視頻翻譯（多媒體翻譯）的內容為受眾提供豐富且易于接受的信息，其中包括聲音、影像、動畫、流媒體、寓意圖形、字幕、文字等多種信息內容。多媒體廣泛用于網絡程序、視頻游戲、互動軟件、展示亭等。隨著技術的成熟和制作成本降低，多媒體應用將更加普及，多媒體本地化需求也隨之增加。這其中音頻/視頻的內容改寫、腳本翻譯以及***的旁白都需要具備***的技能和多媒體工程技術能力。

目前國內各大字幕組和翻譯***對中外文化的交流學習雖說發(fā)揮著重要作用，但業(yè)內目前并沒有統(tǒng)一的字幕標準。特蘭斯科的TSS字幕組的原創(chuàng)學習材料《視頻字幕制作規(guī)范》總共分八章詳細闡述了視頻翻譯和字幕制作過程中需注意的各種問題，例如涉及到字幕的可讀性是指字幕出現的時間要足夠觀眾閱讀，和音頻同步且字幕不遮蓋畫面本身有效內容;說話者識別以及非談話內容，均需用字幕清晰呈現;字幕應完整傳達視頻素材的內容和意圖，二者內容同等; 雙語及三語字幕根據目標觀眾特征做相應語種優(yōu)先調整;字體風格適合變化。

之前音視頻公司在做轉錄時，需要先將錄制的語音轉換成文本，然后再將文本用于應用程序中。因此他們大多就會選擇與轉錄提供商合作，但也面臨一些挑戰(zhàn)：

一些提供商可能會要求客戶簽署價格昂貴的合同，并且也難以集成到客戶的技術堆棧中以成功完成轉錄任務。有些提供商可能還在使用過時的技術，無法很好地適應不同的情況（例如聯絡中心常見的低保真度通話錄音），從而導致轉錄準確性較差。