• AI 技能
• 音视频

JZSub 是一款「给一条视频链接，自动交付最高画质视频、封面和 GPT 双语字幕 MP4」的开源工具。本文前瞻它的两大路线图方向：Whisper ASR 为无字幕视频生成字幕，以及Windows 平台 Chrome 登录态下载支持，帮你了解这个双语字幕工具接下来要解决的问题。

左：下载后的原片 · 右：JZSub 生成的原文＋中文双语烧录成片

先回顾：JZSub 现在能做什么

目前 JZSub 的主链路已经相当完整：

• 最高画质下载：最佳视频＋音频流，无损封装 MP4
• 双语字幕：分批翻译、批间上下文衔接，原文保持逐字节不变
• 自动烧录：MiSans 字体、底部双语堆叠、竖屏自适应、libass 精确背景
• 封面直取：自动下载并转换为封面.jpg
• 静默登录：需要时让 yt-dlp 直接读取本地 Chrome 登录态，不导出 Cookie

路线图一：用 Whisper ASR 给无字幕视频生成字幕

为什么现在不能直接做

一个常见误区是：既然有 GPT/Claude，为什么不让模型直接"听"音频出字幕？答案是——agent 模型并不能直接生成带时间轴的字幕，Codex/Claude 的语音输入也只是 UI 层听写。因此可行的路径是编排本地带时间戳的 ASR，而不是指望大模型"听写"。

规划的技术路径

整体流程一句话概括：

ffmpeg 抽音轨 → Whisper → SRT → 现有字幕管线

具体方案包括：

• 新增transcribe_audio.py（或--transcribe开关），按可用性探测 whisper-cpp / mlx-whisper / faster-whisper
• 必须显式请求才启用，保持"不编造字幕"的默认原则
• manifest 中转写字幕标记kind: "asr"，区别于平台的手动/自动字幕
• 交付报告中明确标注「字幕来自本地 Whisper 转写，非平台字幕」
• 只做本地转写，不调用云端转写 API，与项目隐私设计保持一致

由于subtitle_pipeline.py prepare本就接受任意 SRT，Whisper 产出的字幕进入翻译、渲染、烧录环节零改动——这也是这条路线成本低的关键。详见 TODO.md。

路线图二：Windows 平台的 Chrome 登录态下载支持

问题背景

Windows 上 Chrome 127+ 启用了App-Bound Encryption后，yt-dlp 无法再直接读取 Chrome 的 cookie 数据库；macOS 走 Keychain 路线不受影响。也就是说，Windows 用户在下载需要登录的内容（如 B 站会员画质）时会受阻。

成本最低的解法

不改隐私模型，只做一件事：

• 把 fetch_video.py 中auto模式静默回退硬编码的"chrome"改为可配置（如--auto-cookie-browser firefox，默认仍为 chrome）
• 文档补充一句：Windows + Chrome 127+ 用户请改用 Firefox 登录，再以--browser-cookies firefox下载
• 自测补充：回退浏览器可配置且不接受控制字符

明确不会做的事

以下做法会破坏「agent 永不接触 cookie 值」的设计支柱，被明确排除：

• 通过 CDP 远程调试口抓 cookie
• 导出cookies.txt（YouTube 还会轮换导出 cookie）
• 手动把单条SESSDATA经 agent 转交

相关鉴权边界见 chrome-auth.md 与 SKILL.md 的 Invariants 约定。

这两项更新对普通用户意味着什么

两项都属于"补边界"而非"换架构"：无字幕转写复用现有管线，Windows 登录只改一个回退参数，落地后对现有 macOS 用户和公开内容下载完全无感。

延伸阅读

• 路线图原文：TODO.md
• 技能与管线约定：skills/jzsub/SKILL.md
• 平台与下载注意事项：platform-notes.md
• 翻译契约：translation-contract.md
• 字幕管线脚本：subtitle_pipeline.py

JZSub 的下一步清晰而克制：让无字幕视频"开口说话"，让 Windows 用户"登录无忧"。两项功能落地后，「一条链接 → 最高画质＋封面＋双语字幕 MP4」的体验将覆盖更多场景。

• AI 技能
• 音视频