多说话人实时翻译一次完成两项工作：它会标记房间里的每个声音，并在大家还在说话时把每一轮发言翻译成你的语言。 MirrorCaption 在浏览器中即可完成这两件事，支持 50+ 可选语言，通话中无需机器人加入。你能在话音刚落时就看到是谁说了什么，而不是等会议结束十分钟后才看到。
想象一个四人通话场景：伦敦一位说英语的 PM、上海一位说普通话的开发者、东京一位说日语的客户，以及一位在两种语言之间切换的设计师。每个人都在说话。你的转录稿是一整面没有归属的三语文本墙。你知道有人说了重要的话，但不知道是谁说的，也不清楚具体是什么意思。
这正是本指南要填补的空白。没有说话人标签的翻译只能告诉你说了什么。多说话人实时翻译则能实时用你的语言告诉你谁说了这句话。下面我们会介绍它是什么、为什么标签重要、它在 MirrorCaption 中如何工作、这项技术真正的难点在哪里，以及如何在没有机器人的情况下跨平台使用它。
- 多说话人实时翻译把两项工作合并在一起：分离每个声音并翻译每一轮发言，而且是在会议进行中完成，而不是会后。
- 说话人标签能把一面翻译文本墙变成可执行、可引用、可搜索的“谁说了什么”记录。
- MirrorCaption 会将声音标记为 Speaker 1、Speaker 2、Speaker 3（可自由重命名），并在 50+ 种语言中把原文与译文并排显示，通话中无需机器人。
- 严重的交叉说话和几乎相同的声音对任何实时系统都很难；分开的麦克风和干净的会议标签页音频帮助最大。
- Premium 价格为 99 euros one-time（一次付费，无需订阅），包含 200 小时托管转录额度以及所有未来更新。
什么是多说话人实时翻译？
多说话人实时翻译是一种实时系统，它会在大家还在说话时，分离并标记对话中的每个声音，并把每一轮发言翻译成你选择的语言。它把说话人检测和翻译这两项任务合并成一条实时流，让你能够跟上正在发生的多语言、多参与者对话。
大多数工具只把其中一半做好。平台字幕会翻译，但很少能在不同语言之间清晰地标注每一轮发言。开发者转录工具能分离声音，但通常是对上传录音处理，先英文，且是事后完成。把标签、翻译和通话中这三件事合在一起，几乎没人真正解决。如果你想更全面地了解这个类别，我们整理的 最佳实时会议翻译工具 综述涵盖了整个领域。
说话人标签 vs. 说话人分离
你会看到这两个术语被宽泛地使用。说话人分离是按“谁在什么时候说话”来划分音频的技术过程，NIST 的 Rich Transcription evaluations 对此有相关说明。说话人标签则是面向人的结果：你真正会读到的标签，比如 Speaker 1 和 Speaker 2，你还可以把它们重命名为“Priya”或“Kenji”。
分离是引擎，标签是仪表盘。对于会议来说，你关心的是仪表盘：一份清晰、可读、带归属且已翻译的每轮发言记录。W3C 关于字幕的 指导 也指出，为字幕添加说话人身份是无障碍最佳实践之一，因为有些观众不能只靠声音来区分不同的人。
为什么在翻译会议时说话人标签很重要
在单语言会议中，你通常可以自己分辨不同的声音。但在多语言会议里，你已经在花精力阅读翻译内容，所以归属信息最容易被忽略。而这恰恰是它最重要的时候。
标签会改变三件事。第一，决策：知道是谁提出异议，就能知道该回应谁的顾虑，以及它有多大分量。第二，可搜索记录：一份“谁说了什么”的转录稿能让你直接跳到“客户对时间表说过的所有内容”。第三，清晰交接：跨境销售和法务团队需要逐字、带归属的引语，而不是被改写得模糊不清的内容。
没有归属信息的翻译转录稿有什么问题
下面就是为什么没有标签的转录稿在实际中会失效。假设 Speaker 2 说普通话，提到价格是个问题，而 Speaker 3 正在同时结束一句关于时间表的英文句子。在平铺式转录稿里，这两行会叠在一起，价格担忧看起来像是来自那个在谈日期的人。
有了标签，同一时刻就会清楚得多：
