夜雨聆风谷歌翻译最近大更新了，接入了 Gemini 3.5 Live Translate 大模型，翻译能力比之前强了一大截。
我体验了好一阵子，新版本主攻日常对话场景，新增耳机实时同传，能复刻语气语调，还支持 70 多种语言的声音互译。但不知道是不是我发音不标准，我说中文的时候它经常听错 。
深度体验完，我确定了一件事：谷歌翻译再强，解决的还是普通人日常交流——旅游、面对面聊天、看一段外文内容。但像直播字幕嵌入、直播间实时同传、语音克隆这些，它暂时做不了。不是技术达不到，是牵扯的因素太多了。很多场景得自己开发配套功能，或者靠第三方软件来补齐。
好在谷歌翻译和字节豆包同传 2.0 都开放了 API，开发者可以按需定制。豆包 2.0 的 API 甚至能做到你说什么话，马上克隆出你的声音。
但问题来了——API 价格对个人不太友好。按 80 元 / 100 万 token 算，一小时下来大概三四十块。除非有明确的变现路径，否则普通人真心用不起。
其实不走云端 API，还有另一条路——开源模型。
阿里有开源千问系列的 ASR 语音识别模型，腾讯有开源 HY 系列的翻译大模型，市面上还有一堆优质开源的 TTS 模型。把它们组合起来，用统一的推理框架，把延迟做到毫秒级，用起来一样舒服。
其实早有人在做这类事情了。去年就有团队搞同声传译服务，帮人搭直播间翻译系统，一个月收费几千块。
但今天不一样了。随着 AI 技术的迭代，特别是 Agent 能力的完善，以前需要懂编程、需要团队才能开发的软件，现在零基础、零团队一个人就能干。
前几天，我这个不懂编程的人，用 Codex 一步步做了个能跑在自己电脑上的本地翻译软件——WW 翻译。同声传译效果不输谷歌翻译。
初衷：我想要在直播间显示英文字幕
谷歌翻译确实很适合旅行、对话、临时沟通。
在国外点个餐，拿手机说中文，它帮你译成英文；对方说英文，它译成中文。这个场景谷歌很强。
但直播完全不一样。
直播里我需要的是：
复制
1 2 3 4 5 我说中文 → 外国观众看到英文字幕外国人说英文 → 我看到中文字幕翻译字幕 → 直接进 OBS 图层翻译声音 → 直接进直播软件系统播放的视频声音 → 也能识别成中文字幕 谷歌翻译没有 OBS 字幕源。
它也不会帮我管理麦克风输入、系统音频、TTS 输出设备，更不会帮我把声音送进虚拟声卡。
而 WW 翻译可以直接提供一个本地字幕地址：
复制
1 http://127.0.0.1:8790/ 把这个地址添加到 OBS 或 TikTok LIVE Studio 的浏览器源里，翻译字幕就能直接叠到直播画面上。
翻译不是停留在手机里，而是直接进入直播间——这对主播来说很关键。
跟收费同传工具比：最大的优势是本地免费
现在市面上实时字幕、会议转写、AI 同传、AI 配音工具不少。
有些体验很好，但大多数都收费。
有的是按月订阅，有的是按分钟计费，有的是免费额度极低，真正长时间用就得买套餐。还有的字幕一个价、翻译一个价、TTS 又是一个价。再加上商用、多人会议、高清音频这些功能，价格更高。
对普通创作者来说，成本不低。
尤其是直播，不是每天用十分钟，而是一播几小时。用云端工具，一场下来 ASR 要钱，翻译要钱，TTS 也要钱。
我这个工具的思路完全不同——核心链路尽量走本地：
复制
1 2 3 4 ASR：本地模型翻译：本地模型TTS：本地模型字幕源：本地服务 模型下载到电脑以后，就不再按次数收费了。
当然，电费和硬件是自己的，但至少不会有“说一句话扣一次钱、播一小时扣一小时钱”的感觉。
这对喜欢折腾的人来说很重要——可以反复测试、反复调整、反复重启，不用每次都担心 API 账单。
跟 Google API、豆包 API 比：本地模型更适合长期折腾
如果用正规 API 来做这套，理论上也可以。
问题是，每一步都花钱。
Google Cloud Translation 的普通 NMT 翻译，超过免费额度后 20 美元 / 百万字符；用 LLM 翻译还会按输入输出分别计费。Google Speech-to-Text 按音频分钟计费，标准版每分钟 0.016 美元起，不同版本和数据存储模式价格还有浮动。
单看不贵，但拿来做直播就不是偶尔翻译几句话了。
一天直播两三个小时，一个月几十场，语音识别、翻译、朗读全走云端，累计下来就是一笔持续成本。
豆包、火山引擎这些国内平台也是同样的逻辑。能力很强、接入方便，但本质还是云服务——不同模型、不同语音能力、不同调用量，全进计费体系。
对公司来说没问题。
但对我这种个人创作者来说，本地方案更香——免费、可控。网络不好也能用，服务涨价不影響我，API 策略变化不影響我，直播内容也不用传到别人服务器。
