同声传译的工作方式是：一名译员同时听、转换并说出来，始终比讲话者慢几秒——这种刻意的延迟在业内称为 décalage，也就是耳语跨度。 译员坐在隔音间里，通过耳机听源语言，同时在讲话者仍在发言时，用麦克风输出目标语言。听众选择一个频道，就能实时听到自己的语言。
这就是它的运作机制。真正有意思的是，为什么它这么难。
如果你看过联合国会议，曾疑惑耳边的声音怎么能跟上一个它不可能已经听到的讲话者，你的直觉是对的：它其实没有跟上。它只是落后了几秒，而这几秒每一秒都在发挥作用。这项技术最早大规模应用于1945年开庭的纽伦堡审判，自那以后，这个行业花了几十年时间围绕这项从外面看像“快速说话”的任务，建立起整套体系——隔音间、控制台、中继链路、双人搭档。
本指南会带你了解讲话者的嘴到听众的耳朵之间究竟发生了什么：认知链路、硬件设备、译员为什么每半小时就要轮换，以及流式 AI 翻译如何用另一套取舍来处理同样的问题。如果你正在决定下一场多语言会议到底需要预订译员，还是打开一个浏览器标签页，最后两部分最值得你关注。
要点总结
- 同声传译把三项任务压缩到一个大脑里同时完成——听、转换、说——所以它衡量的是认知负荷，而不是打字速度。
- décalage 是特性，不是延迟。 译员会刻意落后讲话者一点，好听到足够多的句子内容，判断它将往哪里走。
- 译员以团队形式工作并轮换，因为长时间持续对着麦克风会降低准确性。一个隔音间里只有一名译员，通常是全天活动的危险信号。
- 人工传译和实时 AI 翻译不是同一种产品。 译员输出的是完成度高、语域得体的口语；实时转写层输出的是屏幕上的文字，延迟不到一秒，你在讲话者发言时阅读它。
- 真正的选择很少是“译员 vs AI”。 更常见的是“AI vs 什么都没有”——大多数实际会议从来没请过译员，因为预订太慢或太贵。
同声传译到底是什么
同声传译是：在原讲话者持续发言的同时，把口语实时转换成另一种口语。中间没有预设停顿。活动按自然节奏进行，传译则伴随其旁。
围绕这个术语的大多数混淆，靠两个区分就能理清。
同声传译 vs 交替传译
交替传译按轮次进行。讲话者说几句，停下，译员再进行传达——通常会借助一种专门的速记符号系统。它逐句更准确，因为译员在输出前已经听完整个意思。代价是时间：同样内容的交替传译，时长大约会变成原来的两倍。
同声传译则把这部分时间“买回来”。没人需要等待。一场三小时的会议，在六种语言里仍然是三小时。代价体现在认知上：译员必须在句子还没完整到达之前，就先决定如何表达。
传译 vs 翻译
翻译是书面的，而且可以修改。你可以起草、重新考虑、查资料、再修订。传译是口头的，而且不可逆——一旦从麦克风里说出去，就进入记录。理解这一点，是认识这个职业最有用的一件事。译员不是更快的翻译员；他们是在一种结构上完全不同的工作条件下，完成一项没有任何翻译所依赖安全网的任务。
同声传译如何运作：逐步拆解
把流程拆成几个重叠阶段后，难度就会变得很明显。下面这四个环节其实是同时运行的，只不过分别发生在同一句话的不同部分上。
1. 听辨与预测
译员接收源语言音频，并开始预测句子会往哪里走——根据句法、讲话者的论证结构，以及他们事先阅读过的主题简报。预测不是可选项。在动词出现得很晚的语言对里，如果译员等到语法完全确定才动手，就永远追不上。
这也是为什么译员要求准备材料。读过议程、幻灯片和术语表的译员，预测会更准确，而预测几乎就是这份工作的核心。
2. 承接句子——décalage
