本地离线字幕：PotPlayer + Faster-Whisper + Ollama，一条不联网的 AI 字幕/翻译链路

Wed, 07 Oct 2026 07:00:00 +0800

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。

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

组件	角色	干什么
PotPlayer	播放器宿主	负责播放视频、加载字幕插件、渲染双语字幕
Faster-Whisper-XXL	语音识别引擎	基于 CTranslate2 加速的 Whisper Windows 独立版，把音频转成 SRT 字幕
PotPlayer ollama Translate	翻译桥	PotPlayer 的翻译插件，把当前字幕文本送到本地 Ollama 服务翻译
Ollama + gemma3:4b	本地翻译模型	Ollama 是本地大模型运行器，gemma3:4b 是 Google 的多语言小模型，体积适中，适合做字幕翻译

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

组件	地址	说明
PotPlayer	https://potplayer.daum.net/	播放器本体，官网下载
Faster-Whisper-XXL	https://github.com/Purfview/whisper-standalone-win	Windows 独立版，免 Python 环境
Whisper 模型说明	https://github.com/openai/whisper	模型大小与语言支持对照
PotPlayer ollama Translate	https://github.com/yxyxyz6/PotPlayer_ollama_Translate	翻译插件
Ollama	https://ollama.com/	本地 LLM 运行器
gemma3:4b	通过 Ollama 拉取：`ollama pull gemma3:4b`	Google 多语言模型，开源

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。

特性	说明
纯本地处理	100% 设备端运算，不上传任何数据
AI 语音识别	自动识别视频语音，生成精准字幕
多语种翻译	中、英、日、韩、法、德等，AI 双语对照
字幕导出	SRT、VTT 专业格式，适配剪辑软件
视频烧录	把字幕直接烧进视频，一键导出带字幕的 MP4

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：

限制	说明
硬件门槛	Whisper 识别和 LLM 翻译都吃算力，独显（尤其 N 卡）体验远好于纯 CPU；核显或低配机速度会明显偏慢
内存占用	gemma3:4b 约数 GB 内存，模型常驻；识别引擎也会占内存
模型体积	Whisper 大模型、gemma3:4b 都需要下载数 GB 模型文件，需预留磁盘空间
首次部署成本	装 4~5 个组件 + 拉模型，一次性投入，之后长期免费

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

项	值
播放器	PotPlayer（https://potplayer.daum.net/）
语音识别	Faster-Whisper-XXL（https://github.com/Purfview/whisper-standalone-win）
翻译桥	PotPlayer ollama Translate（https://github.com/yxyxyz6/PotPlayer_ollama_Translate）
本地模型	Ollama + gemma3:4b（https://ollama.com/）
iOS 方案	快字幕（https://apps.apple.com/app/id6771306934）

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。

PotPlayer on 我的博客