实时翻译字幕是从正在播放的音频中生成，并在说话者仍在讲话时完成翻译的字幕。 它们会在屏幕上显示几秒钟，然后消失。这与 SRT 或 WebVTT 这类字幕文件正好相反；后者是已经完成的成品：一组与已有录制内容对齐的带时间码提示列表。
这两者经常被当成同一种产品，所以关于这个话题的很多建议都毫无用处。搜索实时翻译字幕时，你大多会被导向字幕编辑器：那类工具需要你上传视频文件、先做一遍转写，再花掉你下午的二十分钟。软件很好，问题不对。没人会把文件上传到一场正在进行的视频通话里。
本指南会讲清楚实时生成字幕到底是什么、它不能做什么、互联网上其他内容都跳过的那个场景，以及如何在几分钟内把它跑在浏览器标签页里。如果你想跳过理论部分，可以在浏览器中打开 MirrorCaption，然后把它指向一个标签页。
要点总结
- 实时翻译字幕不会生成文件。 没有可下载的 SRT，因为没有可供对齐提示的最终录制内容。你得到的是持续滚动的文本，之后可以导出转写稿。
- 标签页音频捕获才是关键机制。 浏览器可以通过标准的 getDisplayMedia API，把另一个标签页的音频交给某个页面，这正是让你能够为自己无法控制的流做字幕的原因。
- 最被忽视的场景是参与者，而不是主持人。 如果你在看直播、网络研讨会或广播，任何平台原生字幕功能都依赖别人先把它打开。
- 平台内置翻译确实存在，但有条件限制。 Zoom Translated Captions、Microsoft Teams live translated captions 和 Google Meet translated captions 都存在，而且都取决于主持人的套餐等级和管理员设置。
- MirrorCaption 可从浏览器标签页运行 60+ 种可选语言，提供 1 小时免费试用，并有一次性 99 euro 的 Premium 套餐，包含 200 小时托管转写额度。
实时翻译字幕到底是什么
从传统意义上说，字幕是一种带时间的成品。W3C WebVTT 规范把 cue 定义为绑定到开始时间和结束时间的文本，并以媒体文件的时间线为参照。这个定义默认媒体已经完成。你不能把 cue 绑定到一个还没发生的时间线上。
所以“实时字幕”严格来说是个矛盾说法。人们搜索它时真正想要的是：屏幕上、用我的语言显示、并且和我此刻听到的内容一致的文字。 那是一个实时流水线，不是一份文档。音频流入，转写引擎输出会随着更多上下文到来而自我修正的部分词语，翻译层把它们改写成目标语言，最后结果会比声音慢半拍地显示在屏幕上。
这个区别不是咬文嚼字。它决定了你能要求什么、不能要求什么。
实时字幕 vs. 容易混淆的三种东西
| 实时翻译字幕 | 字幕文件（SRT / WebVTT） | 直播字幕（同语言） | 配音 / 旁白 | |
|---|---|---|---|---|
| 存在于何时 | 音频播放期间 | 录制完成后 | 音频播放期间 | 录制完成后 |
| 你得到什么 | 第二语言的滚动文本 | 可下载的带时间码文件 | 口语同语言的滚动文本 | 替换音轨 |
| 语言是否变化 | 是，这正是重点 | 是，按文件区分 | 否 | 是 |
| 可分发吗？ | 没有可分发的文件 | 可以，这就是它的全部目的 | 否 | 可以 |
| 最适合 | 在事情发生时理解它 | 发布可访问视频 | 直播音频中的无障碍支持 | 本地化完成的媒体 |
第三列是人们最常混淆的，我们这里不再争论：我们关于直播字幕与转写稿的指南已经把这套术语讲清楚了。
这三类读者里，你是哪一种？
有三种截然不同的人会把这个短语输入搜索框。
- 参与者。 你在看自己无法控制的音频：直播、会议转播、你作为嘉宾参加的网络研讨会。继续往下看，这篇文章主要就是给你的。
- 会议参与者。 你正在通话中，里面有人说的是你不懂的语言。也继续往下看，第三和第四部分就是给你的。
- 需要可交付字幕文件的人。 你想要一个 SRT，附到视频上供别人之后观看。实时工具完全不是这个用途，再聪明也改变不了这一点。请在录制内容上使用专门的字幕编辑器。我们宁愿在第十二段就告诉你，也不想浪费你整个下午。
没人写过的场景：当你无法控制音频时
差距就在这里。几乎每篇关于实时翻译的文章都默认你是主持人。企业字幕供应商想把合同卖给你的活动团队。平台文档会告诉你去找会议组织者。字幕博客会告诉你等录制内容发布。
这些对只是在听的人毫无帮助。而这样的人很常见：工程师在看深圳的硬件发布直播，政策分析师在跟进议会会议，学生旁听客座讲座，投资者在财报电话会上处于纯听模式。