译员会刻意比讲话者慢几秒。延迟太短，就会对一句话作出判断，而后面的分句又把这个判断推翻；延迟太长，工作记忆就会溢出：他们手里同时压着两句尚未解决的句子，而第三句又来了。
熟练的译员会有意识地调整这个间隔。遇到结构复杂的讲话时，他们会拉长间隔；遇到内容可预测时，则会压缩间隔——数字、姓名和列表几乎会立刻传出，因为这些内容最容易先从记忆里掉出去。
3. 重新表述
译员转换的是意思，不是字词。习语、语域和文化框架都会被重新塑造，以适配目标听众。比如一位日本客户说 ちょっと難しいです，字面意思是“这有点难”。优秀的译员会传达它在现场真正起到的作用，通常就是一种礼貌的拒绝。逐字翻译在语义上也许准确，但毫无用处。
4. 说出——并监控
译员一边向麦克风输出，一边继续听输入音频，同时还要监控自己的输出是否出错。最后这个回路，是在疲劳状态下最先失效的部分。这也是为什么隔音间的声学条件和干净的源音频如此重要：如果译员还要和糟糕的音频输入搏斗，他们就会失去自我纠错所需的能力。
想要同样的效果，却不想预订隔音间？ MirrorCaption 可在你的会议旁边，以 50+ 种可选语言流式显示转写和翻译。在浏览器中打开 →
隔音间背后的设备
会议级别的同声传译，不只是语言问题，也是基础设施问题。
隔音间与控制台
译员在隔音间内工作，既能清楚看到会场和屏幕——看到讲话者的手势和幻灯片本身就是输入的一部分。译员控制台负责频道选择、静音咳嗽键、音量和中继选择。隔音间和设备规格受公开的 ISO 标准约束，之所以存在这些标准，正是因为糟糕的声学环境和狭小的隔音间会在一个工作日内显著降低输出质量。
中继传译
当没有译员能直接覆盖某一语言对时——比如芬兰语到韩语——隔音间就会先使用同事的输出，而不是原始语言。芬兰语先译成英语，再由韩语隔音间根据英语进行传译。
中继传译解决了原本不可能完成的人员配置问题，但代价也很明显：每多经过一跳，都会增加延迟，也多一次意义发生偏移的机会。玩过“传话游戏”的人都知道这种失真模式。AIIC 等专业机构——即国际会议口译员协会——会发布专门覆盖这些条件的工作标准。
远程同声传译
远程同声传译（RSI）把隔音间搬进了软件里。译员在家中或中心节点工作，音频通过互联网流向他们，听众则在会议客户端里选择频道，而不是在接收器上切换。比如 Zoom 就提供语言传译功能，主持人可以把译员分配到各自的音频频道——你可以在 Zoom 的支持文档中查看当前要求，因为可用性取决于主持人的账户。
RSI 让传译的可及性大幅提升，也让音频质量成了所有人的问题：一个参与者如果用的是糟糕的笔记本麦克风、还坐在混响很重的厨房里，现在就会拖累通话中每一位译员的输入质量。
Priya 正在协调一场为期两天的监管研讨会，参与者使用三种语言。她提前数周预订了译员团队，并确认了隔音间配置。第一天，一位演讲者却用手机耳机从机场休息室接入。
译员仍然可以工作，但他们现在要把精力花在解码嘈杂音频上，而不是细微语义上。到了下午，Priya 的团队开始要求演讲者重复数字。并不是哪里配置错了；只是源音频比工作流程假设的要差。准备材料和干净的麦克风，对传译质量的提升，几乎胜过后续环节中的任何因素。
为什么同声传译要两人搭档工作
如果你为一场全天活动按每种语言只订一名译员，那不是省钱，而是排班失误。
这项工作会把听辨、理解、工作记忆、重新表述和口语输出同时压在一个人身上，而且没有恢复间隙。对着麦克风的时间越长，输出质量就越会下降——而且危险之处在于，译员往往在自己察觉之前就已经开始下降。自我监控能力也会和其他能力一起衰退。
