video-translation

video-translation 技能概览

video-translation 的作用

video-translation 技能会把视频里的口语内容翻译成另一种语言，使用 TTS 生成配音音频，并在保持视频画面不变的前提下替换原始音轨。它最适合已经有明确视频、目标语言，而且希望得到“能看”的配音结果，而不只是屏幕上的机器翻译文本的用户。

适合谁使用

这个 video-translation 技能适合本地化 YouTube 风格内容、内部培训短片、讲解视频，或任何字幕时间轴可用、或者可以提取出来的短到中等时长视频。如果你只需要字幕、源音频噪声太大导致字幕对齐困难，或者你想要的是接近真人级别的口型同步，而不是实用型配音版本，那么它就没那么合适。

安装前要先看什么

这里最关键的判断点是工作流是否匹配：video-translation 默认你能拿到源视频和字幕，认真翻译字幕文本，生成 TTS 音频，再用 mux 把结果重新封装回视频里。如果你现有技术栈已经包含视频下载、字幕处理和基于 ffmpeg 的编辑，这个技能会很顺手；如果没有，就要预留出额外的依赖配置时间。

如何使用 video-translation 技能

安装并先检查技能内容

在目录工具链里使用 video-translation install，或者通过 repo 路径安装：npx skills add NoizAI/skills --skill video-translation。安装后先读 SKILL.md，再查看 scripts/replace_audio.sh 和 scripts/srt_to_duck.py，这样你才能真正理解音轨替换和基于字幕的 ducking 是怎么运作的。

把模糊需求改写成可执行提示词

要获得更好的 video-translation usage，请提供视频 URL 或文件路径、源语言、目标语言，以及你想要完整配音替换还是混音。弱一点的说法是“把这个视频翻译一下”；更好的说法是：“把这个西班牙语 YouTube 视频翻成英文，生成自然的英文 TTS，并在保留字幕时间轴和静音间隙的前提下替换原始音轨。”

与 repo 逻辑一致的实用流程

这个 repo 的处理逻辑是：先下载视频和字幕，再逐句翻译 SRT，接着生成配音音频，最后用 ffmpeg 替换或混合音频。如果有字幕，辅助脚本可以在有语音的片段里压低原始音量，这通常比硬切更自然。如果字幕缺失或对不齐，输出质量往往会明显下降，因为时间轴本身就是这个方案的一部分价值。

先看 repo 里的哪些文件

先看 SKILL.md，了解触发意图、工作顺序和翻译提示词的结构。然后打开 scripts/replace_audio.sh，查看所需参数，比如 --video、--audio、--output，以及可选的 --srt；如果你想弄清楚字幕时间戳是如何转换成 ducking 命令的，再看 scripts/srt_to_duck.py。比起高层描述，这两个脚本更能说明真实用法。

video-translation 技能常见问题

video-translation 只是一个提示词模板吗？

不是。video-translation 更像是一套面向工作流的配置，而不只是措辞提示。它依赖字幕提取、稳定的 SRT 格式翻译、TTS 生成和音轨替换，所以它比泛泛的“把这个视频翻译一下”提示词更偏操作型。

什么时候适合用 video-translation？

当你的目标是在另一种语言里获得可直接播放的配音版本，而且源视频可以通过本地环境或你现有工具链处理时，video-translation 就很适合。它尤其适用于教育视频、访谈和旁白类内容，因为这类内容更看重保留画面轨，而不是完美的语音克隆。

主要限制是什么？

最大的限制来自字幕质量、音频质量和时间对齐。如果源转写本身就错了，翻译后的配音也会继承这些错误；如果 TTS 声音不自然，最终听起来还是像配音；如果视频里有多人抢话，基于 ducking 的混音也未必干净。

新手需要额外工具吗？

通常需要。video-translation 默认你对文件、字幕和命令行视频工具比较熟悉。如果你是新手，这个技能仍然能帮上忙，但你可能需要先看辅助脚本，并在真正信任第一版输出之前，逐步确认 ffmpeg、字幕和 TTS 各个环节都没问题。

如何改进 video-translation 技能

给出更好的输入，而不只是更多输入

最有效的 video-translation guide，一开始就应该明确源语言和目标语言、视频文件或 URL 的准确位置，以及目标受众。还要说明你想要正式口吻还是口语化表达，人名和术语是否保留原文，以及最终成品是否需要保留停顿来获得更自然的节奏。

减少常见失败模式

多数效果不佳的问题，来自字幕质量差、专有名词没处理好，或者 TTS 不顾标点和句子边界。要提升 video-translation for Translation，最好在配音前先核对 SRT，保持索引和时间戳格式不变，并在生成音频前把过长的字幕行拆成更自然的口语单位。

第一版渲染后继续迭代

把第一轮结果当作时间轴测试，而不是最终交付物。如果配音听起来太赶，就延长源文本里的停顿，或者调整句子切分；如果混音压制得太狠，就回头检查基于 SRT 的 ducking 行为；如果措辞太像直译，就把字幕翻译提示词改成要求更口语、更贴近日常说话的输出。

利用脚本把质量再往上推

repo 里的辅助脚本其实已经说明了重点：时间轴、替换和稳定的音频切换。如果你打算把 video-translation 技能做成可重复使用的流程，最好围绕字幕准确性、TTS 音色选择和最终 mux 校验做一个小清单，这样每个视频都不会反复踩同样的坑。