即時翻譯字幕是從即時音訊產生、並在說話者仍在說話時同步翻譯的字幕。 它們會在畫面上停留幾秒鐘，然後就消失。這和 SRT 或 WebVTT 這類字幕檔完全相反；後者是已完成的成品：一份與既有錄製內容對齊、帶有時間碼提示的清單。
這兩者經常被當成同一種產品，這也是為什麼這個主題上有那麼多建議都沒什麼用。搜尋即時翻譯字幕時，你多半會被丟給字幕編輯器：那些需要上傳影片檔、跑一次逐字稿、再花你下午二十分鐘的工具。軟體很棒，問題不對。沒有人會把檔案上傳到一場正在進行的視訊通話裡。
這份指南會說明即時產生的字幕到底是什麼、它們做不到什麼、其他網路文章都略過的唯一情境，以及如何在幾分鐘內把它們跑在瀏覽器分頁上。如果你想跳過理論，可以在瀏覽器中開啟 MirrorCaption，然後把它指向某個分頁。
重點摘要
- 即時翻譯字幕不會產生檔案。 沒有可下載的 SRT，因為沒有可供對齊提示的完成錄製內容。你會得到持續顯示的文字，之後也可以匯出逐字稿。
- 分頁音訊擷取才是關鍵機制。 瀏覽器可以透過標準的 getDisplayMedia API，把另一個分頁的音訊交給某個頁面，這正是讓你能替自己無法控制的串流加上字幕的原因。
- 最少被照顧到的情境是觀眾，不是主持人。 如果你在看直播、網路研討會或廣播，每個平台原生的字幕功能都得靠別人先把它打開。
- 內建的平台翻譯確實存在，但有條件限制。 Zoom Translated Captions、Microsoft Teams live translated captions 和 Google Meet translated captions 都有，而且都取決於主持人的方案等級與管理員設定。
- MirrorCaption 可從瀏覽器分頁執行 60+ 種可選語言，提供 1 小時免費試用，並有99 euro 一次性 Premium 方案，內含 200 小時代管轉錄額度。
即時翻譯字幕到底是什麼
傳統意義上的字幕，是一種有時間標記的成品。W3C WebVTT 規範把 cue 定義為與開始時間和結束時間綁定的文字，並以媒體檔的時間軸來表達。這個定義預設媒體已經完成。你不可能把 cue 綁到一條還沒發生的時間軸上。
所以嚴格來說，「即時字幕」本身就是一種矛盾。人們搜尋這個詞時真正想要的是：在我的畫面上、用我的語言、對應我現在正在聽到的內容。 那是一條即時流程，不是一份文件。音訊流進來，轉錄引擎輸出會隨著更多上下文到來而自我修正的部分詞語，翻譯層再把它們改寫成目標語言，最後結果會比聲音慢一拍顯示在畫面上。
這個區別不是吹毛求疵。它決定了你能要求什麼、不能要求什麼。
即時字幕 vs. 容易被混淆的三種東西
| 即時翻譯字幕 | 字幕檔（SRT / WebVTT） | 即時字幕（同語言） | 配音 / 旁白 | |
|---|---|---|---|---|
| 存在時間 | 音訊播放時 | 錄製完成後 | 音訊播放時 | 錄製完成後 |
| 你會得到什麼 | 第二語言的持續文字 | 可下載的時間碼檔案 | 口語語言的持續文字 | 替代音軌 |
| 語言變更 | 有，這就是重點 | 有，每個檔案各自處理 | 沒有 | 有 |
| 可否分發？ | 沒有可分發的檔案 | 可以，這正是它的目的 | 不行 | 可以 |
| 最適合 | 在事情發生時理解內容 | 發布可及性影片 | 即時音訊中的無障礙需求 | 本地化完成的媒體 |
第三欄是大家最常混淆的，我們這裡不再重複爭論：我們關於即時字幕 vs. 逐字稿的指南已經把這個術語問題完整釐清了。
