Guía de modelos y workflows para traducir subtítulos

Hay bastantes proyectos en GitHub dedicados a la traducción de subtítulos, aunque están repartidos entre enfoques muy distintos. Si buscas algo moderno que aproveche LLMs o modelos de traducción neuronal, estas son las opciones que más valen la pena.

Enfoques modernos con LLMs

Varios proyectos comparten la idea de leer archivos como .srt, .ass o .vtt, y enviar cada subtítulo a modelos como GPT, Claude, Gemini o Ollama para mantener la numeración y los tiempos. La ventaja principal es que conservan el contexto y permiten cambiar de modelo fácilmente, aunque si usas APIs comerciales, tendrás un costo.

Modelos abiertos y offline

Uno de los mejores modelos abiertos es Meta NLLB (No Language Left Behind). Modelos como NLLB-200-3.3B son muy buenos para inglés a español y pueden correr localmente.

Velocidad vs Calidad

Otra opción notable es Argos Translate, que es 100% offline, rápido y fácil de integrar en Python, aunque su calidad es claramente inferior a NLLB o los LLMs. Por otro lado, existen scripts para traducir colecciones masivas desde OpenSubtitles usando servicios como DeepL o Google Translate.

Consideraciones de hardware

Si tienes una tarjeta gráfica potente como una RTX 3090, podrías probar con Qwen 3 Instruct (14B o 32B) mediante Ollama para traducir bloques completos y mantener el contexto. Un detalle importante es que los mejores resultados no se obtienen traduciendo línea por línea; agrupar entre 20 y 100 líneas antes de enviarlas al modelo ayuda a conservar nombres propios, referencias y el tono.

Automatización con ComfyUI

Si tu idea es montar un workflow en ComfyUI, también es posible. El flujo sería pasar los archivos SRT a un nodo que agrupa las líneas, procesarlos mediante un LLM vía Ollama o API, y luego reconstruir el archivo. Aunque no conozco uno ampliamente adoptado dedicado exclusivamente a esto, sería un proyecto bastante interesante.