在这些情况下，你既没有权限去改动直播内容，也和运营它的人没有任何关系。你真正拥有的是一个已经在解码音频的浏览器。这就是杠杆。getDisplayMedia API 允许你在每次都经过明确授权提示的情况下，把另一个标签页的音频访问权限授予某个页面。声音在被捕获之前从未离开你机器的音频图；你是在为你已经听到的内容做字幕。
Priya，硬件分析师，正在观看一场日语产品发布直播。 这场直播是公开的，未列出的字幕只有日语，而且没有可发邮件联系的主持人。Priya 在一个 Chrome 标签页里打开直播，在另一个标签页里打开 MirrorCaption，在共享提示出现时选择发布会标签页，并把日语设为英语。
规格参数大约会比演讲者慢半拍地出现在英语里。当某个短语看起来不太对时，她点一下译词，就能看到它来自哪句日语；这在像电池化学名称这类术语被“过度贴心”地翻译时尤其重要。最后，转写稿导出为 Markdown，直接进入团队笔记。
这是一个示例场景，不是客户证言。
这里有两个诚实的限制，因为很多营销文案就是在这里悄悄撒谎。第一，标签页音频捕获是桌面浏览器功能：它可在 Chrome 和 Microsoft Edge 中使用，但移动浏览器不支持。第二，“没有机器人加入会议”是技术层面的说法，不是法律层面的说法。你是否可以转写某个通话，取决于你的司法辖区和雇主政策；在对外部内容按下开始之前，这些问题都值得先得到真正的答案。
想看机制，而不是只读说明？ 在一个标签页里打开直播，在另一个标签页里启动 MirrorCaption，然后在浏览器询问时选择该标签页。首小时免费，无需信用卡。
如何在浏览器标签页上获取实时翻译字幕
设置步骤短到，描述它所花的时间都比实际操作更长。
- 在桌面版 Chrome 或 Edge 中打开音频来源。 例如浏览器里的 Zoom 或 Google Meet 通话、YouTube 直播、网络研讨会播放器、新闻广播，任何会在标签页里播放声音的内容。
- 在第二个标签页中打开 MirrorCaption，并选择 Meet 模式，这是专为捕获会议标签页音频而设计的模式。
- 选择源语言和目标语言。 可选语言超过 60 种，而且语言对是双向的，所以普通话到德语和英语到西班牙语一样可用。
- 当浏览器询问时，授予标签页音频权限。 共享选择器会出现；选择正在播放音频的标签页，并确保音频开关已打开。这个提示由浏览器强制显示，每个会话都会出现。
- 阅读。 在桌面端，原文和译文并排显示；在移动端则上下堆叠，每个说话者都会单独标注。
无需安装、无需浏览器扩展，也没有任何东西作为参与者加入通话。最后这一点，就是它与会议机器人类别的区别：像 Fireflies 这样的工具 需要一个被邀请进会议的助手，而这恰恰是参与者无法安排的。
当对方需要听到，而不是读到时
字幕是一种阅读界面；当只有你自己需要翻译时，这没问题。一旦对话变成双向，这种方式就不够用了。
Speak Translations 负责这一点。它会把你自己的译后语音以目标语言朗读出来，速度足够接近实时，足以让对话继续推进。播放可以通过笔记本扬声器、通过二维码配对的手机（声音从手机发出），或者在 Mac 客户端中通过虚拟麦克风输出，让 Zoom、Meet 和 Teams 把它视为普通输入设备。
Marco，采购人员，正在与深圳的供应商通话。 Marco 说意大利语；供应商说普通话，并且只能读有限的英语。Marco 通过虚拟麦克风路由译后语音，因此供应商在 Zoom 里听到的是普通话，而 Marco 在旁边阅读的是普通话到意大利语的字幕。
真正有用的不是速度，而是时机。第九分钟出现价格异议，第十分钟 Marco 就能在同一通电话里反驳。如果事后只给一份转写稿，它也许会完整记录这条异议，却不会改变任何结果。
这是一个示例场景，不是客户证言。
在手机上，Talk 模式处理面对面的版本。它是一个连续会话，而不是按住说话按钮：你只需启动一次，两个人轮流发言，转写和翻译上下文会贯穿整个交流，而不是每句话后都重置。
对实时翻译质量应有的预期
实时翻译现在确实已经很好，但并不完美；任何告诉你相反内容的页面都在卖东西。它的真实状态大致如下。
部分结果会自我修正。 流式转写会在句子还没结束时先输出词语，然后随着语法关系明确而修订。文本在句中可见地自我改写，说明系统正在正常工作，不是出故障。也正因为如此，在错误时刻截取的实时字幕截图，总会比实际体验看起来更糟。
音频质量压倒一切。 安静房间里一支干净的耳麦麦克风，和一个回声很重、三个人同时说话的会议室里的笔记本扬声器，是完全不同的问题。清晰音频是你能控制的最大杠杆。
习语仍然是机器的弱点。 当日本客户说 ちょっと難しいです 时，翻译器会把它译成“有点困难”，这在语言上没错，但在商业语境里其实是礼貌拒绝。翻译并没有错；错的是理解方式。这正是为什么 MirrorCaption 会把原文和译文并排显示，并允许你点任意译词查看源文。如果你要跨语言谈判，请把一只眼睛放在左栏上。