你是這三種讀者中的哪一種？
有三種截然不同的人會把這個詞輸入搜尋框。
- 觀眾。 你正在看一段你無法控制音訊的內容：直播、會議轉播、你只是受邀參加的網路研討會。請繼續看下去，這篇文章主要就是寫給你的。
- 會議參與者。 你正在參加一場通話，裡面有人說你不懂的語言。也請繼續看，第三和第四節就是給你的。
- 需要可交付字幕檔的人。 你想要一個 SRT，附在影片上讓別人之後觀看。即時工具根本不是這個需求該放的架子，再多巧思也改變不了這件事。請直接用專門的字幕編輯器處理錄製檔。我們寧可在第十二段就告訴你這件事，也不想浪費你整個下午。
沒人寫過的情境：當你無法控制音訊時
問題就在這裡。幾乎每一篇談即時翻譯的文章都假設你是主持人。企業字幕服務商想把合約賣給你的活動團隊。平台文件叫你去找會議主辦人。字幕部落格則叫你等錄影上傳。
這些都幫不上只是單純在聽的人。而這種人其實很多：工程師在看深圳的硬體發表直播、政策分析師在追蹤國會會議、學生旁聽客座演講、投資人參加財報電話會議而且明確處於僅聽模式。
在這些情況下，你沒有權限去改變轉播內容，也和負責的人沒有任何關係。你真正擁有的是一個已經在解碼音訊的瀏覽器。這就是關鍵。getDisplayMedia API 讓你可以在每次都經過明確授權提示的情況下，授權某個頁面存取另一個分頁的音訊。聲音在被擷取的過程中不會離開你電腦的音訊圖；你是在替你已經聽到的內容加字幕。
Priya，硬體分析師，正在看一場日文產品發表直播。 轉播是公開的，未列出的字幕只有日文，而且沒有可聯絡的主持人。Priya 在一個 Chrome 分頁開啟直播，在另一個分頁開啟 MirrorCaption，當分享提示出現時選擇發表分頁，並把日文設為英文。
規格數字大約會比主持人晚一拍以英文出現。當某個片語看起來怪怪的時候，她點一下翻譯後的詞，就能看到它原本的日文；當像電池化學名稱這類術語被翻得太「貼心」時，這點就很重要。最後，逐字稿會匯出成 Markdown，直接放進團隊筆記。
這是一個示意情境，不是客戶見證。
有兩個誠實的提醒，因為這正是很多行銷文案悄悄說謊的地方。第一，分頁音訊擷取是桌面瀏覽器功能：它可在 Chrome 和 Microsoft Edge 中使用，但行動瀏覽器不支援。第二，沒有機器人加入會議，這是技術上的說法，不是法律上的說法。你是否可以轉錄某場通話，取決於你的司法管轄區與雇主政策，而在按下任何外部開始鍵之前，這些問題都值得先得到真正的答案。
想直接看機制，而不是只讀說明嗎？ 在一個分頁開啟直播，在另一個分頁啟動 MirrorCaption，然後在瀏覽器詢問時選擇該分頁。第一小時免費，不需信用卡。
如何在瀏覽器分頁上取得即時翻譯字幕
設定步驟短到，描述它所花的時間比實際操作還久。
- 在桌面版 Chrome 或 Edge 中開啟音訊來源。 例如瀏覽器中的 Zoom 或 Google Meet 通話、YouTube 直播、網路研討會播放器、新聞轉播，任何會在分頁中播放聲音的內容。
- 在第二個分頁開啟 MirrorCaption，並選擇 Meet 模式，這是專為擷取會議分頁音訊而設計的模式。
- 選擇來源語言與目標語言。 可選語言超過 60 種，而且語言對是雙向的，所以中文到德文和英文到西班牙文一樣都可以。
- 當瀏覽器要求時，授權分頁音訊。 分享選擇器會出現；選擇正在播放音訊的分頁，並確認音訊切換是開啟的。這個提示由瀏覽器強制執行，而且每次工作階段都會出現。
