スピーカーから、数秒で自分の言語へ。

ステップ1 — ドライバー不要の音声キャプチャ

VoxisLive は WASAPI ループバックを使います。画面録画ソフトが「再生中の音」を取り込むのに使うのと同じ、Windows の低レベルなオーディオセッション API です。Windows 標準の機能なので、仮想オーディオケーブルもドライバーのインストールも、オーディオ経路の変更も必要ありません。キャプチャは再生に対する遅延がなく、耳につくノイズも加えません。

他のツールの多くは VB-CABLE のような仮想デバイス経由で音声を流します。そのためドライバーのインストール（管理者権限や再起動が必要なことも多い）が要り、排他モードのオーディオ、ASIO ドライバー、アンチチートと衝突することもあります。VoxisLive は、この種の問題そのものを避けています。

ステップ2 — 端末内での発話検出

アプリは端末内の音声区間検出（VAD）で、発話と無音、環境ノイズ、音楽を分けます。処理はお使いの CPU 上でローカルに行われ、ネットワークを往復しません。人の声と判定された区間だけが翻訳に進むので、遅延が減り、分数の残りも守られます。VAD は VoxisLive 自身が再生する音声も追跡するため、自分の声を再び翻訳してしまうことはありません。

ステップ3 — 1回の処理で行う同時翻訳

発話区間はマルチモーダルなリアルタイムモデルに送られ、認識、翻訳、音声合成が低遅延の1回の処理で行われます。従来のパイプラインの3つの通信（音声認識 → 翻訳 → 音声合成）が1つにまとまります。ブースにいる人間の通訳者のように、話し手がまだ話している間から翻訳を始めます。

ステップ4 — ダッキングしながら音声で再生

翻訳された音声はお使いの出力デバイスから再生され、同時に2つのことが起きます。聴覚心理に基づくダッキングが、翻訳が話している間は元の音声を小さくし（プロの同時通訳と同じ考え方です）、遅延の同期が各翻訳をその発話区間に合わせ続けるので、長いセッションでもずれません。

概要動画を見る — Voxis ができることを8分足らずで

この7:48の概要動画では、Microsoft Store で現在配布されているアプリ全体を紹介します。Voxis が解決する課題、ドライバー不要のキャプチャと同時通訳がどう連携するか、動画・ゲームモード、双方向のミーティングモード、音声と字幕のオプション、履歴と文字起こしのエクスポート、バージョン1.0.93の新機能、無料プランと買い切りの分数パックの仕組みまでを扱います。字幕は23言語で利用できます。

実際のところ、どれくらい速いのですか？

VoxisLive はほぼ同時であって、遅延ゼロではありません。発話の長さやネットワークの遅延によって、元の発話から通常は数秒遅れます。ごく短い断片は、単語単位の粗い翻訳を避けるためにまとめて処理されます。

ボットなしのミーティング

VoxisLive が参加者として通話に入ることはなく、ホスト権限を求めることも、会議アプリに触れることもありません。すでにスピーカーで再生されている音声を読み取るだけなので、他の参加者からは見えず、Zoom、Teams、Google Meet、Webex、Discord のどれでも同じように動作します。双方向モードでは、仮想マイクを通じて自分の発話も会議の言語に翻訳します。

お使いのパソコンから外に出るもの

Store 版アプリでは、音声はモデルへ中継され、セッション終了後に音声が保存されることはありません。端末内の VAD が発話と無音、環境ノイズ、音楽を分けます。有料プランではセッション中ずっと音声が連続して送られ、無料プランでは検出された発話だけが送られます。

動画・ゲームモード — パソコンで流れているものをすべて翻訳

映画、配信、YouTube の動画、セリフのあるゲームに使います。

1. VoxisLive を開き、左のパネルで動画・ゲームを選びます。
2. 自分が聞く言語の欄で、聞きたい言語を選びます。話されている言語を設定する必要はありません。自動で判定されます。
3. 開始を押します。ほかに設定するものはありません。スピーカーからすでに流れている音声を VoxisLive が聞き取り、数秒ほどで翻訳の音声を再生し始めます。

インストールするものも、選ぶ別のオーディオデバイスもありません。VoxisLive はパソコンのシステム音声を直接取り込みます（上の「ドライバー不要の音声キャプチャ」を参照）。

ミーティングモード — Teams、Zoom、Google Meet で伝わり、理解される

ミーティングモードは双方向です。相手の発話はあなたの言語に翻訳されて聞こえ、あなたの声も相手に翻訳して届けたい場合は、相手の言語に翻訳されます。

2つの選択欄はどちらも翻訳先の言語で、話されている言語ではありません。「自分が聞く言語」はあなたの耳に届く言語、「相手が聞く言語」は相手の耳に届く言語を決めます。話されている言語は、双方向とも1文ごとに自動で判定されます。そのため、どの言語に切り替えても、あなたが選んだ言語で相手に届きます。相手が複数の言語を使う場合や、同じ通話で3つの言語が飛び交う場合でも、あなたには自分の言語だけが聞こえます。

1. VoxisLive を開き、左のパネルでミーティングを選びます。自分が聞く言語（聞きたい言語）と相手が聞く言語（相手に聞かせたい言語）を設定します。どちらも、話されている言語を尋ねるものではありません。話されている言語は自動で判定されます。
2. 開始を押します。相手の参加者の発話が、すぐに翻訳されて聞こえます。
3. こちらの声も伝えるには、VoxisLive ではなく会議アプリ側でもう1つ設定が必要です。Teams（または Zoom、Meet）のオーディオ設定を開き、マイクをパソコンにインストール済みの仮想ケーブル（「CABLE Output」などの名前）に設定してください。VoxisLive が仮想ケーブルをインストールすることはなく、すでにあるものを使います。VoxisLive は Windows の既定のマイクを自動で切り替えますが、会議アプリによっては以前に選んだマイクを覚えていて、変更を自動では反映しないものがあります。通話の開始時に一度確認しておいてください。

この最後の手順を省くと、相手の発話は翻訳されて聞こえますが、相手にはあなたの元の声がそのまま届きます。仮想ケーブル自体は Windows では必須です。インストールされていないとミーティングモードは開始せず、セッションを始める前にアプリがそのことをお知らせします。VB-CABLE などの無料のものをインストールして、VoxisLive を再起動してください。Linux ではアプリが独自の仮想マイクを作成します。相手の言葉を理解するだけでよいなら、動画・ゲームモードで追加の設定なしに使えます。

WhatsApp 通話をお使いですか？両方の手順をクリックごとのスクリーンショットで示したWhatsApp 通話のセットアップガイド（図解）をご覧ください。