在清晰语音和支持良好的语言中，预期会有很强的效果；而任何涉及金钱或法律效力的内容，都应当核实。我们在关于实时翻译准确性的文章里对此有更深入的说明。
平台内置选项覆盖了什么
如今每个主流会议平台都提供某种形式的实时翻译，对很多团队来说，这就是正确答案。如果你的组织完全在某个平台内运作，而且主持人有合适的许可证，那么使用现成功能比再加一个工具更好。
- Zoom Translated Captions 会在 Zoom 会议中把语音翻译成另一种语言。可用性取决于账户套餐等级以及主持人是否启用该功能。
- Microsoft Teams live translated captions 在 Teams 内提供同等功能，同样受许可证和租户级管理员设置限制。
- Google Meet translated captions 在 Meet 中覆盖一组语言对，具体取决于所使用的 Workspace 版本。
请查看各供应商当前的官方文档，确认具体语言列表，因为它们会变化，而博客文章里写下的任何数字都会很快过时。不过，结构性限制不会变：
- 它们只在各自平台内有效。 直播、网络研讨会播放器、基于浏览器的广播电台，或面对面交流，按定义都不在范围内。
- 它们依赖别人的套餐。 作为参与者，你无法开启主持人许可证里没有包含的功能。
- 字幕通常是短暂的。 导出能力因套餐而异；滚动文本往往并不属于你。
MirrorCaption 不受这三项限制，因为它捕获的是标签页，而不是与平台集成。工具无关是它的设计目标：使用主持人选择的任何会议工具。如果你要认真比较替代方案，我们关于2026 年最佳会议翻译工具的汇总会并排比较这一类别，包括竞争对手真正更强的地方。
常见问题
我只是观看直播，也能获得实时翻译字幕吗？
可以，只要直播是在你自己机器上的浏览器标签页里播放。标签页音频捕获会读取浏览器已经在播放的声音，并在本地为其生成字幕，因此你不需要广播方开启任何功能。当你是参与者而不是主持人时，这就是标准路径。
我能把实时翻译字幕下载成 SRT 文件吗？
不能以带时间码的 SRT 形式下载。实时字幕是在音频播放时生成的，因此没有任何内容会与已完成的媒体文件对齐。MirrorCaption 会把持续生成的转写稿及其翻译导出为 Markdown 或纯文本。如果你需要可分发的 SRT，请在录制内容上使用字幕工具。
我需要主持人的许可才能为我参加的会议加字幕吗？
没有任何机器人加入会议，所以不需要批准机器人，但这并不等于法律上就可以直接进行。录音和转写规则因国家和雇主而异。在为通话加字幕之前，尤其是外部通话，请先确认当地法律和公司政策。
实时翻译在对话中能双向工作吗？
可以。Talk 模式作为一个连续会话运行，因此双方会在同一段对话中轮流发言，而不是每句话都重新开始。Speak Translations 还可以选择把你的译后语音朗读出来，因此对方听到的是目标语言，而不只是阅读它。
实时翻译字幕要多少钱？
MirrorCaption 为每个账户一次性提供 1 小时免费额度，无需信用卡，也没有每月重置。年度套餐为每年 54.99 euro，包含 100 小时托管转写额度；Premium 为一次性 99 euro，包含 200 小时。额外小时来自 Voice Packs，需单独购买。
结论
实时翻译字幕是一个实时流水线，而不是文档；一旦接受这一点，整个类别就说得通了。没有文件，所以别再找文件了。真正存在的是一种方式：在你此刻听到的音频上，用你真正会说的语言直接阅读它，而不必等待录制完成，也不需要任何人按下开关的许可。
有四点值得带走。实时工具和字幕文件工具解决的是不同问题，把它们混在一起只会浪费时间。标签页音频捕获解锁了平台功能结构上无法触及的参与者场景。Zoom、Teams 和 Meet 的内置翻译只在主持人拥有许可证且你身处该平台内时才有帮助，而 MirrorCaption 更适合：它能跨越这些平台，在 60+ 种语言中跟随你使用。实时翻译在清晰音频上表现强，但仍会漏掉习语，所以当事情很重要时，把原文和译文并排阅读就很关键。
Lena，在里斯本的一家租车公司，与工作人员没有共同语言。 Lena 在手机上打开 Talk 模式，把语言设为葡萄牙语到德语，然后把手机放在两人之间的桌上。一次会话，不需要按住按钮，双方轮流说话，翻译始终跟得上。
和直播以及供应商通话用的是同一条流水线。只是麦克风不同。
这是一个示例场景，不是客户证言。
如果你是参与者、会议中的一方，或者坐在桌子对面、暂时还听不懂对方的人：接下来一小时免费，大约九十秒就能知道它是否能解决你的问题。