中间这五步都是自动的。想插手的话，可以在翻译完先停下来校对，再接着配音。
听出原片里每一句话和它的时间。已有字幕就直接用，跳过这一步。
中文 SenseVoice · 英日 系统语音识别按整句翻译，配音才有语气。可以用免费的系统翻译，也可以填自己的 Key。
Apple · Google · DeepSeek · 智谱从原片里截一段约 10 秒的人声当参考，逐句用这个音色念出译文。
Qwen3-TTS，本机运行配音保持正常语速，说话那段画面跟着拉长或缩短，句子之间的停顿保持原样。
最多加速到 1.5 倍烧上字幕导出成片，另外附一份无字幕版和对齐好的字幕文件。
系统自带 AVFoundation，不用装 ffmpeg结果都保存在源文件旁边。可以一次拖进多个文件，排成队列按顺序做。
用原声的音色把译文念出来，画面跟着配音调速，得到一条新语言的视频。默认烧双语字幕。
名字_en.mp4名字_en_无字幕.mp4名字_en.srt原声原画面不动，把上下两行的双语字幕烧进视频。适合采访、课程、口播。
名字_双语.mp4只出字幕：原文、译文、双语各一份，一行放得下、断句干净，拿去自己的剪辑软件里用。
名字.zh.srt名字.en.srt名字.zh+en.srt你已经有译好的字幕，直接用原声音色按它配音。纯音频也行，输出 wav。
名字_zh.mp4名字.wav
打开校对窗口，左边是视频，右边一句一句列出原文和译文。点哪句画面就停在哪句。
字体、字号、颜色、描边、底框、位置都能调，双语的第二行可以单独换字体。改的时候横屏、竖屏两张预览一起变，调好存成一套样式，下次直接选。
识别和配音的模型都跑在 Mac 上，第一次用的时候下载。翻译默认也用系统自带的，要接大模型才需要联网。
识别、系统翻译、配音都在本机跑，没有按时长计费的云端接口。用大模型翻译时，填的是你自己的 Key。
音色直接取自原片：自动挑一段约 10 秒的清晰人声做参考，不用另外录音、不用训练。
填进来的 API Key 存在 macOS 钥匙串里，用到的时候才读，不写进普通设置文件。
| 系统 | macOS 26 或更高版本，Apple 芯片（M 系列） |
|---|---|
| 内存 | 只做字幕 8 GB 就够；配音推荐 16 GB 及以上；「本机 · 高质量」配音推荐 32 GB |
| 首次下载 | 中文识别模型约 230 MB；配音模型标准版约 1.9 GB、高质量版约 2.9 GB。断了能接着下，连不上会自动换下载源 |
| 语言 | 中文、英文、日文互译和配音 |
| 格式 | mp4、mov、m4a、mp3、wav 等系统能解码的格式（暂不支持 mkv） |
| 速度 | 在 M2 Max 上实测：一条 38 秒的样片，模型下载好之后，翻译并配音整个流程约 31 秒 |
译哥（谐音八哥）、Poly（Polly + polyglot）。正在内测，正式版上架后会在这里更新。