就是手机放电影时，提前提取对应时间轴，然后实时预加载未来几秒内的画面，同时调flash模型或者API完成翻译（这个我没啥思路，像mimo-2.6这种全模态应该做不到秒处理吧）。 
我要实现的效果就是类似B站那种AI字幕，在人物讲话之前，字幕就先出来了。 
现在手机自带的翻译是实时翻译，人物话都快讲完了，字幕才慢慢出，很出戏。