AudioScript 声稿是一款面向 Windows、macOS 与 Linux 的开源桌面字幕工具，它监听系统正在播放的声音，在本机完成语音识别与中英翻译，再把原文和译文贴成一条悬浮字幕。整个链路不联网也能跑，音频不离开这台机器。

外语内容卡在「听」这一步

听英文播客最容易出的事故是走神三秒，回来就不知道讲到哪儿，只能把进度条往回拖十五秒。看没字幕的外语视频也一样，一句没跟上，暂停、回退、再听一遍。线上会议里对方语速一快，你忙着在脑子里翻译，手上的活就停了。这三件事的共同点是，卡住的不是理解力，而是把声音变成文字的那一小段时间。

AudioScript 声稿处理的就是这一小段时间。它不听麦克风，改听系统正在播放的声音，把外语播客、视频和会议里的语音实时转成原文，再逐句翻成中文，用一条悬浮窗贴在屏幕上。识别和翻译都在这台机器里跑，音频不往外送。

不用虚拟声卡，声音从系统里直接取

抓系统声音在过去是件麻烦事，往往要装一个虚拟声卡驱动，再到系统音频设置里搭一条多输出链路，让声音同时送给扬声器和那个虚拟设备。装完还得记着切回来，忘了电脑就没声音。AudioScript 声稿换了条路：macOS 上走 Core Audio Process Tap，Windows 上走 WASAPI loopback，都是系统自带的能力，戴耳机也照样拾音。

音源给了三种，系统声音、麦克风、两者混合，默认是系统声音。混合模式是为线上会议准备的，对方的声音从系统输出进来，自己的声音从麦克风进来，两边一起转。它还支持只抓指定软件的声音，最多四个，开会时可以把音乐播放器排除在外。

半句就出字，句末才定稿

官网把这套逻辑讲得很直白：真正的瓶颈不是模型，而是延迟预算。所以它不等一整句话说完，识别结果边到边刷，半句先出来，句末再定稿。字幕是追着声音走的，不是听完一段才蹦出一块。切句用 Silero VAD 找自然停顿，中英混说多的时候可以换成 X-ASR 模型，输出带标点和大小写。

悬浮窗上能拧的四个参数

字幕窗固定成两行结构，原文在上，译文在下，同一句话挨着放。字号从 10 到 48 像素，默认 22；背景不透明度默认六成；一次显示六行；流光边框默认打开。只有背景会变透明，文字始终不透明，背景拉到很淡，字也不会跟着糊掉。

锁定之后鼠标完全穿透，也不抢焦点，你在字幕那个位置点一下，点到的是下面的播放器。macOS 上它还做了一件普通置顶做不到的事，把窗口层级提到屏幕保护程序之上，别的应用开全屏视频、全屏会议，字幕照样浮在最上面。

模型随包走，打开就能用

识别用 sherpa-onnx 做流式推理，翻译用 CTranslate2 跑 OPUS-MT。中英双语识别模型 58MB，翻译模型约 164MB，两者都随安装包分发，首次启动不必联网下载。代价是安装包不小，两百兆上下，换来的好处是点开就用，不用先等一堆模型拉完。

首次开始转写要加载一次模型，官方给的数字是 1.25 到 2.2 秒，之后进入流式输出。单句翻译耗时 70 到 77 毫秒，条件是 release 构建、M 系列芯片、beam 取 1，换台老机器会慢一些。需要更多语种时可以另外下模型，识别侧有 Nemotron 3.5 与 Qwen3-ASR，翻译侧有 LMT-60 与 NLLB-200，最后这个只限非商业用途。

许可证

MIT，源码公开，技术栈为 Tauri 2 加 Rust 与 React

版本

0.7.1，2026 年 11 月 12 日发布

平台

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

内置模型

识别 58MB，中英翻译约 164MB，随安装包分发

边界得提前知道

AudioScript 声稿目前只做英语和中文两个方向，而且要手动选。没有自动语种检测，听英文播客选英译中，给外国同事讲中文选中译英，选错了得自己发现。平台方面，macOS 要求 14.2 以上且必须是 Apple 芯片，官方明确不提供 Intel Mac 安装包；Windows 10 以上是一等支持，但独占全屏的游戏盖不住；Linux 算二等支持，GNOME Wayland 下不保证窗口置顶。

转写记录可以导出 Markdown，定稿段落带时间戳，原文和译文成对保留。托盘常驻、关窗不退出、单实例、开机自启这些细节也都有，属于装一次就不用再管的类型。它更适合经常听外语播客、看没字幕的外语片、开跨语言会议的人，也适合想顺手攒一份中英对照文字稿的人。