和香港同事开会总是听不太懂粤语，我用 Tauri 搓了个实时字幕工具 (macOS/Win)

在一家跨地区团队工作了一段时间后，我发现一个挺真实的痛点：会议语言有时候是粤语。

虽然大家也能切换普通话或英语，但很多时候讨论进入状态之后，自然就会变成粤语交流。其实我自己最近也刚好在学粤语，但如果你不是长期在粤语环境里，在工作场景下会遇到一种很微妙的情况：

不是完全听不懂，但经常只能听懂七八成。

特别是遇到一些香港本地表达、粤语里夹杂英文、多人同时快速讨论的时候。结果就是：会议能跟上大概意思，但细节容易漏掉。有时候大家已经开始讨论下一个问题了，我还在脑子里 compile 上一句到底说了什么。

久而久之觉得挺影响沟通效率，所以后来我就做了一个自己用的小工具： 把电脑里播放的粤语语音，实时变成中文字幕。

当然不止是粤语翻粤，英语、日语、韩语等都可以。

解决的其实就是一个很简单的场景

我做这个工具最初只有一个目标：开会的时候能实时看到字幕。

不管是 Zoom 、Google Meet 、Teams 还是网页版会议，只要电脑里有粤语语音，它就会：

当有人语速很快的时候，看一眼字幕基本就能跟上内容。因为是系统级音频监听，所以平时用来看港区 YouTube 、听粤语播客，或者看没字幕的生肉视频也都能顺带用上。

一开始我也想过做成某个会议软件的插件，但大家用的软件太杂了，最后决定直接做系统级监听。

客户端我个人比较反感那种动不动就吃掉几个 GB 内存的 Electron 巨兽，所以：

关于核心的翻译延迟问题，其实经历过一次重构：

一开始的 V1 版本，我图省事直接接了阿里云的自动识别与翻译 API 。调用一个接口就能出结果，开发确实快，但效果很感人：机器味重、识别不准，而且延迟太高，开会用起来有明显的割裂感。

后来痛定思痛改了架构。最近刚好发现 Google 新出了 gemini-3.1-flash-lite 模型，测试了一下发现用来做实时翻译简直是神器：速度极快，翻译的人话味道很浓，最关键的是支持自定义提示词（可以喂给它一些团队开会常用的 IT 缩写和黑话）。

所以现在的版本改成了：实时语音识别 + 实时流式调用大模型 API 进行翻译。目前把整体的延迟压在了开会完全可接受的范围内。

目前打包了 macOS 和 Windows 版本（ Windows 没测太多老系统，目前 Win10 及以上可以正常跑）。

如果你也是在香港工作的内地开发者，或者有远程和港区团队合作的需求，可以试试这个工具：

给刚注册的新用户默认塞了 15 天体验和 90 分钟的翻译时长，基本足够大家开几次会，或者看个视频体验一下效果了。

我自己也是一边用一边慢慢迭代，如果大家体验后觉得有什么 Bug ，或者在技术实现上（特别是跨平台音频流处理这块）有更好的思路，欢迎在帖子里吐槽交流，我下班后去修。