Translation: 我们还需要再讨论这个价格。
现在，价格方面的顾虑就明确归属于提出它的人，你也可以把正确的问题回应给正确的人。这里的归属信息不是锦上添花，它会改变你接下来要说什么。
MirrorCaption 中的多说话人实时翻译如何工作
MirrorCaption 作为网页应用运行，因此无需安装客户端，也无需批准会议机器人。多说话人通话的流程很简单：
- 在桌面版 Chrome 或 Microsoft Edge 中打开 MirrorCaption，并启动 Meet 模式。
- 共享会议标签页，让 MirrorCaption 捕获通话音频（以及你自己的麦克风）。
- 说话人检测会分离不同声音，并标记为 Speaker 1、Speaker 2、Speaker 3。
- 每一轮发言都会以原文和你所选语言的译文并排显示。
- 将说话人重命名为真实姓名，然后搜索、导出或总结转录稿。
自动说话人检测（Speaker 1、Speaker 2，可重命名）
实时转录层会识别不同的声音并自动加上标签。你无需提前标记任何人。当你认出某个声音时，点击标签并重命名，这个名字会应用到整份转录稿中。从那时起，这个人的每一轮发言都会按姓名归属。
原文与译文并排显示，按说话人分开
MirrorCaption 会把原文和译文放在一起，而不是用译文替换原文，因此细微含义不会丢失。以经典的双语例子来说：一位日本客户说「ちょっと難しいです」。直译是“有点困难”，语言上没错，但在商务语境里其实是委婉的拒绝。因为原文紧挨着译文，你可以点按任意词查看原文，并准确判断语境。想了解这些翻译有多忠实，可查看我们关于 实时翻译准确度 的说明。
可选的 Speak Translations，用不同语言直接开口回应
只读文字有时还不够。借助 Speak Translations，MirrorCaption 可以按接近实时的节奏，用目标语言朗读你的译文。你说英语，对方听到日语；你说普通话，对方听到英语。音频可以通过笔记本扬声器、配对的手机扬声器播放，或者在 Mac 客户端中通过虚拟麦克风路由到 Zoom、Meet 或 Teams。这样，带标签的转录稿就变成了真正的双向交流，双方都能继续使用自己的语言说话。
说话人检测在哪些地方会变难（诚实的限制）
没有任何实时系统能在杂乱音频上完美分离声音，如果声称可以，那就是不诚实。有几种情况确实很难。
交叉说话。 当两个人同时说话时，音频会重叠，轮次之间的边界会变得模糊。标签可能会延迟，或者在其中一个声音结束前被合并。
近似相同的声音。 两位说话人如果音高和口音都很相似，而且共用同一个麦克风，软件有时甚至人也很难区分。
糟糕的麦克风设置。 一支笔记本麦克风去收整个会议室的声音，能提供给检测器的信息远少于分开的设备。
实际中最有帮助的是：尽量让每个人说完再接话，能用分开的麦克风就用分开的麦克风，并依赖干净的会议标签页音频，而不是房间麦克风。这些条件同样能提升任何工具的准确度，我们的 多语言转录指南 里对此有更详细的说明。
跨平台多说话人翻译，无需机器人
因为 MirrorCaption 捕获的是浏览器音频，而不是加入会议，所以它可以与主持人已经选择的工具并行工作。在桌面版 Chrome 或 Edge 中，Meet 模式可捕获基于浏览器的 Zoom、Microsoft Teams、Google Meet 和 Webex 通话的会议标签页。没人需要接受机器人加入，而且会议音频不会存储在服务器上，只有你选择本地保存的转录稿会被保留。
对于面对面、多方参与的对话，手机上的 Talk 模式会作为一个连续会话运行。你只需启动一次，然后让大家轮流发言；它不是按住说话，也不会在每句话后重置。这使它适合围桌讨论，而不只是单句短语查询。
下面是针对“实时标记声音并翻译每轮发言”这一特定任务，各种常见方案的对比：
| 方案 | 说话人标签 | 实时翻译 | 通话中 | 无需机器人 | 语言 |
