同步口譯的運作方式，是由一位口譯員同時聆聽、轉換並說出內容，並且比講者慢幾秒——這種刻意的延遲，業界稱為 décalage，或耳語跨度。 口譯員坐在隔音口譯箱內，透過耳機聽取原語，並在講者仍在說話時，將譯語送入麥克風。聽眾選擇一個頻道，就能即時聽到自己的語言。
這就是機制。真正有意思的是，為什麼它這麼難。
如果你看過聯合國會議，曾經好奇耳邊那個聲音怎麼能跟上講者，而它明明不可能已經聽到後面的內容，你的直覺是對的：它其實沒有跟上。它落後了幾秒，而這幾秒每一秒都在發揮作用。這項技術最早大規模應用於 1945 年開庭的紐倫堡審判，自那之後，這個行業花了數十年建立起一整套設備——口譯箱、控制台、轉譯鏈、雙人小組——來支撐一項從外面看起來只是快速說話的工作。
這篇指南會帶你了解講者的嘴到聽眾的耳朵之間究竟發生了什麼：認知鏈、硬體、口譯員為什麼每半小時就要輪替，以及串流 AI 翻譯如何用不同的取捨來處理同樣的問題。如果你正在判斷下一場多語會議需要預約口譯員，還是開一個瀏覽器分頁，最後兩個章節最值得你看。
重點摘要
- 同步口譯把三項任務疊在同一個腦袋裡——聆聽、轉換、說出——所以衡量它的是認知負荷，不是打字速度。
- Décalage 是功能，不是延遲。 口譯員刻意落後講者，才能聽到足夠的句子內容，知道它會往哪裡走。
- 口譯員會以團隊輪替工作，因為長時間持續使用麥克風會降低準確度。全日活動只有一位口譯員的口譯箱，是個警訊。
- 人工口譯和即時 AI 翻譯不是同一種產品。 口譯員輸出的是完成、符合語域的口語；即時轉錄層輸出的是螢幕上的文字，延遲不到一秒，讓你在講者說話時閱讀。
- 真正的選擇很少是「口譯員 vs AI」。 更常見的是「AI vs 什麼都沒有」——大多數實際會議原本就不會請口譯員，因為預約太慢或太貴。
同步口譯到底是什麼
同步口譯，是在原講者持續說話的同時，把口語即時轉換成另一種口語。中間不預設停頓。活動照著自然節奏進行，而口譯則一路伴隨其旁。
有兩個區別可以釐清這個詞大部分的混淆。
同步口譯 vs 逐步口譯
逐步口譯 是輪流進行的。講者先說幾句，停下來，口譯員再把內容說出來——通常會用專門的速記符號。它在逐句層面通常更準確，因為口譯員在表達之前已經聽完整個意思。代價是時間：同樣內容用逐步口譯，整場大約會拉長到原本的兩倍。
同步口譯 則把這段時間拿回來。沒有人需要等待。一場三小時的會議，在六種語言中仍然是三小時。代價是認知負荷：口譯員必須在句子還沒完整到達之前，就先決定譯法。
口譯 vs 翻譯
翻譯是書面的，而且可以修改。你可以起草、重新思考、查資料，再修訂。口譯則是口語的，而且不可逆——一旦從麥克風說出去，就已經成為紀錄。這是理解這個職業最有用的一件事。口譯員不是速度更快的翻譯員；他們是在一種結構上完全不同的工作條件下，執行一項不依賴任何安全網的任務，而翻譯正是靠這些安全網運作的。
同步口譯如何一步一步運作
把流程拆成彼此重疊的階段，就會立刻看出它有多難。以下四件事同時進行，而且都發生在同一句話的不同部分。
1. 聆聽與預測
口譯員接收原語音訊，並開始預測句子會往哪裡走——從語法、從講者的論述結構、從事前閱讀的主題簡報來判斷。預測不是可有可無的。在動詞出現得很晚的語言對中，如果口譯員等到完整語法確定才動作，就永遠追不上。
這也是為什麼口譯員要求準備資料。讀過議程、簡報投影片和術語表的口譯員，預測會更準，而預測正是這份工作的大部分。
2. 承接句子——décalage
