AudioScript 聲稿 0.7.1 是一套開源桌面字幕工具，跑在 Windows、macOS 與 Linux 上。它不聽麥克風，改聽機器正在播放的聲音，把語音辨識與中英翻譯都留在本機做完，再把原文與譯文疊成一行懸浮字幕。整條鏈路斷網也能走完，音訊不會離開這台電腦。

外語內容真正卡住的是「聽」這一步

聽英文播客最常出的事故，是走神三秒，回來已經接不上，只能把進度條往回拖十五秒。看沒有字幕的外語影片也一樣，一句漏掉就得暫停、倒退、再聽一次。線上會議裡對方語速一快，你忙著在腦子裡翻譯，手邊的事就停住。這三種情況形狀相同：擋住的不是理解力，而是把聲音變成文字的那一小段時間。

AudioScript 聲稿處理的正是那一小段。它把外語播客、影片與會議裡的語音即時轉成原文，逐句翻成中文，再用懸浮窗貼在螢幕上。辨識與翻譯都在這台機器裡跑，音訊不往外送。

不必裝虛擬音效卡，聲音直接向系統取

抓系統聲音在過去是件麻煩事，往往得先裝一個虛擬音效卡驅動，再到系統音效設定裡搭一條多輸出鏈路，讓聲音同時送到喇叭與那個虛擬裝置。裝完還得記著切回來，忘了電腦就沒聲音。AudioScript 聲稿換了條路：macOS 上走 Core Audio Process Tap，Windows 上走 WASAPI loopback，兩者都是系統自帶的能力，戴耳機也照樣收音。

音源給了三種：系統聲音、麥克風、兩者混合，預設是系統聲音。混合模式是為線上會議準備的，對方的聲音從系統輸出進來，自己的聲音從麥克風進來，兩邊一起轉。它還能只抓指定軟體的聲音，最多四個，開會時可以把音樂播放器排除在外。

半句就出字，句末才定稿

官網把這套邏輯講得很直白：真正的瓶頸不是モデル，而是延遲預算。所以它不等一整句話說完，辨識結果邊到邊刷，半句先出來，句末再定稿。字幕是追著聲音走的，不是聽完一段才蹦出一塊。切句用 Silero VAD 找自然停頓，中英混說多的時候可以換成 X-ASR モデル，輸出帶標點與大小寫。

懸浮窗上能調的四個參數

字幕窗固定成兩行結構，原文在上，譯文在下，同一句話緊挨著放。字號從 10 到 48 像素，預設 22；背景不透明度預設六成；一次顯示六行；流光是邊框預設開啟。只有背景會變透明，文字始終不透明，背景拉到很淡，字也不會跟著糊掉。

鎖定之後滑鼠完全穿透，也不搶焦點，你在字幕那個位置點一下，點到的是下面的播放器。macOS 上它還做了一件普通置頂做不到的事，把視窗層級提到螢幕保護程式之上，別的應用開全螢幕影片、全螢幕會議，字幕照樣浮在最上面。

モデル隨安裝包走，打開就能用

辨識用 sherpa-onnx 做串流推論，翻譯用 CTranslate2 跑 OPUS-MT。中英雙語辨識モデル 58MB，翻譯モデル約 164MB，兩者都隨安裝包分發，首次啟動不必連網下載。代價是安裝包不小，兩百兆上下，換來的好處是點開就用，不必先等一堆モデル拉完。

首次開始轉寫要載入一次モデル，官方給的數字是 1.25 到 2.2 秒，之後進入串流輸出。單句翻譯耗時 70 到 77 毫秒，條件是 release 建置、M 系列晶片、beam 取 1，換台老機器會慢一些。需要更多語種時可以另外下載モデル，辨識側有 Nemotron 與 Qwen3-ASR，翻譯側有 LMT-60 與 NLLB-200，最後這個只限非商業用途。

許可證

MIT，原始碼公開，技術堆疊為 Tauri 2 加 Rust 與 React

版本

0.7.1，2026 年 11 月 12 日發布

平台

macOS 14.2 以上且需 Apple 晶片、Windows 10 以上、Ubuntu 24

內建モデル

辨識 58MB，中英翻譯約 164MB，隨安裝包分發

邊界得提前知道

AudioScript 聲稿目前只做英語與中文兩個方向，而且要手動選。沒有自動語種偵測，聽英文播客選英譯中，對外國同事講中文選中譯英，選錯了得自己發現。平台方面，macOS 要求 14.2 以上且必須是 Apple 晶片，官方明確不提供 Intel Mac 安裝包；Windows 10 以上是一等支援，但獨佔全螢幕的遊戲蓋不住；Linux 算二等支援，GNOME Wayland 下不保證視窗置頂。

轉寫紀錄可以匯出 Markdown，定稿段落帶時間戳，原文與譯文成對保留。常駐托盤、關窗不退出、單一實例、開機自啟這些細節也都有，屬於裝一次就不用再管的類型。它更適合經常聽外語播客、看沒有字幕的外語片、開跨語言會議的人，也適合想順手攢一份中英對照文字稿的人。