实时翻译,就是对方还在说话时译文就已经送到你面前:以字幕或语音的形式,延迟几秒,谁都不用停下来等。它既不是魔法,也不是瞬间完成的:背后是一条由三四个环节组成、跑得很快的流水线。第一次试用时让人失望的地方,几乎都能用这一点解释。
有意思的是,现在已经不用专门去找它了:Teams、Zoom、Meet、Chrome、YouTube,甚至 Windows 里都内置了。问题在于每个地方给出的条件都不一样,有些条件恰好把最需要它的人挡在门外。下面依次讲清楚:这个词是什么意思,那几秒钟里发生了什么,它已经在哪些地方可用(附名称和附加条件),以及怎样判断你的情况是否适用。各平台的数据均来自其官方帮助文档,查阅时间为 2026 年 9 月。
一句话总结
- 会议是你们公司的,而且公司付费购买了 Copilot、Workspace 或 Zoom 的附加组件?→ 用平台自带的翻译。
- 你是外部受邀者,或者每周换一个平台?→ 用装在你自己电脑上的程序。
- 只是想看懂浏览器里的视频或播客?→ 用 Chrome 的字幕,免费。
- 想要一份记录说过什么的文档?→ 那就不是实时翻译了,而是转写。
本文目录
“实时”这个说法从哪来,为什么它不等于“瞬间”
这个词并非诞生于翻译领域,而是来自控制系统。在那里,实时系统不是指响应无限快的系统,而是保证在限定时间内做出响应的系统:刹车、警报或自动驾驶,只要按时到达就有效,不必立刻到达。语音翻译沿用的正是这个思路:结果必须在还有用的时候送到。
放到对话里,这个有效时限很短,但不是零。它必须落在一句话说完到轮到你回应之间。所以合理的标准是三到六秒,也正因为如此,对承诺“即时翻译”的人要多留个心眼:要么是算错了,要么是在句子说完之前就把它截断了。
各平台在文档里自己也承认这一点。Google Meet 的帮助说,它的翻译“会有几秒钟的延迟,以确保内容完整”。Microsoft Teams 的帮助提醒,它的代理并未针对“快速交流、频繁打断或多人同时说话”的会议进行优化,因为翻译可能比发言本身还慢。这是他们的原话,不是我们说的。
这几秒钟里到底发生了什么

几乎没人提的是第一步:判断这句话什么时候说完了。系统听到的是连续不断的声音流,它必须押注一个终点。等得太短,就会只译半个意思,随后又自相矛盾;等得太久,你已经在发呆了。决定流畅感的是这个判断,而不是翻译引擎有多强。
与此同时,语音识别会不断给出临时假设,再加以改写。所以很多自动字幕里能看到某个词过一秒自己变了:系统听到了后面的内容,做了修正。
接着是翻译,这里有一个根本性的难题:有些语言没法一段一段地译。德语从句的动词放在句末;日语的否定也在句末。不等到最后一个词,就不知道这句话是肯定还是否定。边听边译的系统最后只能删掉重来,而这在屏幕上看得一清二楚。
最后,如果有语音输出,还要由语音合成把结果读出来。这一步有它自己的耗时,因为说话就得花说话的时间:一句长句不可能在半秒内读完。所以只给字幕的工具总是跑在给语音的工具前面。
一个能改变体验的细节
如果工具允许把原声调低而不是静音,就这样做。一边看字幕或听译文,一边在背景里听到语气、笑声和打断,能补上一半的语境,而且不花任何代价。
实时翻译现在已经能在哪些地方用
以下是 2026 年 9 月的情况,依据各厂商在帮助文档中的说明。官方来源没有确认的内容,这里会直说,而不是靠推测补上。
| 在哪里 | 提供什么 | 谁付费 | 最痛的限制 |
|---|---|---|---|
| 你电脑上的程序 | 任意应用的语音和字幕 | 你自己 | 仅限 Windows |
| Microsoft Teams | 语音(Interpreter 代理)和翻译字幕 | 组织 | 每人每月 20 小时 |
| Zoom | 语音(Voice Translator)和翻译字幕 | 组织 | 语音只有五种语言 |
| Google Meet | 近似你本人声音的语音和字幕 | 组织 | 每场 90 分钟,每场只能一对语言 |