口譯員會刻意比講者慢幾秒。延遲太短，就可能先對句子做出判讀，而下一個子句又推翻了這個判讀。延遲太長，工作記憶就會溢出：他們得同時保留兩個尚未解決的句子，而第三個又進來了。
熟練的口譯員會有意識地調整這個間距。當講者的句構很繞時，他們會拉長；當內容可預測時，他們會縮短——數字、姓名和清單幾乎會立刻送出，因為這些是記憶最先丟掉的項目。
3. 重新表述
口譯員轉換的是意思，不是字詞。慣用語、語域與文化框架都會重新包裝給目標聽眾。日本客戶說 ちょっと難しいです，字面上是「那有點困難」。好的口譯員會傳達它在現場實際代表的意思，通常就是委婉的拒絕。逐字翻譯雖然正確，卻沒有用。
4. 說出來——並監控
口譯員一邊把內容送進麥克風，一邊仍持續聆聽進來的音訊，同時也監控自己的輸出是否有錯。最後這個迴路，是在疲勞下最先失效的部分。這也是為什麼口譯箱的聲學條件和乾淨的原始音訊如此重要：如果口譯員得跟糟糕的音源搏鬥，他們就會失去自我修正所需的能力。
想要同樣的效果，但不想預約口譯箱？ MirrorCaption 會在你的會議旁即時串流轉錄與翻譯，支援 50+ 種可選語言。在瀏覽器中開啟 →
口譯箱背後的設備
會議規模的同步口譯，不只是語言問題，也是基礎設施問題。
口譯箱與控制台
口譯員在隔音口譯箱中工作，能清楚看到會場與螢幕——看見講者的手勢和投影片，本身就是輸入的一部分。口譯控制台負責頻道選擇、靜音用的咳嗽鍵、音量，以及轉譯選擇器。口譯箱與設備規格都由已發布的 ISO 標準 規範，之所以存在，正是因為不良聲學條件與狹小口譯箱，會在一整個工作日中明顯降低輸出品質。
轉譯口譯
當沒有口譯員能直接處理某一語言對——例如芬蘭語到韓語——口譯箱就會改用同事的輸出，而不是原始語言。芬蘭語先轉成英語，再由韓語口譯箱根據英語進行口譯。
轉譯解決了原本不可能的人力配置問題，但代價也很明顯：每多一個轉接點，就多一點延遲，也多一次意思偏移的機會。玩過傳話遊戲的人都知道這種失真模式。像 AIIC 這類國際會議口譯員協會，會針對這些情況發布工作標準。
遠端同步口譯
遠端同步口譯（RSI）把口譯箱搬進軟體裡。口譯員在家中或樞紐中心工作，音訊透過網路串流給他們，聽眾則在會議客戶端中選擇頻道，而不是在接收器上操作。例如，Zoom 提供語言口譯功能，讓主持人可以把口譯員指派到自己的音訊頻道——你可以在 Zoom 的支援文件 中查看目前需求，因為可用性取決於主持人的帳號。
RSI 讓口譯變得大幅更容易取得，也讓音訊品質成了每個人的問題：現在，一位參與者如果用的是回音很重的廚房裡那台麥克風很差的筆電，就會拖累通話中每一位口譯員的輸入品質。
Priya 正在協調一場為期兩天的法規工作坊，參與者使用三種語言。她預約了一組口譯員，並在數週前確認口譯箱配置。第一天，一位講者用手機耳機從機場貴賓室連線進來。
口譯員仍然可以工作，但他們現在得把能力花在解碼雜訊音源上，而不是細微語意上。到了下午，Priya 的團隊開始請講者重複數字。不是設定錯誤；只是原始音訊比工作流程假設的還要差。準備資料和乾淨的麥克風，對口譯品質的提升，幾乎勝過下游的任何因素。
為什麼同步口譯員要成對工作
如果你為一場全天活動只預約每種語言一位口譯員，那不是省錢，而是排程錯誤。
這項工作會同時把聆聽、理解、工作記憶、重新表述與語音輸出全壓在一個人身上，而且沒有恢復空檔。輸出品質會隨著麥克風上的時間而下降，而且——這才是危險之處——在口譯員自己察覺之前就已經下降了。自我監控也會跟著其他能力一起退化。
所以口譯員會以團隊方式工作，並定期輪替。休息中的口譯員不會離開；他們會留在口譯箱裡記錄數字和專有名詞、查找術語，並留意可能的問題。口譯箱是一個雙人系統，但同一時間只有一個人會被聽見。
