我用AI同傳干掉了英語發布會，爽。

我之前看各種什么OpenAI、Google等等的發布會，還有各種線下的英語演講的時候，一直有一個痛點。

就是，我聽不懂。

大多數的發布會是直播，所以Youtube上也沒有原生字幕可以看，線下演講更是這樣，好一點的會務會給你準備同傳翻譯機或者搞個副屏，放AI字幕。

前幾天我去參加WAIC的論壇就有這個同傳翻譯機。

但是很多的時候，可能并沒有這么好的條件，就是啥也沒有，需要你自己聽。

雖然我不太應該這么理直氣壯，因為從小沒好好學英語，導致我英語很爛，這確實是我自己不努力造成的= =

但是吧，到現在，因為自己一直在玩AI的原因，最高質量的AI信息和資訊，還是來自于英文世界。

這些AI知識我必須要去學才行。

坦誠的講，雖然華裔面孔占據AI世界主流，但是主流語言還是英文。

這就導致我每次看發布會或者線下演講，都只能軟件開著字幕進行翻譯。

線上看發布會就像這樣。

線下我現在就是直接開個飛書妙記，去實時轉錄+翻譯。

其實已經很好用了，對吧，但是字幕類的我自己用的還是不爽，因為這代表著，你感受不到對方的情緒和狀態。

同時，你也沒辦法一心二用。

看發布會，你只能不斷的盯著字幕，干不了任何別的事情。

在會場上聽演講也是，最der的就是。

你低頭看翻譯，你就看不了嘉賓和PPT，你抬頭看嘉賓和PPT，你就聽不懂他在說什么。。。

線上看直播一樣也是這個道理。

這次WAIC現場里聽的英文演講，實在是讓我太痛苦了。

當時在現場，我就在想，有沒有什么方法，能手搓一個不需要我盯著看的AI同傳小產品，來解決我的這些痛點。

回北京以后，說干就干。

大概思路特別簡單，我做一個瀏覽器插件和一個小網頁，然后接一個AI同傳的API，就搞定了。

首先是同傳API。

我基本上把全網都找遍了。

發現做AI同傳大模型的也沒幾個。

訊飛、百度、豆包、騰訊、阿里、Gemini，好像就沒了。。。

最后我選了豆包，因為我自己的一些服務都在火山引擎上，字節家的更順，而且他們豆包同聲傳譯2.0是剛發的，效果也確實是目前最棒的。

端到端模型，延遲大概2~3秒，基本一句話說完，對應的翻譯就出來了。

整體翻譯質量也是OK的。

還有一個非常屌的能力，是可以在不采集聲音樣本的情況下復刻說話人的音色，而且就算是多個人一起對話， 每一個人都可以保持自己的原色來進行同傳，音色極其自然。

這個是傳統的所有的機器翻譯的模型所不具備的。

因為比如像現在OpenAI、Grok啥的發布會，每次都是好幾個人在現場，我其實是需要知道到底是誰說了啥的。

而借助豆包同 傳 2.0，這個問題被完美解決。

你也可以直接在這個地方體驗一下，可以免費用5分鐘，每天可以20次，也就是每天免費100分鐘的額度。

https://console.volcengine.com/ark/region:ark+cn-beijing/experience/voice?type=SI

而API這塊，價格也還OK。

實測下來，1分鐘大概消耗了1800左右的Token。

按照官方價格換算，大概就是一分鐘3毛錢，很便宜了。

模型有了，接下來，就是搓一個小瀏覽器插件和網頁，然后把模型的API接進去。

這個過程，我本來以為非常輕松，畢竟一個瀏覽器插件和網頁，這玩意vibe coding搞過N個了，沒啥難的的，幾個按鈕，一個設置，能有一個填模型Key的地方，不就完事了嗎。