| Chrome | 浏览器中播放内容的字幕 | 无人:免费 | 只限 Chrome 里的音频 |
| YouTube | 翻译字幕和配音音轨 | 无人:免费 | 由视频创作者决定 |
| 聊天中的文字消息 | 无人:免费 | 不支持通话和语音消息 | |
| Windows 11 | 电脑上全部音频的字幕 | 随设备附带,需硬件达标 | 只译成英语或简体中文,不能译成西班牙语 |

1. 整台电脑范围,用一个独立程序
这是唯一不依赖任何别人的路线。桌面程序监听你指定的应用的音频,以悬浮字幕、语音或两者同时的方式输出结果,不管正在播放的是什么:一通电话、一门录播课、一个电台,或是一个现在还不存在的平台。
Traducore 就是这样在 Windows 10 和 11 上工作的。在 Windows 11 上它只捕获你选中的应用,电脑上的其他声音不会混进来。

根据对方的说话方式,它有两种模式:一种更早结束一轮,方便你快速回应;另一种等一句话说完再译,更适合说话不停顿的人。它还能通过一个虚拟麦克风让对方听到你被翻译后的声音,只要在会议平台里把它选为输入设备即可。

它的限制也直说:仅限 Windows,延迟三到六秒,质量随语言对不同而参差,每天免费 15 分钟,无需绑卡;需要更多时间,请看这里公布的套餐。作为交换,它不会往会议里塞任何机器人,其他人什么都不用装,音频和文字也都不会保存。
2. Microsoft Teams
Teams 里有两样不同的东西。Interpreter(口译)代理做语音到语音的翻译,还能“模拟”你的声音;根据帮助文档,它需要 Microsoft Copilot 许可证,包含每人每月 20 小时的口译,超出部分“视可用容量而定”。翻译字幕走的是另一条路:Teams Premium 或 Copilot,只要组织者有,所有人都能看到。
附加条件分量不轻。Interpreter 不能用于临时会议、全员大会、网络研讨会和免费版 Teams 的会议;其他组织的参会者只有通过“已验证的 M365 账户”加入、并持有自己的 Copilot 许可证才能使用:匿名访客一律不行。此外,录制只保留原声,翻译后的转写只在会议期间存在。具体步骤见如何翻译 Teams 会议。
3. Zoom
Zoom 在 2026 年 7 月发布了 Voice Translator。它在会议内做语音到语音的翻译,每个人自己选择说哪种语言、听哪种语言,而且只有使用者本人能看到。它要求 Windows 或 Mac 桌面版 7.0.0 及以上,外加一个付费附加组件,目前支持五种语言:英语、中文、法语、日语和西班牙语。官方博客预告 2026 年底加入葡萄牙语、阿拉伯语、德语和意大利语。
翻译字幕是另一项功能、另一个价格:需要 Business Plus 或 Enterprise 套餐,或者一个附加组件,其价格帮助文档没有公布,只让你去找销售。Zoom 也支持通过音频频道接入人工口译员,需 Pro 及以上套餐,但不能用于即时会议,也不能用个人会议号。详情见如何翻译 Zoom 会议。
4. Google Meet
Meet 的语音翻译会“用与你相似的声音”把你说的话译出来。它包含在 Workspace 的付费版本和 Google 的 AI 套餐中,符合条件的人可以为整场会议开启。它的三个限制就写在帮助里:每场会议 90 分钟,同一时间只能有一对语言,而且其中一边必须是英语,另一边是法语、德语、印地语、意大利语、葡萄牙语或西班牙语之一。
Meet 的翻译字幕是另一款产品,列出了 69 种语言,但只支持“特定组合”,而且是逐步推出的。从硬件会议室加入的人能听到翻译,但他们说的话不会被翻译;该功能在直播和录制中也不可用。Meet 和 WhatsApp 我们在这篇视频通话指南里做了详细拆解。
5. Chrome:浏览器里播放的一切
