AudioScript：系统声音实时转双语字幕，全程离线

看没有字幕的英文视频、开没有同传的英文会，办法通常只有两条：把音频丢给云端转写服务，或者凑合听。AudioScript（中文名「声稿」）是 niyongsheng 开源的一个桌面应用，MIT 许可，Rust 加 Tauri 2 写成：它直接监听电脑的系统声音或麦克风，用本机模型实时转成文字再翻译，以「英文原文 + 中文译文」的双语字幕悬浮窗叠在屏幕上，语音和文本都不出机器。仓库创建于 2026-10-14，十天后就有 172 颗星，GitHubDaily 也推荐过它。截至 2026-10-23，最新版本是 v0.2.10。

核心功能

• 三种采集来源：系统声音、麦克风，或两者混合。会议场景选混合，对方的声音和你自己的发言都进转写；官网写明 macOS 走 Core Audio Process Tap、Windows 走 WASAPI loopback，不需要装 BlackHole 之类的虚拟声卡。
• 识别翻译全在本机：流式识别用 sherpa-onnx（应用自带的模型是 zipformer 小型中英双语版），翻译用 CTranslate2 跑 opus-mt，官网给出的单句翻译耗时是 70–77 毫秒（M 系列芯片）。运行时不需要网络。
• 中英双向、手动切向：识别和翻译固定在 en ↔ zh 这一对上，方向自己在应用里选，没有自动语言检测。两个方向的翻译模型各约一份，装哪个用哪个。
• 悬浮窗可调：字号、背景不透明度、显示行数都能调，锁定时可穿透点击，不挡下面的视频；应用常驻托盘，关窗不退出，还能开机自启。
• 字幕可导出：转写结果能存成带时间戳的 Markdown，看完一场会或一期播客，文字稿直接拿走。

典型使用场景

• 看生肉视频：没有内嵌字幕的英文视频和直播，字幕悬浮在画面上，原文对照译文，不用暂停去查词。
• 开线上会议：选「麦克风 + 系统声」混合采集，双方发言各自转写翻译，会议软件不开字幕也能跟。
• 听英文播客：挂着字幕窗边做事边听，漏掉的句子回头看一眼；要引用哪段，事后从导出的 Markdown 里找原文。

快速上手

不用自己构建：GitHub Releases 里直接下安装包——macOS 是 14.2+ 的 Apple Silicon .dmg（官网注明暂无 Intel 版），Windows 10+ 有 .exe 和 .msi，Linux 提供 Ubuntu 24 的 .deb 和 AppImage。装好后给 macOS 授予「屏幕与系统音频录制」权限，选好采集来源点「开始转写」，右下角就会出现悬浮字幕窗。想从源码构建的话，README 的流程是：

pnpm install          # 依赖 + ASR 模型（约 58 MB）
pnpm fetch:mt         # 拉取翻译模型
pnpm tauri dev        # 开发模式
pnpm tauri build      # 打包

小结

AudioScript 适合需要中英双语实时字幕、又不想把语音交给云端的人：生肉影视、国际会议、播客都覆盖。它不适合跨语言场景——语言对固定在英语和中文之间，日语、欧语内容不在能力范围内，也没有自动语种检测。

更准确的预期是：它对标的是讯飞同传那类云服务，换来的是免费和隐私，代价是识别精度。悬浮字幕里出现的那句英文「Tackle them had on the first…」就是演示视频里的真实输出——专有名词、口语和快语速下，small 级别的 zipformer 模型会转错词，翻译也跟着歪；要更准得换更大模型，而它目前只内置这一款。另外 Linux 是二线支持，GNOME Wayland 下悬浮窗置顶不可用；两个方向的 opus-mt 模型里 zh→en 一份是 CC-BY-4.0，署名要求在模型页有标注。仓库创建于 2026-10-14，未归档，最近一次提交在 2026-10-23，迭代很快但还很年轻。

音频转文字之后还想让本机模型把内容整理成结构化笔记的话，可以接着看 AudioNotes；同样是本地语音管线、面向 Apple Silicon 的完整同传系统，之前写过 VoxWeft。我们核对了 README、官网、Releases 元数据和仓库提交记录，没有实际安装运行。