这就是本地 AI 的魅力。
用 Codex 做软件：最神奇的是我不需要先成为程序员
这件事最有意思的地方是：我真不懂编程。
放在以前，我最多想想这软件应该怎么用，真要自己写出来，基本不可能。
这次不一样。
首先，市面上已经有很多开源的 ASR 语音识别、翻译大模型和 TTS 模型，很多已经到了 0.6B 级别。这么小的体积加上量化，用合适的后端推理框架，毫秒级响应完全没问题。
为了适配中文，我用了阿里年初开源的 Qwen3-ASR 语音识别，和上个月才开源的腾讯 HY-MT2 翻译模型。0.6B 的版本我试过，虽然轻量但效果差了点，最终选了 1.8B。TTS 用了比较轻量的 Kokoro，速度跟微软内置的阅读引擎差不多，效果好得多，又没有开源 TTS 那么大的体积，也不需要额外推理框架。
方案想好，先下模型、调好 llama.cpp 推理框架。
然后，我就一路跟 Codex 对话，把这个软件做了出来。
我负责描述需求，它负责改代码。
比如我说：
“我希望麦克风说中文后，自动翻译成英文。”
它就帮我接入 ASR 和翻译模型。
“我希望字幕能进 OBS。”
它就帮我做本地浏览器字幕源。
“系统声音也要识别，比如电影和浏览器里的英文。”
它就把系统音频识别做成另一条链路。
“朗读声音不要被麦克风再次收进去。”
它就开始处理输出设备、虚拟声卡和声道路由。
“界面看起来太乱。”
它就继续帮我改控制台界面。
这个过程有点像之前用 AI 学声卡调音——以前面对一堆插件不知道每个按钮什么意思，现在面对一堆代码也不知道哪个文件控制什么逻辑，但 AI 能把这些复杂东西拆成我能理解的步骤。
我不需要先学完 Python、FastAPI、llama.cpp、OBS 浏览器源、Windows 音频设备这些才开始干。我只要不断把真实使用中遇到的问题讲清楚，它就能一步步帮我改。
现在它能做到什么
目前 WW 翻译已经能完成几条主要链路：
麦克风直播翻译——我说中文，软件识别后翻译成英文，实时显示到预览区，也能推送到 OBS 字幕源。
有声翻译——打开后，翻译后的英文会被 TTS 读出来。默认用 Kokoro TTS，速度快，适合直播同传。
系统音频字幕——看电影、刷浏览器视频、看直播间时，可以打开系统音频字幕。电脑里播放的人声会被识别出来，再翻译成中文，显示在悬浮字幕窗里。
语音输入法——打开后，在微信、WhatsApp 或网页输入框里直接说中文，让软件输入识别文本，或者直接输入翻译后的英文。我感觉比市面上的很多语音输入法都好用，不用担心数据上传，直接替代手动打字。
直播字幕源——OBS 或 TikTok LIVE Studio 直接添加本地网页地址，翻译字幕叠到直播画面上。
这些功能单独看，很多工具都能做一部分。但 WW 翻译的重点是：它们都在一个本地软件里，而且不用按次数收费。如需要体验，可以关注私聊我，免费发送给你。电脑配置最好12G以上显存，8G理论上也行，但可能有延迟
为什么我觉得它比谷歌新翻译还好用
这里的“更好用”，不是说它所有语言的翻译质量都超过谷歌。谷歌的模型规模、语言覆盖和云端能力肯定更强。
但对我这个直播场景和中文适配性来说，WW 翻译更好用。
因为它不是一个孤立的翻译 App。
它能接 OBS，能接麦克风，能接系统声音，能朗读，能选择输出设备，能走虚拟声卡，能变成语音输入法，能完全本地运行，不会因为我直播时间长就一直产生 API 费用，还能根据我的沟通不断完善需求。
这才是我真正需要的东西。
谷歌翻译解决的是“我听不懂一句外语怎么办”。
WW 翻译解决的是“我怎么把外语交流接进自己的直播间”。
这两个问题不一样。
对普通创作者来说，这件事很有意义
以前我觉得做软件离自己很远。会用工具是一回事，自己做工具是另一回事。
但这次我最大的感受是：AI 正在把这两件事之间的距离拉近。
我不是程序员，但我知道自己的需求——
我要直播翻译，要字幕进 OBS，要系统声音变中文字幕，要中文语音变英文朗读，要本地运行，不想每句话都走云 API，要一个普通创作者也能复制去用的软件。
以前这些需求，要么找程序员开发，要么买一堆收费工具拼起来。
现在我可以直接跟 Codex 一起做出来。
这大概就是 AI 对普通人最直接的意义——它不是让你一夜变成专家，而是把原本很高的门槛往下拉了一截。
谷歌翻译接入大模型，说明实时翻译会成为大趋势。但我更关心的是：普通人能不能围绕自己的具体场景，做出真正适合自己的工具。
WW 翻译就是我的一次尝试。
它不一定最强，但很适合我——把本地模型、直播字幕、系统音频、TTS 朗读和 OBS 串在了一起。
对一个不懂编程的普通创作者来说，能做到这一步，已经很有意思了。