Chrome 的实时字幕会为浏览器里播放的任何音频生成文字——视频、播客、直播、视频通话——再由实时翻译功能转成另一种语言。免费,不需要账户,支持 Windows、Mac、Linux 和 ChromeOS。
有两点需要知道。第一是范围:只覆盖 Chrome 里的音频,所以 Teams 桌面版里的通话或本地播放器都不在其内。第二是隐私:根据帮助文档,字幕在你的设备上生成且不会离开设备,但一旦开启翻译,这些文字就会发送给 Google。两者不是一回事,处理敏感音频时差别就很重要。
6. YouTube
YouTube 通过两条途径翻译,而两条都不完全由你掌控。字幕菜单里的“自动翻译”选项只有在视频本身已有字幕时才会出现,并会继承原字幕的错误,包括被方括号遮住的词。自动配音会生成其他语言的音轨,但由创作者开启:观众无法自己给视频配音,只能在有音轨的情况下切换。
直播中,自动字幕“仅支持英语”,并且正在逐步开放。完整的操作步骤和常见问题,见这篇 YouTube 视频翻译指南。
7. WhatsApp 和手机
这里要把标题和现实分开看。WhatsApp 翻译的是聊天里的文字消息,在手机本地完成,Android 上六种语言,iPhone 上十九种以上。它不翻译位置、文档、联系人、贴纸和 GIF。对本文主题最重要的一点是:无论帮助文档还是官方博客,都没有提到通话或语音消息的翻译。语音消息转写倒是有,但它是把语音转成同一种语言的文字,而且只支持四种语言。
至于 Google 翻译 App,它确实有对话模式和聆听模式,专为与面前的人交谈而设计。但它的电脑网页版不能连续地边说边译:这是它自己的帮助文档写的。
8. Windows 11,前提是电脑是 Copilot+ PC
Windows 11 的实时字幕能翻译“经过你电脑的任何音频”,全部处理都在设备上完成,不保存任何内容。在读到条件之前一切听起来都很完美:译文只能是英语或简体中文,不能是西班牙语,而且需要运行 Windows 11 24H2 或更高版本的 Copilot+ PC。对中文读者来说,目标语言这一关恰好能过,真正的门槛是硬件。
每个承诺背后到底有多少种语言

语言数量是这个市场里最滑头的数据,不是因为有人撒谎,而是因为每家数的东西都不一样。三个常见陷阱:
- 源语言和目标语言不是同一份清单。一项服务可能听得懂四十种口语、能写一百种文字,或者反过来。对你有用的是具体的语言对,而不是总数。
- 文字和语音也不是一回事。比如 DeepL 宣称字幕支持“40 多种语言”,语音到语音支持三十种;这三十种里,十四种用的是自家语音,其余通过第三方实现。详见这篇对比。
- 清单甚至自相矛盾。Teams 的帮助在用户页面上列出 Interpreter 支持十种语言,在管理员页面上是九种。Zoom 的商业官网说字幕支持 46 种语言,帮助文档给的又是另一份清单。
几乎所有平台都在重复的模式
把这些内置功能并排放在一起,会发现它们比产品页面暗示的要相似得多。五个共同点:
- 由组织付费、由组织开启。参会者几乎没法自己打开,外部受邀者第一个被挡在外面。
- 其中一边通常必须是英语。Meet 明确写了出来。实际使用中,意大利语直接对葡萄牙语极为少见。
- 都有计时器。每月二十小时、每场九十分钟、按语言计分钟。没人白送无限时长。
- 翻译不会留在录制里。Teams 提醒过:录制保留的是原声。Meet 在直播和录制中都不包含翻译。
- 只在自家地盘有效。这些功能都碰不到自家应用以外播放的声音。
从这五点可以得出一条实用规则:如果你的工作总是通过同一个平台进行,公司又付了许可证,内置功能最省事。如果你经常换平台、被外部邀请参会,或者还要看视频和课程,能监听整台电脑的工具更划算。Windows 上的具体选择见这篇电脑程序对比。
无论用哪个工具,路上都会丢掉什么
有些错误与你选哪个工具无关,因为它们源自这条流水线本身。最好提前知道,免得在重要会议中途才发现:
- 人名和缩写。这是最先出错的。Teams 的帮助自己承认:对“人名、性别或专业术语的口译可能不准确”。
