看外语视频、追生肉动漫、听英文讲座时，“字幕"几乎是刚需。但主流字幕工具大多走云端：上传音频 → 云端识别 → 云端翻译 → 回传。快是快，代价也明显——视频/音频要离开你的电脑，识别和翻译都有网络延迟，免费额度有限。

其实现在这套能力已经能完全跑在本机：语音识别交给 Whisper，翻译交给本地大模型，播放器负责把结果渲染成双语字幕。 全程不联网。

目录

1. 一条链路解决什么问题
2. 四个组件的分工
3. 为什么一定要本地
4. 工具清单与官方地址
5. iOS 替代：快字幕
6. 适用场景与硬件限制

一、一条链路解决什么问题

一句话：让"听外语视频 → 出中文字幕"这件事，在你的电脑上原地完成。

flowchart LR
    A["视频音频流"] --> B["Faster-Whisper-XXL
语音识别（本地）"]
    B --> C["字幕文本 SRT"]
    C --> D["PotPlayer
字幕渲染"]
    C --> E["PotPlayer ollama Translate
把字幕发送给本地 LLM"]
    E --> F["Ollama + gemma3:4b
本地翻译（离线）"]
    F --> D

    style B fill:#10b981,stroke:#047857,color:#fff
    style E fill:#3b82f6,stroke:#1e40af,color:#fff
    style F fill:#8b5cf6,stroke:#6d28d9,color:#fff
    style D fill:#f59e0b,stroke:#b45309,color:#fff

链路分两段：

• 第一段：语音 → 文字。Whisper 系列模型擅长多语言语音识别，能直接把音频转写成带时间戳的文本，输出 SRT 字幕。
• 第二段：文字 → 翻译。转写出的字幕文本被播放器插件送到本地大模型，模型把原文翻译成中文，再以双语形式叠加回画面上。

两段都在本机完成，中间不经过任何云端服务。

二、四个组件的分工

关键点在于各组件职责清晰、可替换：Whisper 想换别的识别引擎也行，翻译模型想换其他本地 LLM 也只需换 Ollama 里的模型。播放器只负责"接活儿”，不锁死任何一家。

三、为什么一定要本地

云端字幕工具不是不好用，而是对一部分场景不合适。本地方案的价值集中在三点：

隐私。 音频、视频内容全程不出本机。对于会议录音、内部资料、未公开的讲座，这一点是硬需求——你未必愿意把内容上传到某个服务商的服务器。

零延迟、可离线。 识别和翻译都在本地跑，不受网络波动影响，断网照常工作。也没有上传等待时间，字幕几乎是同步出的。

免费且不限额。 Whisper 和 Ollama 都是开源项目，gemma3:4b 是开源模型。一次部署，长期使用，没有按分钟计费或字幕条数限制。

当然，本地也有代价——要占你的硬件资源。识别和翻译都是计算密集型的，显卡越好越快（详见第六节）。

四、工具清单与官方地址

安装完 Ollama 后，用 PowerShell 验证并拉取模型：

# 检查 Ollama 是否安装成功
ollama --version

# 从 Ollama 官方服务器拉取 gemma3:4b（约数 GB）
ollama pull gemma3:4b

# 确认模型已就位
ollama list

具体到 PotPlayer 里的插件安装、字幕插件触发方式等细节，以各项目官方文档为准——不同版本的插件界面和接线方式可能有差异。这里给出的是组件定位和接线思路，不是逐像素的操作指南。

五、iOS 替代：快字幕

如果场景在手机上、而且想更省事，有一个完全离线的 iOS 选择：快字幕。

地址：https://apps.apple.com/app/id6771306934

它的定位和 PC 方案互补：PC 端适合"看视频 + 实时翻译"，手机端适合"拍了视频快速出字幕、导出剪辑"。

六、适用场景与硬件限制

适合：

• 看外语影视、生肉动漫、英文讲座，想要中文字幕；
• 处理会议录音、讲座视频，需要快速出文字稿；
• 隐私敏感的内容，不想上传云端；
• 想批量给视频加字幕（短视频剪辑、二次创作）。

要提前想清楚的限制：

如果只是偶尔看外语视频、不介意联网，云字幕工具依然是最省事的；但如果隐私、离线、批量、长期使用是刚需，这条本地链路值得搭一次。

项目信息

本文为原创整理，介绍各开源组件的定位与接线思路，未逐字搬运任何来源文章；具体安装与配置步骤以各项目官方文档为准。