在瀏覽器里直接抓取正在播放的視頻音頻，然后調用豆包同傳2.0的API，實時翻譯成中文，再播放出來。

聽起來完美，對不對？

但是，噩夢開始了。。。

我真的感覺到了，當時什么叫無知者無畏。

我一開始就卡在了第一步，怎么在瀏覽器插件里調用豆包同傳2.0模型的API？

要知道，這是同傳模型，不是普通的那種對話的大模型。

這個API用的是WebSocket協議，還需要在請求頭里加認證信息。。。

就是，你平時刷網頁，大多是“問一句答一句”，就像發個短信一樣，你發了個請求，“給我一個網頁”，服務器回了你，“好的，這是你要的頁面”。

之后呢？之后就各忙各的了。

如果你想要更新信息，那就得再發一次請求，再等一次回復。這就是普通的HTTP協議，簡單但效率一般。

但有時候，我們不想每次都問一下才有回應，我們想要的是實時互動，比如你跟朋友打電話，不需要每次想說話的時候再撥一次號碼。

WebSocket協議就是為這個場景而生的。它更像一通電話，一旦你接通了，雙方可以一直不停地實時說話，不用再掛掉重撥。

豆包這個API用的就是WebSocket協議，因為同聲傳譯這個場景，恰好需要你不斷地把音頻數據發送過去，服務器一邊接收一邊實時返回翻譯后的文字或音頻，你一邊說，它一邊翻譯，非常順暢。

而最大的問題，在于你的插件在瀏覽器環境里調用WebSocket時，要往請求頭里塞認證信息（比如API Key、Token什么的），但瀏覽器為了安全考慮，不允許插件隨便修改WebSocket的請求頭。

真的是磕了半天以后，才明白這個坑

瀏覽器插件的環境里，想要往WebSocket的請求頭里加認證信息，簡直是地獄級別的難度。

更要命的是，我去看了下官方的接口文檔，有Python、Java和Go的示例代碼，沒有JavaScript的版本。

我這種半吊子選手，就更是兩眼一抹黑。。。

折騰了兩天，各種StackOverflow、GitHub翻了個遍，發現這條路基本上是死路，實現起來非常麻煩。

行吧，只能換思路。。。

既然瀏覽器環境搞不定API，那搞個曲線救國的方案，瀏覽器插件負責抓音頻，然后把音頻數據發給一個本地的Python程序，讓這個程序去調用豆包API。

聽起來非常合理。

我這就下載了豆包官方的Python示例代碼，填了密鑰信息，在電腦上跑了一遍，確實能運行。但是看了代碼才發現，這玩意確實只是個示例，只能把一個本地的音頻文件翻譯成另一個語言，然后保存成文件。