- 閱讀。 在桌面版上，原文與翻譯會並排顯示；在行動裝置上則上下堆疊，且每個說話者都會分別標示。
不需要安裝、不需要瀏覽器擴充功能，也沒有任何東西會以參與者身分加入通話。最後這一點，就是它和會議機器人類別的差別：像 Fireflies 這類工具 需要一個被邀請進會議的助理，而這正是觀眾無法安排的事。
當對方需要聽到，而不是讀到時
字幕是一種閱讀介面，當只有你需要翻譯時這沒問題。一旦對話變成雙向，這就不夠了。
Speak Translations 就是為此而設。它會把你自己的翻譯語音以目標語言朗讀出來，速度接近即時，足以讓對話持續進行。播放可以透過筆電喇叭、透過以 QR code 配對的手機讓聲音從手機輸出，或者在 Mac 用戶端上，透過一個虛擬麥克風，讓 Zoom、Meet 和 Teams 把它視為一般輸入裝置。
Marco，採購人員，正在與深圳供應商通話。 Marco 說義大利文；供應商說中文，且只能讀懂有限的英文。Marco 透過虛擬麥克風輸出翻譯後的語音，因此供應商透過 Zoom 聽到的是中文，而 Marco 則在旁邊閱讀中文到義大利文的字幕。
真正有用的不是速度，而是時機。到了第九分鐘，價格異議浮現；Marco 可以在第十分鐘、同一通電話裡直接回應。若只是事後交付逐字稿，雖然完整記錄了異議，卻什麼也改變不了。
這是一個示意情境，不是客戶見證。
在手機上，Talk 模式則處理面對面的版本。它是一個連續會話，而不是按住說話按鈕：你只要啟動一次，雙方輪流說話，逐字稿與翻譯上下文會貫穿整個交流，而不是每句話後就重置。
對即時翻譯品質該有什麼期待
即時翻譯現在確實很不錯，但它並不完美；任何告訴你相反說法的頁面，都是在賣東西。以下是它誠實的樣子。
部分結果會自我修正。 串流轉錄會在句子尚未結束前先輸出詞語，然後隨著文法逐漸明朗而修訂。文字在句中明顯自我改寫，代表系統正在正常運作，不是故障。這也是為什麼在錯誤瞬間截到的即時字幕畫面，總是比實際體驗看起來更糟。
音訊品質幾乎決定一切。 安靜房間裡的乾淨耳麥，和三個人互相插話、迴音很重的會議室裡的筆電喇叭，是完全不同的問題。清楚的音訊是你能掌控的最大槓桿。
慣用語仍然是機器會輸的地方。 當日本客戶說 ちょっと難しいです 時，翻譯器會把它譯成「有點困難」，語言上沒錯，但商務上其實是委婉拒絕。翻譯不是錯，解讀才是。這正是為什麼 MirrorCaption 會把原文與翻譯並列，並允許你點選任何翻譯後的詞來顯示來源。若你要跨語言談判，請把左欄也一起看著。
在清楚的語音、且支援良好的語言中，結果通常會很強；但凡牽涉金錢或法律效力的內容，都應該再確認一次。我們在關於即時翻譯準確度的文章裡有更深入的說明。
內建平台選項涵蓋了什麼
現在每個主要的會議平台都提供某種即時翻譯功能，對很多團隊來說，這就是正確答案。如果你的組織完全在同一個平台內運作，而且主持人有正確授權，那麼直接用現成功能通常比再加一個工具更好。
- Zoom Translated Captions 會在 Zoom 會議中把語音翻譯成另一種語言。可用性取決於帳號方案等級，以及主持人是否啟用此功能。
- Microsoft Teams live translated captions 在 Teams 內提供相同功能，同樣受授權與租戶層級管理員設定限制。
- Google Meet translated captions 在 Meet 中支援一組語言對，並受所使用的 Workspace 版本限制。
請查看各供應商最新的官方文件以確認精確的語言清單，因為它們會變動，而部落格文章裡印出的任何數字都很容易過時。不過，結構上的限制是不會變的：
