什么是语音到语音翻译？
语音到语音翻译——有时也称为语音翻译或 S2ST——输入一种语言的音频，返回另一种语言的音频。输入是声音，输出也是声音。这正是它与大多数人熟悉的翻译方式的关键区别：后者要输入文字、阅读结果，或者在视频里扫一眼底部的字幕。
一条完整的 S2ST 流程要做三件事：识别说出的词语，翻译其含义，再合成一个新的声音把它们说出来。VoxisLive 连续运行这条链路，所以译文会在原说话人之后几秒落入您的耳中——足够紧凑，让您跟上正在发生的对话、讲座或场景。您的目光可以继续停留在游戏画面、幻灯片或说话的人身上。
为什么听胜于读
字幕是有效的，但它有代价：把视线拉到屏幕底部、解析文字、再收回来——每分钟要重复很多次。在节奏很快的画面里，您会错过视觉内容；在游戏里，您会错过关键时刻；在会议里，您会不再看着说话的人。阅读是叠加在观看之上的第二项任务。
语音翻译去掉了这项任务。您听得懂的语言直接从扬声器传来，而您看到的一切仍然留在眼前——这也正是现场活动让口译员把译文送进听众耳机、而不是在墙上滚动显示文字稿的原因。如果您需要，字幕依然存在：任何会话结束后都可以导出 TXT、SRT 或 VTT 转写记录。它们是一份记录，而不是您在当下依靠的东西。
原生同声传译
VoxisLive 通过 Windows WASAPI 进程环回捕获系统音频——无需虚拟音频线，无需额外驱动，通话中也没有机器人——并排除自身的输出，因此不会翻译它刚刚生成的声音。在 Linux 上，它同样无需驱动：VoxisLive 会按需创建自己的 PipeWire 虚拟输出，并把您要翻译的应用路由到其中。可通过 Snap Store 安装：sudo snap install voxis——Snap Store 提供当前已发布的版本。
捕获到的语音会交给原生同声传译模型：它不会等一句话说完，而是在说话人仍在讲话时就开始翻译，只比说话人慢几秒——这正是人类口译员在会议同传间里的工作方式。这种短暂而稳定的延迟，让输出听起来像是实时的，而不是走走停停。
两种模式
在视频与游戏模式下，翻译是单向的：对方的声音会变成您的语言，原声会被压低，让语音译文清晰地浮在上面。在会议模式下则是双向的：对方被翻译成您的语言，您自己的讲话被翻译成对方的语言并送入虚拟麦克风——参会者名单中不会出现机器人。
VoxisLive 可在 Windows 10、Windows 11 和 Linux 上运行，能以语音播放 79 种目标语言。可从 Microsoft Store 获取，或在应用内使用付费的 BYOK（使用自己的 API 密钥）解锁，配合您自己的 Gemini 或 Qwen 密钥——工作方式请参见 GitHub。
从底层来看，这就是系统音频捕获：VoxisLive 会翻译您的电脑在任何应用中播放的任何内容——请参阅在 Windows 上翻译系统音频。