🔗 GitHub 仓库地址：https://github.com/aronnaxlin/SwiftVolcCaption
最近又由自身需求触发造了一个小轮子：SwiftVolcCaption。
能干嘛？
说起来很简单：把你电脑正在放的声音抓下来，实时变成「原文 + 译文」两行字幕，浮在屏幕上。
不管声音是从浏览器、播放器还是会议软件里出来的，它都能抓。
为什么做这个？
这两年由于个人的规划，我的外语视频或音频逐年增加，锻炼听力诚然是一种办法，但是对于现在的我来说，借助字幕无疑能让我更专注于要干的事，而不是开「双线程」。
一开始是看熟肉视频，但是发现认真被汉化过的视频只占一小部分，而且如果不是授权翻译的话，在 B 站看其实也算损害了原创作者的权利。
后来发现了 YouTube 的自动字幕，但是机翻质量加上一个字一个字往出蹦体验几乎全无，还不如只开纯英文字幕（当然，由于海外博主基本上不会去加 CC 字幕，纯英文字幕也是一个字一个字往出蹦）。
再后面有了「沉浸式翻译」、「Kiss Translator」这种浏览器插件/脚本，算是基本解决了问题。
直到我遇见了非浏览器环境 + 直播这一难关。
其实用 Windows 时，我找到了别人的解决方案。一年前想要玩一款名为 Whispers from the Star 的游戏，这款游戏算是全球第一款和 AI 实时互动的游戏，不过游戏本身不是什么问题，最大的问题在于它当时只支持英文，还没有英文字幕和翻译。当时听力水平不太好的我选择了 LiveCaptions-Translator 解决了问题，这款软件基于 Windows 原生实时字幕 + 大模型 API 解决了问题。
本以为就这么过去了，没想到最近我的主要环境来到了 macOS，还要开始上一门外方教授的直播课程。上述的软件依赖的是 Windows 的功能所以并不能在 Mac 上使用。macOS 诚然也提供了实时字幕功能，市面上也确实有几个同类的项目，但都在某个地方卡住了我：
- 有的用 Apple Intelligence 做翻译引擎，国行根本没这个功能；
- 有的很久没更新了，所以用不了 AI 翻译，精度不佳；
- 还有相当一部分——这是最劝退的——要你先装一个叫 BlackHole 的虚拟声卡。而我有一堆蓝牙耳机，之前试过的虚拟声卡没一个省心的，为了字幕把各类音频设备整成一锅粥实在不划算。
所以调研了一番后，我开始了又一次的 Vibe Coding 造轮子：用 macOS 原生 API 音频旁路功能 + 火山引擎同传大模型，做了这个 macOS 原生双语字幕软件 —— SwiftVolcCaption。
长什么样
菜单栏一个小气泡图标，点开就是全部功能。正在识别的时候图标会变成实心的，一眼能看出状态。
字幕窗浮在最上层，压得住全屏视频。可以随手拖到你顺眼的位置，拖过之后它会记住，下次打开还在那儿。点它也不会把你正在看的视频切到后台去。
想开想关，⌃⌥S 一下就行，不用去找菜单。
样式这块我花的时间比预想的多。因为字幕这东西，要压在花花绿绿的画面上还能看清，本身就挺挑的——白底上的白字、深色场景里的黑边，都得照顾到。所以字体、字号、颜色、描边、阴影、背景框、宽度、显示几行，基本上都做成了可调，也内置了几套预设，懒得调的时候直接用。
设置面板顶部有实时预览，底色我特意做成了从黑到白的渐变。只在一种底色上预览，其实是自欺欺人。
哦对，它还可以只抓某一个 App 的声音。
这个功能比我一开始以为的重要得多。抓「全部系统声音」的话，微信提示音、后台音乐、系统通知，全都会被翻译成字幕糊在屏幕上。你正看着评测，突然蹦出来一句「你好，在吗」——属实有点惊悚。
字幕还能导出成 srt，带时间轴，直接拖进播放器就能用。看完想回头找某一句的时候挺方便的。
有几件事得先说清楚
不是万能的，有些事情你下载之前就该知道，免得装完发现不是那么回事。
-
软件免费但是服务不免费：识别和翻译是调火山引擎的同声传译服务，按用量计费，你得自己有个账号并开通。火山引擎有试用期，单价也不贵，但挂着不关是会一直扣的，建议去控制台顺手设个用量告警。
-
声音会交给云端处理：这个我必须讲明白——字幕开着的时候，系统正在播放的音频是要上传到火山引擎服务器做识别的。所以别拿它去处理敏感内容。真要用，也请把「捕获来源」限定到具体那个 App，别开「全部系统声音」，不然你的会议、你的语音消息，都会一起传过去。
-
语种有限制：源语言和目标语言里必须有一个是中文或英文。英译中、日译中、中译英都行，日译韩不行。
-
只支持 macOS 14.4 以上：老系统里没有旁录音频的 API，这个没办法。
-
「实时」性不强：由于火山引擎的模型是上传音频 → 英文字幕和中文字幕一起传回来，所以做不到像系统级实时字幕那样一个字一个字往出蹦。实感上是外方教授说完一句话，字幕正好出来。如果我有意维护的话，后续可能会进一步优化这个实现路径，降低延迟。
感谢
这东西能跑起来，主要是因为站在了几个很好的项目肩膀上。
苹果在 macOS 14.2 加的 CoreAudio Process Tap，是这一切的前提——没有它，就还是只能回去装虚拟声卡。这套 API 的文档写得相当克制（客气的说法），好在 insidegui 的 AudioCap 提供了一份能跑通的示例代码，帮我省下了大量摸黑的时间。
火山引擎的同声传译模型承担了最难的那部分：一条流里同时给出原文和译文，断句和静音检测也都在服务端做好了，客户端几乎不用操心。
swift-protobuf 让协议那层没有变成体力活。
每一个单拿出来都比我这个项目重要得多，我做的只是把它们串起来，补上中间那一段。真诚感谢。
最后
这不是什么大工程，起因真的就是不想再为了看懂一段视频，去改整台电脑的音频设置。
项目基于 MIT 协议开源，代码和使用说明都在 GitHub：
🔗 GitHub 仓库地址：https://github.com/aronnaxlin/SwiftVolcCaption
如果它正好戳中了你，欢迎去点个 Star。有 Bug 或者想加什么功能，随时提 Issue。
折腾的快乐，大抵如此。