這也是對「為什麼口譯這麼貴」最誠實的答案。你不是預約一位專業人士一天。你預約的是一個團隊、他們的準備時間，通常還包括設備。
人工口譯 vs 即時 AI 翻譯
這兩者經常被拿來比較，但通常比得不好，因為它們產出的東西不同。以下用真正不同的面向來比較。
| 面向 | 人工同步口譯 | 即時 AI 翻譯（MirrorCaption） |
|---|---|---|
| 輸出 | 完成的口語，並依語域調整 | 螢幕上的串流文字，外加可選的語音輸出 |
| 延遲 | 設計上會有幾秒的 décalage | 不到一秒，逐字進行，並隨上下文到來自我修正 |
| 預約 | 提前數天到數週，外加準備資料 | 會議開始時打開瀏覽器分頁即可 |
| 涵蓋語言 | 受限於你能安排到哪些口譯員 | 50+ 種可選語言，可在會中切換 |
| 紀錄 | 若未另外錄製，則是短暫的 | 可搜尋的逐字稿，可匯出，並可與原文並排 |
| 成本 | 每場活動按團隊費率加設備計費 | €99 一次性 Premium，內含 200h 的代管轉錄額度 |
| 適用情境 | 歧義、幽默、政治、刻意含糊 | 音量、成本、可用性，以及原本根本不會安排口譯員的會議 |
注意最重要的那一列：每一欄中的延遲衡量的是不同的東西。口譯員的幾秒鐘，換來的是一個完整、經文化重述的口語句子。即時轉錄層不到一秒的延遲，則是在螢幕上顯示部分文字，並隨著更多上下文到來而逐步定型。直接比較這兩個數字是類別錯誤——它們不是同一種工作單位。
口譯員仍然無可取代的地方，正是語言不只是傳遞資訊的地方。外交上的保留說法、建立在文化典故上的笑話、證人謹慎措辭——這些都需要一位理解現場利害關係的人類。關於這一點的可量化面向，我們在 即時翻譯準確度 指南中有更深入的說明。
即時 AI 翻譯如何以不同方式運作
AI 流程會把口譯員那個單一、重疊的任務，拆解成在不同系統上並行運作的階段。
串流語音轉文字。 音訊持續串流到轉錄引擎，該引擎會逐字輸出部分結果，而不是等到句子結束。這些部分結果會隨著更多上下文到來而修正自己——這和口譯員在腦中進行的自我修正相同，只是被呈現在螢幕上。
具上下文感知的翻譯。 每個片段都會連同前幾個片段作為上下文一起翻譯，因此代名詞與術語能保持一致，而不是每一句都重新歸零。
可選語音輸出。 啟用 Speak Translations 後，MirrorCaption 可以在對話仍進行時，直接用目標語言朗讀你的譯文。你說中文，對方聽到英文，對方用英文回答，而你則閱讀中文。播放可以透過筆電喇叭、配對手機，或——在 Mac 用戶端上——透過虛擬麥克風輸出，讓 Zoom、Meet 或 Teams 把翻譯後的音訊當成麥克風輸入接收。
無需機器人即可擷取。 Meet 模式會在桌面版 Chrome 或 Microsoft Edge 中擷取會議分頁的音訊，因此不會有任何機器人以參與者身分加入。Talk 模式則使用手機麥克風進行面對面對話，並以單一連續工作階段運作——你只需啟動一次，雙方輪流說話，而不是每一句都按一次按鈕。
Daniel 在柏林負責合作夥伴關係，星期四要和大阪的一家供應商通話。這只是例行確認——原本就不會有人為這場會議預約口譯員，而他過去也只能接受一半細節會流失。
他在第二個分頁打開 MirrorCaption。對話中的日文內容會和英文翻譯一起顯示在旁邊，而對方還在說話時就已經看得到，所以當對方說出來的話聽起來像猶豫而不是同意時，他可以在同一通電話裡直接追問，而不是等到星期五才在逐字稿裡發現。重點不是他取代了口譯員，而是這場會議本來就沒有口譯員。
