开会听不懂外语？我把实时字幕翻译搬进了浏览器：点开就用，音频不出本机

先给入口：

• 在线版（浏览器直接跑）：https://translate.cosmocat.dev/online/
• 桌面版高速下载（Win / Mac / Linux）：https://translate.cosmocat.dev/download/

一、问题：和外国人开会，听不懂的每一句都在漏

跨国会议、海外客户的语音消息、英文播客、YouTube 教程——卡人的不是阅读，是实时：声音过去就过去了，你需要的不是"回头查词典"，而是"它说到哪儿，我字幕跟到哪儿"。

市面上的方案大致三类：

1. 付费同传服务：效果最好，但按分钟计费，长期用是一笔固定开支；
2. 云端语音工具：把音频上传到别人的服务器，隐私上总要打个问号；
3. 本地开源工具：完全本机、免费、离线，但需要在每台设备上装一遍。

二、先认识 AudioScript（桌面版）

AudioScript（声稿）是一个免费开源的桌面工具（MIT 协议，上游 niyongsheng/AudioScript）：

• 监听系统声音（不是麦克风），把外语播客 / 视频 / 会议实时转成「原文＋中文译文」双语悬浮字幕；
• 识别与翻译全在本机完成——0 音频上传、不需要账号、断网也能用；
• 悬浮窗置顶、锁定后鼠标穿透不抢焦点，字号 / 透明度 / 行数可调；支持 Windows / macOS（Apple Silicon）/ Linux。

它最巧的一点：采集系统声音、不点用麦克风——你和对方通话时，它翻译"喇叭里放出来的声音"，麦克风留给通话本身。这是手机端同传 App 做不到的事。

下载走国内高速镜像（文件与官方 Release 逐字节一致，附 sha256）：https://translate.cosmocat.dev/download/

三、我给它的能力做了个网页版：不装任何东西

桌面版好用，但有些场景装不了、或者不想装：临时借用的电脑、公司的受控设备、只想快速试一下。

所以我把「识别 + 翻译」整条链路搬进了浏览器：https://translate.cosmocat.dev/online/

用法（全程不需要注册）：

1. 打开页面 → 点「开始」（首次会下载模型，约 180MB，一次即可，之后走浏览器缓存）；
2. 想翻译正在播放的音频（英文播客 / 视频 / 网页会议）→ 选「标签页/屏幕声音」，在弹窗里勾选「分享音频」；
3. 想翻译自己的说话声 → 选「麦克风」；
4. 字幕实时出现在页面上；点「悬浮字幕」可以把字幕变成一个置顶小窗（支持画中画的浏览器）。

技术上的两个关键取舍：

• 识别（Whisper）与翻译（Opus-MT）都在你的浏览器里跑——音频不出设备；服务器只负责发文件（模型走自己的 CDN，国内下载更快）。
• 因此它永久免费：没有 API 账单、没有会员、算力用的是你自己的电脑。

另外它还支持「音频文件翻译」：把手里已有的录音传进去，整段识别＋翻译。

四、实测与边界：先说清楚，别踩坑

实测（本机无头浏览器跑全链路）：17 秒英文语音 → 识别几乎逐字正确 → 翻译输出「大家好！这是实时字幕翻译的测试。系统会收听您的音频，识别英语演讲，并翻译为中文…」，处理约 9 秒。

三条边界要提前知道：

1. macOS 浏览器拿不到"其他 App 的系统声音"（只能标签页音频 / 麦克风）——这是浏览器安全模型的硬限制。想"Mac 上开着 Zoom、浏览器出字幕"，请用桌面版；Windows 上 Chrome 可以用「整屏共享＋勾选系统音频」绕过。
2. 网页版模型比桌面版轻，质量与速度有折损；追求最好效果请用桌面版。
3. 首次使用需下载模型（一次性）；处理速度取决于你的电脑性能。

五、怎么选

你的场景	用哪个
天天开会、重度使用	桌面版：全本地、系统声音、悬浮窗，免费下载
偶尔用、不想装、临时设备	在线版：点开就用，浏览器内推理
翻译一段已有录音	都可以；在线版支持直接传文件

两个入口都在同一个站：https://translate.cosmocat.dev

---

这篇文章属于时空猫的工具实验记录。AudioScript 上游为 MIT 开源项目，网页版是本站在其开源生态上做的浏览器复刻实验，两版均为免费工具。