用AI做了一个给小电影加字幕的工具

年纪越来越大，也越来越关注剧情了。

以前看看小日子的影片，可能更关注别的内容😀；现在反而经常会想：他们到底在聊什么？这什么逆天的人物关系？剧情推进到哪一步了？

听不清他们在说什么；翻遍互联网，也找不到现成字幕。

NAS里上百个小姐姐，字幕哪能配得齐全。

于是，趁着当下 vibe coding 火热，决定拿这个需求试试水，顺手做了个工具。

需求其实很简单

核心目标只有三个：

• 把视频里的日语、英语语音识别出来

• 翻译成中文字幕

• 自动生成字幕文件，并尽量做到开箱即用

先让 AI 帮我做方案调研

用网页版 ChatGPT 做技术调研，梳理整个方案：

• 本地语音识别用什么模型

• 桌面端框架怎么选

• 字幕时间轴怎么处理

• 翻译层怎么接入

确认ok，开始ai梭哈。

全程 AI 编程：Codex + DeepSeek V4

基本全程交给 AI 协作完成。

主要组合是：

• Codex：负责代码实现、逻辑补全、工程推进

• DeepSeek V4：负责前端界面、样式优化、交互调整

说句实话，Codex 的审美真是烂完了。

无论你怎么提示，它做出来的界面总有一种：

临时拼出来的 demo 风
按钮随便摆一摆
间距狗屎
但却是能run

后续也测试了mimo2.5-pro，glm 5.1

mimo最大的问题是容易断连，智谱glm 就纯诈骗了，10个问题，9个超时或429，马勒戈壁的智谱什么时候给我退款！！！

果然国产扛大旗的还得是deepseek啊，在DeepSeek V4 发布后第一时间开始试用，简直超出想象，逻辑深度真的非常ok，并且也非常便宜。

但问题还是项目过于复杂时，感官上好像没有gpt5.5聪明。其它时候也感受不出差别，保守评测，和5.4中等差不多水平吧，也很是满意了。

但 DeepSeek V4 在 UI 上的表现出乎意料，比较符合我对工具类软件的要求：

• 极简

• 清爽

• 不花哨

所以最后该项目相当于是codex与deepseek混合着开发。

也发现一个很好笑的，原本在作者栏留下了我和gpt的名字，但deepseek接手时，就默默把gpt去掉了哈哈哈哈哈，于是手动改成“作者：kuraa，gpt，deepseek”，但codex又会把deepseek去掉：）。

目前这个工具最大的难题

目前没有内置翻译引擎。

这意味着用户需要自己填写：

• OpenAI API Key

• DeepSeek API Key

• 或其他兼容接口

对于熟悉 AI 工具的人来说，这不算问题。

但对于普通用户而言：

• 什么是 API Key？

• 去哪申请？

• 为什么还要充值？

• Base URL 又是什么？

这些步骤足以劝退很多人。

我想过把模型内置进去

最开始也考虑过：直接塞一个本地小模型进去，离线翻译。

听起来很美好，但现实是：

即便是“小模型”，你仍然需要：

• 模型文件

• 推理框架

• Runtime 依赖

• 各平台兼容支持

这几个东西加起来，怎么也得接近 1GB 甚至更多。

而我做的是桌面小工具。

一个“加字幕软件”安装包 1GB+，用户看到体积就先关网页了。

也想过 WebView 白嫖浏览器翻译

后来我又想到另一个方向：

既然桌面端用了 WebView，能不能直接调用浏览器已有翻译能力？

理论上很香：

• 无需 API Key

• 无需模型下载

• 包体积小

• 用户零门槛

但实际落地后发现问题也不少：

• 平台兼容性不一致

• 可控性差

• 翻译结果格式难约束

• 批量文本处理体验一般

最大问题是，效果很差啊，没有上下文，特别是日文这种啰里啰唆的语言，单句翻译效果很不好。

所以这个方案暂时还在观察。

做完后最大的感受

以前遇到这种小需求，大多数人会想：

算了，忍忍吧。
市面上应该没人做。
太小众了。

但铁汁！AI 时代来了！！！

如果不是为了使用流畅与美观，核心功能基本2两小时就搞完了！

以后不需要古法编程了：（

好了，地址在这儿，感谢小伙子们使用。

https://git.kuraa.cc/kura/crosssubtitle-ai