- 数字和单位。把“fifteen”听成“fifty”,译出来自然流畅,没有任何提示。如果涉及预算,请让对方把数字写下来。
- 重叠的说话声。两个人同时说话时,识别会把它们融成一句,产出一句谁都没说过的话。
- 性别和语体。Meet 的帮助在可能出现的错误里列出了语法、意外的口音和“性别错误”。
- 反讽和沉默。一句带刺的“真有意思”会被当成夸奖送过来;而尴尬的停顿在谈判里意味深长,却不会被转写。
- 屏幕上写着的东西。幻灯片、标题和共享文档仍是原文:这类工具处理的是声音,不是图像。
如何用二十分钟判断它适不适合你
几乎所有选项都有免费额度或试用,所以可以用自己的数据来做决定,而不是看营销截图。一套行之有效的测试方法:
- 用难的音频,不要用演示。找一段你所在行业的真实讲话,带口音、带行话。演示视频永远是在录音棚录的。
- 测试你确切的语言对。没有哪个工具在所有语言上表现一样;英语对西班牙语很出色,说明不了荷兰语对西班牙语怎么样。
- 给延迟计时。从对方停下到你听懂为止。六秒以内可用;超过六秒,对话就无法进行了。
- 盯住三样具体的东西:一个人名、一个数字、一次两人抢话的时刻。工具之间的真实差距就在这里。
- 换个差麦克风再测一遍。真正要紧的那天,总会有人在车里,或者离笔记本一米远。那才是你真正会遇到的场景。
什么不算实时翻译
这个词值得划清边界,因为它被用得太随意了:
- 给做好的文件加字幕不算。那是对文件的处理,价格和质量都不同,因为系统可以先听完整段再做判断。如果你要的是一份文档,请看如何把音频转成文字。
- 它不是宣誓翻译,也不是会议纪要。这里产出的任何内容都不具法律效力,好几个平台甚至在结束后不保留翻译文本。
- 它不能替代专业口译员。在庭审、谈判或有媒体在场的活动中,你雇的是判断力和责任,而不是速度。
- 它不翻译屏幕。幻灯片或网页上的文字要用其他工具解决。
- 它不保证保密。这取决于音频在哪里处理、保存了什么,需要逐个服务去查。
这项技术与同传箱里的人工口译有什么区别,有哪些形式和工具类型,在这篇关于机器口译的指南里有详细展开。
关于实时翻译的其他问题
如何开启实时翻译?
看在哪里用。在 Teams 中,如果你的组织有许可证,依次进入“更多选项”→“语言和语音”→“Interpreter”。在 Zoom 中,开启附加组件后点“More”→“Voice Translator”。在 Meet 中,从“会议工具”→“语音翻译”进入,由一位使用兼容版本的参会者为所有人开启。在 Chrome 中,路径是“设置”→“无障碍”。在桌面程序里,则是选择你要监听的应用和两种语言。
怎样用人工智能做实时翻译?
这里介绍的所有选项都已经基于 AI 模型:语音识别、机器翻译和语音合成。“AI”这个标签分不出彼此,所以不能当作购买标准。真正能区分它们的是音频从哪里来(会议里的机器人、浏览器扩展,还是本机捕获)、谁需要许可证,以及套餐包含多少分钟。
怎样实时翻译一段对话?
如果对话发生在屏幕上,用平台自带功能,或者用一个能监听该应用的程序;如果还想让对方听到你被翻成另一种语言,就需要双向翻译,而不是哪里都有。如果对方就在你面前,最实用的是手机 App 的对话模式,轮流说话即可。
实时翻译器怎么用?
三个设置决定效果:选对音频来源(具体的应用,而不是整台电脑,以免混进音乐和通知),如果要听译文语音就戴耳机——否则麦克风会把译文收进去再译一遍——以及把原声调低而不是静音,以保留语气和打断。
那么,我们自己用哪一个?
日常工作用电脑上的程序,因为它对会议、录播课和视频一样适用,也不依赖任何人的许可证。客户在 Teams 上组织会议、而且已经付了 Copilot 时,我们就用他们的 Interpreter,省去解释。浏览器里的单个视频,Chrome 字幕就够了,而且免费。如果涉及合同、新闻发布会或庭审,我们会请口译员:那时花钱买的不是几秒延迟,而是有人为说过的话负责。