所以译员会以团队形式工作，并按固定间隔轮换。休息中的译员不会离开；他们会留在隔音间里记录数字和专有名词、查找术语，并留意问题。隔音间是一个双人系统，但同一时间只有一个人发声。
这也是对“为什么传译这么贵”的诚实回答。你预订的不是一位专业人士的一整天，而是一支团队、他们的准备时间，以及通常还包括设备。
人工传译 vs 实时 AI 翻译
这两者经常被拿来比较，但通常比较得并不好，因为它们产出的东西不同。下面按真正不同的维度来比较。
| 维度 | 人工同声传译 | 实时 AI 翻译（MirrorCaption） |
|---|---|---|
| 输出 | 完成的口语，语域已调整 | 屏幕上的流式文字，外加可选语音输出 |
| 延迟 | 按设计保留几秒的 décalage | 不到一秒，逐词进行，随着上下文到来自动修正 |
| 预订 | 提前数天到数周，还要准备材料 | 会议开始时打开一个浏览器标签页即可 |
| 覆盖范围 | 受限于你能调配到的译员 | 50+ 种可选语言，可在会话中途切换 |
| 记录 | 除非另行录制，否则转瞬即逝 | 可搜索的转写稿，可导出，并与原文并排显示 |
| 成本 | 按活动收取团队费加设备费 | €99 一次性 Premium，包含 200h 托管转写额度 |
| 适用场景 | 歧义、幽默、政治、刻意含糊 | 音量、成本、可用性，以及原本没人会配译员的会议 |
请注意最关键的一行：每一列中的“延迟”衡量的不是同一件事。译员的几秒钟，换来的是完整、经过文化重塑的口语句子。实时转写层的不到一秒延迟，则是在屏幕上显示部分文本，并随着更多上下文到来而逐步完善。把这两个数字直接比较，是类别错误——它们根本不是同一种工作单位。
译员仍然无可替代的地方，恰恰是语言不只是传递信息的时候。外交上的委婉表达、带有文化典故的笑话、证人谨慎措辞——这些都需要一个理解现场利害关系的人类。我们在 实时翻译准确性指南中，对这一可量化部分做了更深入的说明。
实时 AI 翻译如何以不同方式工作
AI 流水线把译员那项单一的重叠任务，拆解成在不同系统上并行运行的多个阶段。
流式语音转文字。 音频持续流向转写引擎，它会逐词输出部分结果，而不是等到句子结束。随着更多上下文到来，这些部分结果会自行修正——这和译员在脑中进行的自我修正是同一件事，只不过被显示在屏幕上。
上下文感知翻译。 每个片段都会结合前几个片段作为上下文进行翻译，因此代词和术语能保持一致，而不是每一句都重新开始。
可选语音输出。 启用 Speak Translations 后，MirrorCaption 可以在交流仍在进行时，用目标语言朗读你的译文。你说普通话，对方听到英语；他们用英语回答，而你读到普通话。播放可以通过笔记本扬声器、配对手机，或者——在 Mac 客户端上——通过虚拟麦克风输出，让 Zoom、Meet 或 Teams 把翻译后的音频当作麦克风输入接收。
无需机器人即可捕获。 Meet 模式会在桌面版 Chrome 或 Microsoft Edge 中捕获会议标签页的音频，因此不会有任何参与者加入通话。Talk 模式用于面对面交流时，使用手机麦克风，并以一个连续会话运行——你只需启动一次，双方轮流说话，而不是每句话都点一次按钮。
Daniel 在柏林负责合作事务，周四要和大阪的一家供应商通话。这只是一次例行沟通——过去他从来不会为这种会议去请译员，而是默认有一半细节会丢失。
他在第二个标签页里打开了 MirrorCaption。对话中的日语内容会和英文译文一起显示在旁边，而对方还在说话时他就能看到；因此，当对方说出听起来像犹豫而不是同意的话时，他可以在同一通电话里直接追问，而不是等到周五在转写稿里才发现。重点不是他替代了译员，而是这场会议本来就从未有过译员。
