AI与内容创作:这个364星的开源桌面软件把短视频的转写翻译配音和导出压进了五步

全文约 2749 字 · 阅读约 7 分钟

项目信号：★364，forks 243，主要语言 Python，Apache-2.0 协议，2026 年 3 月 16 日创建，今天（11 月 1 日）仍有提交，open issues 17 个。forks 数约为星数的三分之二，据此推断不少人拿它的代码去改自己的版本。

关键词及解析：

• STT
  ：语音转文字，把视频里的人声听写成带时间轴的字幕。
• OCR
  ：从画面里识别文字，用来提取视频上已经烧进去的字幕。
• TTS
  ：文字转语音，把翻译好的字幕读成新的配音。
• CapCut Draft
  ：剪映国际版的工程文件，导出后可以在剪映里接着剪。

CapCap 卖的是流程的整合，转写、翻译、配音用的都是别家的模型和服务，它负责把这些步骤串起来并保持时间轴对齐。 README 把流程写成五步，依次是准备素材、转写（STT 或 OCR）、AI 翻译、配音（TTS）、导出，用户在一个工程里顺着走完。

翻译一环可选的引擎很多，有 Gemini 2.5、GPT-4o、DeepSeek，也有能离线运行的 Ollama，以及谷歌和必应翻译。README 提到一个针对越南语的设计，软件会先分析视频里人物之间的关系，再决定称呼怎么译，用户也可以用一句话纠正称呼。越南语的人称代词随长幼和亲疏变化，机器翻译在这里最容易出错，作者把功夫花在这一处，说明它是照着真实的越南语配音需求做的。

配音一环同样可以切换，ElevenLabs 音质最好但收费，Piper 可以离线，Edge TTS 和 CapCut TTS 免费可用，VieNeu TTS 支持克隆音色。软件会把原视频的人声和背景音乐分开，换掉人声、保留背景音乐，这一步决定了成片听起来像原版重配还是粗糙的画外音。

notepower2k1/CapCap 项目结构

对着结构图看，代码都在 `app/` 下面。`asr_options.py` 管语音识别的参数，`engines` 目录按名字看应当是各家翻译与配音引擎的接入层，`audio_mixer.py` 负责把新配音和背景音乐混在一起，`layers` 对应时间轴上的字幕、Logo、模糊和遮罩等图层，`media_decode.py` 处理视频解码，`capcut` 目录对应导出剪映工程的功能。以上分工据文件名推断。

它对内容作者最实用的一个设计，是改完一句字幕可以只重新生成这一句的配音。 README 写明时间轴上可以逐句修改，改完立刻重配这一句，不用整条重跑。翻译总有几句要人工改，局部重做让返工只落在出错的那几句上。

评级为中。 README 提供了发布版下载，普通用户装好就能打开界面操作，不用碰命令行。麻烦在环境和语言两头。

环境方面，它只支持 Windows。视频预览用的是 libmpv，README 专门写了一段排错，预览启动不了时要先装微软的 Visual C++ 运行库（安装包已附在 `installer` 目录里）。导出的硬件加速只支持英伟达显卡的 NVENC，没有英伟达显卡也能导出，只是会慢一些。硬件下限见 `docs/requirements.md`。

语言方面，README 只有越南语和英语两个版本，演示视频放在 TikTok 上，我国用户看说明、看演示都要多费一道手。项目的主题标签写着 vietnamese，README 也说它是为越南语内容生产设计的，翻译成中文或其他语言效果如何，README 没有说明。

软件本身免费开源。走免费路线时，可以用 Ollama 或谷歌翻译加 Edge TTS，不花 API 费；想要更好的译文和音色，就要自己申请 Gemini、OpenAI 或 ElevenLabs 的密钥，按用量付费，这些境外服务在国内调用还要另外解决网络问题。

它能挣到的钱来自越南语本地化这门具体的手艺，市场比中文内容窄，竞争也少一些。 README 没有收益数据，以下为估算。

第一条路径是服务自己的出海生意。假设你在做面向越南的跨境电商或短视频账号，原本请人翻译配音，按每条一分钟的视频外包 50 至 150 元估算，每月 30 条就是 1500 至 4500 元。用 CapCap 自己做，省下的大致是这个数，但要扣掉你校对译文的时间。你若不懂越南语，就得找懂的人逐句把关，否则译错的称呼和语气会直接伤到商品口碑。

第二条路径是对外接本地化单子。假设你本人懂越南语、每周投入 10 小时，按每条 30 至 100 元报价、每月接 20 至 60 条估算，月收入约 600 至 6000 元。区间这么宽，是因为单价和单量都取决于你有没有稳定的客户，这部分工具帮不上。

有一条约束要单列。CapCap 提供模糊、遮罩和加 Logo 的图层，把别人的视频翻译配音后重新发布，本身就涉及著作权，用遮罩盖掉原作者水印更是平台明令处罚的做法。只处理你自己拥有或客户授权的素材，这门生意才做得长久。另外，我国自 2025 年 9 月起施行《人工智能生成合成内容标识办法》，AI 合成的配音在国内平台发布要按规定标识，发到海外平台也要看各平台自己的 AI 内容规则。

软件零成本，启动开销主要是一台 Windows 电脑和你校对译文的时间。 已有一台能流畅剪视频的 Windows 电脑，启动成本只是下载安装和熟悉五步流程，熟悉剪辑软件的人约半天。

付费部分可以按需加。按 README 列出的引擎估算，翻译用大模型 API，一条一分钟视频的字幕量很小，单条费用通常在几分钱到几毛钱之间；配音若用 ElevenLabs，要按它的订阅档位付费，每月几十到几百元不等。全走免费引擎时，现金支出可以接近零，代价是译文和音色的质量要多花时间修。

回本周期取决于第一条还是第二条路径。给自己的账号用，第一个月省下的外包费就能覆盖 API 开支；对外接单，回本要看第一批客户多久到位，可能一个月，也可能一直没有。

已经在做越南市场、手里有正版素材、身边有人能校对越南语的团队，值得装上试一周；只做中文内容、或者用 Mac 的人可以略过；想拿它批量翻译他人视频去引流的人不适合。

来源：CapCap，notepower2k1/CapCap，https://github.com/notepower2k1/CapCap ，★364，Apache-2.0 协议。