這個 repo 的邏輯很明確：先下載影片與字幕，再逐句翻譯 SRT，接著生成配音音訊，最後用 ffmpeg 替換或混合音軌。如果有字幕，helper script 可以在有人聲段落把原始音訊壓低，通常會比直接硬切更自然。如果沒有字幕，或字幕對不齊，成品質量通常會明顯下降，因為時間軸本來就是這個流程的一部分價值。

先在 repo 裡確認什麼

先看 SKILL.md，了解觸發意圖、流程順序，以及翻譯提示的大致寫法。接著打開 scripts/replace_audio.sh，看它需要哪些旗標，例如 --video、--audio、--output，以及可選的 --srt；如果你想理解字幕時間戳是怎麼轉成 ducking 指令，再去看 scripts/srt_to_duck.py。這兩個 script 比高層描述更能反映真實用法。

video-translation 技能 FAQ

video-translation 只是提示詞範本嗎？

不是。video-translation 技能是一套以工作流程為核心的設定，不只是措辭建議。它依賴字幕擷取、保持穩定 SRT 格式的翻譯、TTS 產生，以及音訊替換，所以它的操作性遠高於一個泛用的「幫我翻譯這支影片」提示。

什麼情況下 video-translation 很適合？

當你的目標是在另一種語言中播放配音版，而且原始影片可以在本機或透過你現有工具處理時，video-translation 很合適。它特別適合教學影片、訪談、以及旁白型內容，因為這類內容更重視保留視覺畫面，而不是追求完美的語音複製。

主要限制是什麼？

最大的限制在字幕品質、音訊品質與時間對齊。如果原始逐字稿有錯，翻成配音時也會把錯誤一起帶進去；如果 TTS 聲線不自然，成品聽起來還是會有配音感；如果影片有多人重疊發言，靠 ducking 的混音效果通常也不會太乾淨。

初學者需要額外工具嗎？

通常需要。video-translation 預設你對檔案、字幕，以及命令列影片工具有一定熟悉度。即使你是新手，這個技能還是能派上用場，但在信任第一版輸出前，通常得先檢查 helper scripts，並確認 ffmpeg、字幕與 TTS 的步驟都沒有問題。

如何改進 video-translation 技能

給更好的輸入，不只是更多輸入

最強的 video-translation guide 一開始就會把來源語言、目標語言、精確的影片檔案或 URL，以及目標受眾講清楚。還要說明你要正式口吻還是口語口吻、專有名詞與技術詞要不要保留原文，以及最終輸出是否需要保留停頓，讓節奏更自然。

降低常見失敗模式

多數表現差的結果，都是字幕品質不好、專有名詞被亂翻，或 TTS 不理會標點與句子邊界造成的。想改善 video-translation for Translation，就在配音前先確認 SRT，保持索引與時間戳格式不變，並在生成音訊前，把過長的字幕行切成更符合自然口說的單位。

第一版輸出後再迭代

把第一輪當成節奏測試，不要直接當成最終交付。如果配音聽起來太趕，就拉長來源文字中的停頓，或調整句子切分；如果混音壓得太兇，就回頭檢查基於 SRT 的 ducking 行為；如果措辭太像直譯，就把字幕翻譯提示改成要求更口語、更像真人說話的輸出。

善用 scripts 來拉高品質

repo 裡的 helper scripts 其實已經提示了重點：時間軸、替換、以及穩定的音訊切換。如果你要把 video-translation 技能優化成可反覆使用的流程，建議建立一份小檢查清單，涵蓋字幕正確性、TTS 聲線選擇，以及最後的 mux 驗證，這樣同樣的錯誤才不會每支影片都重演。