不是我想要的實時處理。

更讓我頭疼的是，怎么從瀏覽器里把正在播放的Tab的音頻流，穩定地傳輸給本地Python程序？

這個技術難度，比我想象的要高太多了。延遲、音質損失、斷連...各種問題一堆堆的。

就在我快要放棄的時候，突然靈光一閃。

我為什么要這么復雜呢？

我直接搞個本地Python程序，然后用"音頻重定向"的方法，不就行了嗎？

這是一個我之前搞游戲直播的時候學到的方法。。。

音頻重定向，說人話，就是給你的電腦戴上一個虛擬的耳機。

平時你電腦上的聲音（比如看直播時的演講聲音、視頻里的聲音）都會通過系統默認的揚聲器或耳機直接放出來，你的耳朵聽到了，但你的程序卻抓不到。

現在呢，我們給電腦裝一個虛擬設備，就相當于再給它接一根虛擬的耳機線。

這根虛擬的耳機線它表面上看是個耳機，但實際上的作用是把你電腦里播放的所有聲音拷貝一份出來，送給另一個程序去處理。

于是，我在電腦上裝了一個叫VB-CABLE的虛擬音頻設備。

然后，當我在瀏覽器里看視頻的時候，我把瀏覽器的音頻輸出切換到這個虛擬揚聲器。

這樣，視頻的聲音就會進入這個虛擬設備，而我的真正的揚聲器是聽不到任何聲音的。

接下來，我用AI修改了一下剛剛下載的程序，實現把這個虛擬揚聲器當成麥克風來監聽。

這樣，Python程序就能精確地捕獲到瀏覽器播放的英文音頻了。

然后程序調用豆包的同傳模型2.0，把英文音頻實時翻譯成中文，再通過我的真正揚聲器播放出來。

整個流程就是：瀏覽器視頻 → 虛擬揚聲器 → Python程序 → 豆包API → 真揚聲器

流程清晰，邏輯簡單，沒有復雜的數據傳輸，也沒有瀏覽器環境的限制。

最關鍵的是，效果特別棒。

我聽不到任何英文原聲的干擾，只能聽到清晰的中文翻譯。就像真的有個同傳在我耳邊翻譯一樣。

為了方便使用，我還搞了個簡單的Web界面，可以啟停翻譯功能，還能實時看到API返回的原文和譯文。

第一次成功測試的時候，我激動得差點跳起來。

我打開了一個英文的AI發布會錄播，然后啟動我的程序。當那個陌生的英語聲音消失，取而代之的是流暢的中文翻譯時，我真的有種終于把這個破事給搞定了的成就感。

當你排除千難萬險，解決一個難題，把一個程序跑通的時候，那種爽感，就像你在打只狼，推一個卡了好幾天的BOSS，血條只剩一絲的時候手都在抖，打出最后那一下平A，BOSS倒地但你還站著的那一瞬間，大腦一片空白，隨即巨大的多巴胺如潮水般涌來。

這種爽感，帶著一點劫后余生的慶幸，一點自我突破的自豪，還有一點征服世界的豪邁，讓你忍不住想站起來仰天長嘯。

終于搞定了！

雖然只是一個同傳的小東西而已。

我終于可以一邊刷著播客，一邊聽著優雅的中文翻譯，不用再低頭看字幕了。

那種感覺，就像是給自己找了一個隨叫隨到的高級翻譯。

而且不止是一個人的音色，如果是5個人，那真的就可以0樣本復刻5個人的音色來給你翻譯，每一個人，都有自己的聲線，你只需要聽，就可以區分出所有的信息。

折騰了這么久，總算是把自己的這個痛點給解決了。

一個小白，能借助AI，徒手做出自己想要的東西，這感覺，還是很酷。

至于線下的場景，反而簡單很多了，因為就調用一下麥克風做傳輸就行。

我本來想自己開發一個H5網頁的，一想，豆包已經做了一個體驗版本的，有沒有手機版的？

就搜了一下。。。

發現，還真有。。。

點進去以后，免費體驗。

而且10分鐘上限。

線下完全就可以直接用了。

最后，我想表達一下我對于同傳這個行業，還有對譯員的觀點。

我是一個純粹的外行，我做這個小東西，完全不是為了要去挑戰或者取代那些真正專業的口譯同傳們。

會議現場，真正的譯員們在大會現場，在同傳和長交傳領域反復磨煉，才有那種舉重若輕、爐火純青的能力，這種水準，目前任何AI都難以企及。

但技術的意義從來不止于取代。

更重要的是，它讓那些像我一樣普通而平凡的人，因為AI的發展，讓我可以用低廉的價格，打破語言障礙，這是一個非常棒的事。

不再局限于語言的高墻，讓每個人都能在更平等、更自由的條件下，找到自己想要的答案。

AI本就是為我們每一個人服務的。

它也本身就是個性的。

任何我們覺得不滿意不爽的事情。

你都可以嘗試著，用AI再做一遍。

然后，你就會發現。

一個更廣闊的世界。

以上，既然看到這里了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標?～謝謝你看我的文章，我們，下次再見。

>/ 作者：卡茲克、dongyi

>/ 投稿或爆料，請聯系郵箱：wzglyay@virxact.com