diff --git a/README.md b/README.md
index c35c617..10dc01d 100644
--- a/README.md
+++ b/README.md
@@ -101,7 +101,7 @@ of the **CogVideoX** open-source model.
 This folder contains some tools for model conversion / caption generation, etc.
 
 + [convert_weight_sat2hf](tools/convert_weight_sat2hf.py): Convert SAT model weights to Huggingface model weights.
-+ [caption_demo](tools/caption/README.md): Caption tool, a model that understands videos and outputs them in text.
++ [caption_demo](tools/caption): Caption tool, a model that understands videos and outputs them in text.
 
 ## Project Plan
 
diff --git a/tools/caption/README_zh.md b/tools/caption/README_zh.md
index 6d8d7e5..dc905e4 100644
--- a/tools/caption/README_zh.md
+++ b/tools/caption/README_zh.md
@@ -1,16 +1,16 @@
-# 视频字幕
+# 视频Caption
 
 通常，大多数视频数据不带有相应的描述性文本，因此需要将视频数据转换为文本描述，以提供必要的训练数据用于文本到视频模型。
 
-## 通过 CogVLM2-Video 模型生成视频描述
+## 通过 CogVLM2-Video 模型生成视频Caption
 
 🤗 [Hugging Face](https://huggingface.co/THUDM/cogvlm2-video-llama3-chat) | 🤖 [ModelScope](https://modelscope.cn/models/ZhipuAI/cogvlm2-video-llama3-chat) | 📑 [Blog](https://cogvlm2-video.github.io/) ｜ [💬 Online Demo](http://cogvlm2-online.cogviewai.cn:7868/)
 
-CogVLM2-Video 是一个多功能的视频理解模型，具备基于时间戳的问题回答能力。用户可以输入诸如 `请详细描述这个视频` 的提示语给模型，以获得详细的视频字幕：
+CogVLM2-Video 是一个多功能的视频理解模型，具备基于时间戳的问题回答能力。用户可以输入诸如 `请详细描述这个视频` 的提示语给模型，以获得详细的视频Caption：
 
 
 <div align="center">
     <a href="https://cogvlm2-video.github.io/"><img width="600px" height="auto" src="./assests/cogvlm2-video-example.png"></a>
 </div>
 
-用户可以使用提供的[代码](https://github.com/THUDM/CogVLM2/tree/main/video_demo)加载模型或配置 RESTful API 生成视频字幕。
\ No newline at end of file
+用户可以使用提供的[代码](https://github.com/THUDM/CogVLM2/tree/main/video_demo)加载模型或配置 RESTful API 来生成视频Caption。
\ No newline at end of file