实时监听系统音频（腾讯会议 PC 版、视频、直播等任意应用的扬声器输出）， 像视频字幕一样边听边出字的转写 + 中英互译工具，可选集成 Gemini Live 实时语音对话。
- 转写：sherpa-onnx 流式识别（Paraformer 中英双语，纯 CPU，无 GPU 依赖）
- 翻译：DeepSeek API（默认）/ 本地 Ollama / 关闭，运行时按 T 键开关译文
- 界面：终端字幕面板（rich）/ 桌面悬浮字幕窗（tkinter，置顶半透明）
- 语音对话：
--talk集成 Gemini Live（按住 F2 说话，松开提交） - 隐私与安全：API Key/URL 零硬编码——首次启动交互询问，保存于
%APPDATA%\RealTimeTranslation\config.yaml（Linux:~/.config/RealTimeTranslation/）；音频全程本地
uv sync
uv run python scripts/download_models.py # 下载 ASR 模型（或手动放置到 models/）依赖：Windows 11、Python ≥ 3.12、uv。
uv run python -m realtime_translation --setup交互式询问 DeepSeek 与 Gemini 的 API 地址与 Key（可回车跳过不用）。
已配置后重新运行可 --setup（force）重配。Key 永不写入代码/README。
# 查看可用音频设备
uv run python -m realtime_translation --list-devices
# 默认运行（自动选取默认输出设备的 loopback）
uv run python -m realtime_translation
# 悬浮字幕窗 + 自己的麦克风
uv run python -m realtime_translation --overlay --mic
# 关闭翻译，仅转写
uv run python -m realtime_translation --translate off
# 启用 Gemini Live 实时语音对话（按住 F2 说话）
uv run python -m realtime_translation --talk| 键 | 功能 |
|---|---|
T |
开关译文显示 |
F2 |
按住说话（仅 --talk） |
Q / Ctrl+C |
退出（自动保存转写） |
| 值 | 说明 |
|---|---|
deepseek |
默认。Key 来自 --setup 配置（或环境变量 DEEPSEEK_API_KEY），~1-2s/句 |
ollama |
本地零外发。需 Ollama 本地模型（如 mttranslate） |
off |
纯转写，不翻译 |
注：本地 Ollama 3B 模型单句翻译实测约 6s（辅助输出会干扰，需 128 token 截断）， 因此默认推荐 DeepSeek。
- 识别：Paraformer 中英双语模型原生支持中英混合（如"这个 model 的 performance 很好"）
- 翻译方向：汉字占比 ≥ 15% 判为中文 → 译英；否则译英 → 译中
- 分段：WASAPI 静音检测（1.2s 静音切段，参数可配置）
src/realtime_translation/
audio_capture.py # WASAPI loopback 采集
asr_engine.py # stream ASR 封装（partial/final 事件）
lang_dir.py # 中英方向检测
translator.py # DeepSeek / Ollama 后端
pipeline.py # 采集→识别→翻译 流水线
ui.py # rich 字幕面板
overlay.py # tkinter 悬浮字幕窗
storage.py # JSONL + Markdown 保存
talk.py # Gemini Live 语音对话（P2T）
credentials.py # 凭据存储（零硬编码）
setup.py # 首次启动交互配置
__main__.py # CLI
- 音频绝不外发（WASAPI loopback 本地采集，sherpa-onnx 本地推理）
- 默认
deepseek后端会把转写文本发送至 DeepSeek 官方 API 进行翻译 --translate off或ollama后端时零外发- API Key/URL 仅存于数据目录配置（
%APPDATA%\RealTimeTranslation\config.yaml）， 不写入代码、不打印、不入 git
- loopback 只捕获扬声器输出（会议中对方的声音）；自己说话需
--mic - 中英混合句的翻译方向采用字符统计规则，边缘情况（专名夹杂）可能误判
- 本地 Ollama 翻译（3B 模型）单句约 6s，实时性不如 DeepSeek
- 本项目为 Windows 专用（WASAPI loopback）
MIT