|---|---|---|---|---|---|
| 平台原生字幕（Zoom、Teams、Meet） | 因平台而异 | 通常受套餐限制 | 是，在字幕中 | 内置，但仅限该平台 | 由供应商和套餐决定 |
| STT / diarization APIs（开发者工具） | 是，效果强 | 因提供商而异 | 实时或会后处理，取决于实现 | 不适用，需要代码 | 因提供商和模型而异 |
| MirrorCaption | 是，自动且可重命名 | 是，并排显示 | 是，按说话时同步显示 | 是，浏览器标签页捕获 | 50+ 可选 |
重点不是说其他工具不好。平台字幕在各自生态内很方便，而 diarization APIs 对构建自定义流程非常出色。MirrorCaption 填补的是这样一个特定空白：在你团队使用的任何基于浏览器的工具中，实时提供带标签、已翻译的每轮发言。
真正能体现价值的现实场景
以下内容为示意性工作流，不是客户证言。
多语言全员大会。 想象一个分布式团队：圣保罗的 Maria、深圳的 Wei 和柏林的 Anna 一起参加站会。不是强迫所有人都用英语，而是每个人都能用自己的语言阅读会议内容，并且每一轮发言都有归属。晚加入的人打开实时摘要，读一遍就能跟上。这就是 面向远程团队的实时翻译 的日常场景。
跨境谈判。 想象一次供应商电话会议，供应商一侧有两个人说普通话，买方一侧有两个人说英语。当 Speaker 2 在 Speaker 1 还在谈条款时指出交付风险，标签会把两条线索分开，这样买方就能把回应发给正确的人，而不是答非所问。
多语言课堂。 想象一场在线研讨会，一位说韩语的学生在英语讲座中提问。带标签、已翻译的转录稿能让讲师看清是谁问了什么并准确回应，而学生也能保留一份并排记录，方便之后复习。
常见问题
什么是多说话人实时翻译？
多说话人实时翻译是一种实时系统，它一次完成两项工作：分离并标记对话中的每个声音，同时在大家还在说话时把每一轮发言翻译成你选择的语言，这样你就能在事情发生时看到是谁说了什么。
我可以在没有机器人的情况下翻译有多位说话人的会议吗？
可以。MirrorCaption 运行在你的浏览器标签页中，并在桌面版 Chrome 或 Microsoft Edge 里直接捕获会议音频，因此不会有机器人加入通话。它会在会议进行中标记每个声音并翻译每一轮发言，而且会议音频不会存储在服务器上。
说话人检测是如何区分不同声音的？
说话人检测会分离音频中的不同声音，并将它们标记为 Speaker 1、Speaker 2 等，你可以重命名这些标签。它在清晰音频和分开的麦克风条件下效果最好。严重的交叉说话或几乎相同的声音会让这项工作更难。
对方能听到翻译，而不只是看到文字吗？
可以。Speak Translations 可以按接近实时的节奏，用目标语言朗读你的译文，通过笔记本扬声器、配对的手机扬声器或 Mac 虚拟麦克风播放，这样交流就能继续推进，而不必等待会后转录稿。
多说话人实时翻译支持多少种语言？
MirrorCaption 提供 50+ 种可选语言，支持双向翻译，包括普通话、日语、韩语、西班牙语、法语、德语等。每一轮带标签的发言都会与译文并排显示，你还可以点按任意词查看原文。
结论
多说话人实时翻译是一项组合工作：标记每个声音、翻译每一轮发言，并且在对话仍在进行时同时完成这两件事。单纯翻译只能告诉你说了什么；加上说话人标签才能告诉你是谁说的，而这才是真正让你能够在当下回应、引用和决策的关键。
要实现这一点，请在 Chrome 或 Edge 中使用会议标签页音频，让说话人检测为声音加标签并重命名，然后把原文与译文并排阅读。当只看文字还不够时，开启 Speak Translations，让对方能听到信息并继续对话。至于音频比较杂乱的场景，请记住更干净的麦克风和不急不躁的轮流发言对所有工具都有帮助，我们的工具也不例外。