- 它們只在自己的平台內運作。 直播、網路研討會播放器、以瀏覽器為基礎的廣播電台，或面對面對話，從定義上就不在範圍內。
- 它們依賴別人的方案。 作為觀眾，你無法打開主持人授權中沒有包含的功能。
- 字幕通常是暫時性的。 匯出能力依方案而異；持續顯示的文字通常不屬於你可保留的內容。
MirrorCaption 之所以不受這三項限制，是因為它擷取的是分頁，而不是整合平台。工具無關性是設計目標：你可以使用主持人選擇的任何會議工具。如果你想認真比較替代方案，我們整理的2026 年最佳會議翻譯工具會並列比較這個類別，也包含競品真正更強的地方。
常見問題
我只是觀看直播，也能取得即時翻譯字幕嗎？
可以，只要串流是在你自己電腦上的瀏覽器分頁中播放。分頁音訊擷取會讀取瀏覽器已經在播放的聲音，並在本機加上字幕，所以你不需要轉播方啟用任何功能。當你是觀眾而不是主持人時，這就是標準做法。
我可以把即時翻譯字幕下載成 SRT 檔嗎？
不能以帶時間碼的 SRT 形式下載。即時字幕是在音訊播放時產生的，所以不會對齊到完成的媒體檔。MirrorCaption 會把持續進行的逐字稿及其翻譯匯出成 Markdown 或純文字。若你需要可分發的 SRT，請在錄製檔上使用字幕工具。
我需要主持人的許可才能替我參加的會議加字幕嗎？
沒有任何東西會加入會議，所以不需要批准機器人，但這不等於法律上就完全沒問題。錄音與轉錄規則會因國家與雇主而異。在替通話加字幕之前，尤其是外部通話，請先確認當地法律與公司政策。
即時翻譯在對話中能雙向運作嗎？
可以。Talk 模式是一個連續會話，所以雙方會在同一段對話中輪流發言，而不是每句話都重新開始。Speak Translations 也可以選擇性地把你的翻譯語音朗讀出來，因此對方聽到的是目標語言，而不只是閱讀文字。
即時翻譯字幕要多少錢？
MirrorCaption 為每個帳號提供 1 小時一次性的免費額度，無需信用卡，也沒有每月重置。年度方案為每年 54.99 euro，包含 100 小時代管轉錄額度；Premium 為 99 euro 一次性，包含 200 小時。額外時數可透過 Voice Packs 另外購買。
結論
即時翻譯字幕是一條即時流程，不是一份文件；一旦接受這點，整個類別就說得通了。沒有檔案，所以別再找檔案了。真正存在的是一種方式：在你此刻正在聽的音訊上，以你真正懂的語言閱讀內容，不必等錄影，也不需要任何人按下開關的許可。
有四件事值得帶走。即時工具與字幕檔工具解決的是不同問題，把它們混在一起只會浪費時間。分頁音訊擷取正是解鎖觀眾情境的關鍵，而平台功能在結構上無法觸及這一點。Zoom、Teams 和 Meet 的內建翻譯只在主持人有授權、且你仍留在該平台內時才有幫助；相較之下，MirrorCaption 更適合，因為它能以 60+ 種語言跟著你跨平台使用。而且即時翻譯在清楚音訊上表現很強，但對慣用語仍會失手，所以當事情很重要時，原文與翻譯並讀就很關鍵。
Lena，在里斯本的一家租車公司，和櫃檯人員沒有共同語言。 Lena 在手機上開啟 Talk 模式，把語言設為葡萄牙文到德文，然後把手機放在兩人之間的桌上。一次會話，不需要按住按鈕，雙方輪流說話，而翻譯也能跟上。
和直播與供應商通話用的是同一條流程，只是麥克風不同。
這是一個示意情境，不是客戶見證。
如果你是觀眾、參與者，或是坐在桌子對面、還聽不懂對方的人：接下來一小時免費，而且只要大約九十秒就能知道這是否能解決你的問題。