一、问题是什么
听外语播客、看外语视频、开外语会议,最难受的不是听不懂,而是跟不上。声音一晃就过,想回头看一眼刚才那句话都没处找。开字幕吧,很多外语内容压根没有;有字幕的又常慢半拍、对不上口。用在线翻译吧,得把音频传到别人服务器,开公司会议、聊私密内容这么干心里发毛。AudioScript 就是冲这个场景来的:它趴在你电脑里听系统正在播的声音,一边出原文一边出译文,实时显示在屏幕上,而且这套活儿不在云端做,全在你自己机器上完成,断网也能用。说白了,它想把手忙脚乱猜意思,变成抬眼就能看明白。
二、核心设计/机制
它凭什么能实时出双语字幕,得看一句话怎么从声音变成屏幕上两行字,整条链路都在你自己电脑上跑。第一环是听:程序从系统音频、麦克风或两者混合里拿到声音。第二环是认:内置的 Zipformer 是流式双语识别模型,流式就是边听边出字,不用等整段话讲完才处理,延迟压得低,直接给出带双语的结果。第三环是译:内置 Opus-MT 负责英中互译,把原文翻成另一种语言。三环串起来,悬浮窗里就能同时滚动原文和译文,字号、不透明度、行数随你调。外壳用 Tauri 2 做,重活交给本地模型,界面只管显示,所以关了窗口程序还挂在托盘里接着听。想换更准的模型也留了口子,识别能换 X-ASR、Nemotron 3.5、Qwen3-ASR,翻译能换 LMT-60、NLLB-200,代价是要自己下载、吃更多空间和算力。
三、功能拆解
拆开看,它实际能干这些事:
一是抓声音。系统音频、麦克风、两者混合随便选,看播客抓系统声,线下开会用麦克风,都要就混合。
二是后台常驻。缩在托盘里,关窗口不等于退出,还能设开机自启,全程序只有一个实例,不会开出一堆重复窗口。
三是语音识别。默认带 Zipformer 流式双语识别,开箱能用;嫌不够可以换 X-ASR、Nemotron 3.5、Qwen3-ASR。
四是翻译。内置 Opus-MT 做英中互译,别的语言对额外拉 LMT-60 或 NLLB-200,照样离线跑。
五是悬浮字幕。原文译文一起显示,字号、不透明度、行数都能调,边框带彩色流动效果。
六是语言覆盖。识别翻译支持 29 种以上语言,界面本身有 13 种,简繁中文、英日韩法德西葡俄意印尼阿拉伯语都在。
七是隐私开关。识别翻译本来就在本机离线完成,音频不上云;但程序默认开着 Aptabase 匿名统计和 Sentry 崩溃报告,介意就去 General → Privacy 里关。
八是跨平台。基于 Tauri 2,macOS 14.2 以上、Windows 10 以上、Ubuntu 24 都能装,macOS 26 以上还多了系统翻译。
四、适合谁、不适合谁
适合的人很明确:常听外语播客、看外语视频、开外语会议,又不想一句句拖进度条的人;重视隐私、不愿把音频传到云端的人;界面需要中文、日文等非英语语言的桌面用户。它离线能跑这点,对在公司开保密会议、在家不想让声音外发的人特别对味。
不适合的人也得说清。只用手机的直接放弃,它只有 macOS、Windows、Ubuntu 桌面端,没有 iOS 和安卓。系统太老不行,macOS 得 14.2 以上、Windows 得 10 以上、Ubuntu 得 24。要的不是英中互译、又不愿额外下载翻译模型的,开箱体验会打折。还有追专业同传准确度的,本地小模型跟云端大模型不是一个量级,别指望它做到同传水准。
五、诚实提醒
几个坑先摆出来。一是内置翻译只有英中互译,别的靠可选模型;其中 NLLB-200 是 CC-BY-NC-4.0 许可,非商业的,想商用先看清授权,别踩线。二是隐私有反差:识别翻译虽全在本机,程序却默认开着 Aptabase 匿名统计和 Sentry 崩溃报告,真在意就自己去 General → Privacy 关掉,别以为装上就万事大吉。三是平台门槛死,只有桌面三端,macOS 想用系统翻译还得 26 以上。四是最容易翻车的:README 没给任何准确率和性能数据,实际效果取决于你选哪个模型、机器有多少算力,别人说得再好也得自己上手试。免费开源,不等于效果有保证。
六、项目现状
目前能确认的:项目以 MIT 许可证开源,README 给了官网获取和源码自行构建两条路,没提付费或订阅。构建说明写得全,装依赖、拉模型、开发模式、打包命令都在,代码能自己跑起来,联系方式留了 X 和邮箱。star 数 README 里没具体数字,只挂了张星标历史图,具体热度和维护节奏以项目页面为准。它引用的底层模型和库各有许可,几个是可选的,商用前值得逐个核对。
七、常见问题
问:AudioScript 要花钱吗?
答:项目按 MIT 许可证开源,README 给了官网获取和源码自己构建两种方式,没提付费或订阅,以项目文档为准。
问:支持哪些系统?
答:基于 Tauri 2,支持 macOS 14.2 以上、Windows 10 以上和 Ubuntu 24,只有桌面端,没有手机端;macOS 26 以上还多了系统翻译。
问:它跟在线字幕翻译工具最大区别是什么?
答:识别和翻译全在本机离线跑,音频不用上传云端,支持 29 种以上语言。默认内置 Zipformer 流式识别加 Opus-MT 英中互译,也能换可选模型。
问:我的音频和隐私会被上传吗?
答:语音识别和翻译都在设备端离线完成,音频本身不上云。不过默认开着 Aptabase 匿名统计和 Sentry 崩溃报告,介意就去 General → Privacy 里关掉。
问:中文以外的翻译开箱就能用吗?
答:内置的是 Opus-MT 英中互译,其他语言对得额外下载 LMT-60 或 NLLB-200,能离线用但要自己拉取;其中 NLLB-200 是非商业许可,商用留意。
下载地址
夸克网盘(永久有效):https://pan.quark.cn/s/40d28bca0e69
本教程由「宝藏星球屋」整理,更多软件、游戏、开源项目都在 https://cbge.top。























暂无评论内容