准备在真实通话中测试差异了吗？ 每个账户都从 1 个免费小时开始——无需信用卡，无需每月重置。免费开始 →
如何在译员和实时 AI 翻译之间做选择
一旦你明确利害关系，决定通常就很直接。
在以下情况预订人工同声传译： 词语会带来法律或临床后果；误读代价高昂或无法挽回；场合正式到机器朗读会显得不合适；或者必须有人对译文负责。外交、法庭程序、受监管的医疗同意、董事会级谈判。我们关于 浏览器中的医疗传译页面，明确说明了专业边界在哪里。
在以下情况使用实时 AI 翻译： 会议本来就是那种房间里有人只能半懂的语言环境下才会发生的会议：例行站会、供应商电话、客户支持、讲座、访谈、旅行中的面对面交流。或者当你之后需要一份可搜索的记录，而转瞬即逝的传译并不能提供这一点时——关于这一区别，请看 实时字幕 vs 转写稿。
两者都用在以下情况： 活动本身需要传译，但参与者仍希望有可搜索、可引用、可分享的文本。传译和实时字幕并不互斥，而对于 分布式多语言团队来说，两者结合往往比单独使用任一方案更好。
常见问题
同声传译和交替传译有什么区别？
同声传译发生在讲话者仍在发言时，因此活动按正常速度进行。交替传译发生在空档里：讲话者停下，译员传达，讲话者再继续。交替传译逐句更准确，但会让会议时长大约翻倍。
同声传译员会落后讲话者多远？
几秒钟，而且这个间隔是刻意的。这叫 décalage，或耳语跨度。译员需要先听到足够多的句子，才能知道它会往哪里走，再决定如何表达——太短会猜错，太长则工作记忆会溢出。
为什么同声传译员要两人搭档工作？
因为这项工作会把听辨、理解、记忆和口语输出同时压在一个人身上，而且长时间对着麦克风会让质量下降。译员以团队形式工作并按固定间隔轮换，休息中的搭档留在隔音间里支持正在工作的那位。
AI 能替代同声传译员吗？
在外交、法庭或受监管医疗同意这类高风险场景中不能，因为责任和法律后果很重要。但 AI 确实会替代那更大数量的日常会议——这些会议原本就不会请译员，因为请人太慢或太贵。
同声传译需要特殊设备吗？
如果是现场人工传译，需要：隔音间、译员控制台，以及给听众使用的接收器。远程同声传译则用软件平台替代这些硬件。实时 AI 翻译则只需要一个浏览器标签页。
怎样在 Zoom 或 Teams 会议里获得实时翻译，而不用雇译员？
在通话旁边的第二个浏览器标签页中打开 MirrorCaption。Meet 模式会在桌面版 Chrome 或 Microsoft Edge 中捕获会议标签页的音频，并在旁边流式显示转写和翻译。不会有机器人加入会议，其他人也无需安装任何东西。
结论
同声传译之所以有效，是因为受过训练的专业人士会刻意比讲话者慢几秒，并利用这段间隔同时完成听辨、预测、重新表述和输出——在隔音间里、与搭档配合，一次完成。décalage 不是要被工程手段消除的延迟；它正是整套技术赖以存在的工作空间。
理解这一点，会改变你评估替代方案的方式。实时转写层不是“更便宜的译员”；它是另一种工具，解决的是另一类问题——那些数量庞大、原本根本不会配备译员的跨语言会议。对于这些场景，MirrorCaption 会把转写和翻译放在你的通话旁边，支持 50+ 种可选语言，会议中没有机器人，其他参与者也无需安装任何东西。如果你正在比较不同工具，我们的 2026 会议翻译器对比会把它们并排列出。
当场景需要译员时，就预订译员。其他所有会议，打开一个标签页就够了。