视频翻译（多媒体翻译）的内容为受众提供丰富且易于接受的信息，其中包括声音、影像、动画、流媒体、寓意图形、字幕、文字等多种信息内容。多媒体广泛用于网络程序、视频游戏、互动软件、展示亭等。随着技术的成熟和制作成本降低，多媒体应用将更加普及，多媒体本地化需求也随之增加。这其中音频/视频的内容改写、脚本翻译以及***的旁白都需要具备***的技能和多媒体工程技术能力。
目前国内各大字幕组和翻译***对中外文化的交流学习虽说发挥着重要作用，但业内目前并没有统一的字幕标准。特兰斯科的TSS字幕组的原创学习材料《视频字幕制作规范》总共分八章详细阐述了视频翻译和字幕制作过程中需注意的各种问题，例如涉及到字幕的可读性是指字幕出现的时间要足够观众阅读，和音频同步且字幕不遮盖画面本身有效内容;说话者识别以及非谈话内容，均需用字幕清晰呈现;字幕应完整传达视频素材的内容和意图，二者内容同等; 双语及三语字幕根据目标观众特征做相应语种优先调整;字体风格适合变化。
之前音视频公司在做转录时，需要先将录制的语音转换成文本，然后再将文本用于应用程序中。因此他们大多就会选择与转录提供商合作，但也面临一些挑战：
一些提供商可能会要求客户签署价格昂贵的合同，并且也难以集成到客户的技术堆栈中以成功完成转录任务。有些提供商可能还在使用过时的技术，无法很好地适应不同的情况（例如联络中心常见的低保真度通话录音），从而导致转录准确性较差。