準備好在真實通話中測試差異了嗎？ 每個帳號都從 1 小時免費開始——不需信用卡，也不會每月重置。免費開始 →
如何在口譯員與即時 AI 翻譯之間做選擇
只要先說清楚利害關係，決策通常就很直接。
在以下情況預約人工同步口譯： 當字句具有法律或醫療後果、誤解代價高昂或無法挽回、場合正式到機器讀法不合適，或必須有人對譯文負責時。外交、法庭程序、受監管的醫療同意、董事會層級談判。我們關於 瀏覽器中的醫療口譯 頁面，明確說明了專業界線在哪裡。
在以下情況使用即時 AI 翻譯： 當會議屬於那些原本就會以房間裡某個人只聽得懂一半的語言進行的場合：例行站立會、供應商通話、客服、演講、訪談、旅行中的面對面對話。也包括你之後需要可搜尋紀錄的情況，而短暫的口譯無法提供這一點——關於這個差異，請見 即時字幕 vs 逐字稿。
兩者都用在以下情況： 活動本身有口譯，但參與者仍想要可搜尋、可引用、可分享的文字。口譯與即時字幕並不互斥，而對於 分散式多語團隊 來說，兩者結合通常比單獨使用任何一種都更有效。
常見問題
同步口譯和逐步口譯有什麼不同？
同步口譯是在講者還在說話時進行，所以活動維持正常速度。逐步口譯則是在空檔中進行：講者停下來，口譯員說出內容，講者再繼續。逐步口譯在逐句層面更準確，但會讓整場時間大約加倍。
同步口譯員會落後講者多遠？
大約幾秒，而且這個間距是刻意的。這稱為 décalage，或耳語跨度。口譯員需要先聽到足夠的句子，才能知道它會往哪裡走，再決定如何表達——太短就會猜錯，太長則工作記憶會溢出。
為什麼同步口譯員要成對工作？
因為這項工作會同時把聆聽、理解、記憶與語音輸出壓在一個人身上，而且長時間持續使用麥克風會讓品質下降。口譯員會以團隊方式工作並定期輪替，休息中的搭檔則留在口譯箱裡支援正在工作的那位。
AI 可以取代同步口譯員嗎？
在外交、法庭或受監管醫療同意這類高風險場合，不能，因為責任與法律風險很重要。但對於更大量、日常、原本就不會請口譯員的會議，AI 確實取代了口譯員，因為請真人太慢或太貴。
同步口譯需要特殊設備嗎？
如果是現場人工口譯，需要：口譯箱、口譯控制台，以及給聽眾使用的接收器。遠端同步口譯則以軟體平台取代硬體。即時 AI 翻譯則以瀏覽器分頁取代。
如果不聘請口譯員，怎麼在 Zoom 或 Teams 會議中取得即時翻譯？
在通話旁邊另外開一個瀏覽器分頁中的 MirrorCaption。Meet 模式會在桌面版 Chrome 或 Microsoft Edge 中擷取會議分頁的音訊，並在旁邊串流轉錄與翻譯。沒有機器人加入會議，其他人也不需要安裝任何東西。
結論
同步口譯之所以可行，是因為受過訓練的專業人士會刻意比講者慢幾秒，並利用這段間距同時進行聆聽、預測、重新表述與輸出——全都在口譯箱裡、還有一位搭檔隨時準備接手。décalage 不是要被工程化消除的延遲；它是整個技術所依賴的工作空間。
理解這一點，會改變你評估替代方案的方式。即時轉錄層不是更便宜的口譯員；它是另一種工具，解決的是另一個問題——那些原本根本不會安排口譯員的龐大跨語言會議。對這些情境，MirrorCaption 會把轉錄與翻譯放在你的通話旁，支援 50+ 種可選語言，會議中沒有機器人，也不需要其他參與者安裝任何東西。如果你正在比較各種工具，我們的 2026 會議翻譯工具比較 會把它們並排列出。
當利害關係需要口譯員時，就預約口譯員。其他所有會議，開一個分頁就好。