AirTranslate 開源工具：直接截 Mac 系統音訊做即時雙語字幕，外語影片與跨國會議免裝虛擬聲卡

Facebook Line Messenger Telegram

AirTranslate 是一款 macOS 的開源即時音訊轉寫與翻譯工具（github.com/himomohi/AirTranslate，Apache-2.0 授權，343 顆星，Swift），它會直接抓取 Mac 正在播放的系統音訊，把會議、影片或直播裡的聲音，即時變成疊在畫面上的懸浮雙語字幕，也能同時輸出原文轉寫與翻譯文字。它最有價值的一點，是你不必再把聲音從喇叭放出來、再用麥克風收音，也不必像以前那樣為了截系統音訊去安裝 BlackHole 這類虛擬聲卡、折騰音訊繞路。要先講清楚兩個前提：它要求 macOS 26.0 以上，舊版系統裝不起來；而且它分成 Apple 與 GPT 兩種模式，前者完全在本機跑、後者會把音訊送到 OpenAI，兩者的隱私邊界差很多。

一句話結論：AirTranslate 用蘋果底層的 ScreenCaptureKit 直接截 Mac 系統音訊，省掉虛擬聲卡這層麻煩，把外語影片與跨國會議變成可即時對照的雙語懸浮字幕。預設的 Apple 模式在本機跑、不用 API Key、不花錢；需要更高翻譯品質時再切 GPT 模式、用你自己的 OpenAI Key，但這時音訊會離開你的電腦。它適合常在 Mac 上接觸外語音訊、又不想折騰聲卡的人，但只跑得在 macOS 26.0 以上。

它解決的是「麥克風收音」和「虛擬聲卡」這兩個老問題

在 AirTranslate 之前，想讓 Mac 即時翻譯正在播放的聲音，大概只有兩條不太理想的路。一條是用麥克風去收音，但麥克風收的是喇叭放出來的聲音，會混進環境噪音與多餘反射聲，音質一差，後面的辨識與翻譯就全歪了。另一條是裝 BlackHole 這類虛擬聲卡，把系統音訊在內部繞一圈截下來，技術上可行，但設定過程牽涉到音訊裝置、通道與權限，對多數人來說門檻不低。

AirTranslate 的做法是用蘋果的 ScreenCaptureKit 直接在系統內部抓音訊流，等於跳過了麥克風收音與虛擬聲卡這兩層。實際使用時，你會拿到一個懸浮的字幕視窗，可以邊開會、邊看影片，邊對照原文與翻譯，不必切換視窗，也不必忍受麥克風收音的失真。這個「直接截系統音訊」的能力，是它跟一般 Mac 翻譯工具最根本的差別，前者處理的是你打字進去的文字，它處理的是 Mac 正在發出的聲音。

AirTranslate 官方專案頁首頁，標示 Live captions 與即時翻譯、macOS 26+ 開源、Apple 模式預設與選用的 GPT 模式 — AirTranslate 官方專案頁首頁，主打把 Mac 正在播放的音訊直接轉成即時字幕與翻譯。（圖片來源：AirTranslate 官方專案頁）。

從訊號鏈看就更清楚為什麼這件事重要。麥克風收音等於讓聲音先經過喇叭、穿過空氣、再被麥克風撿起，這一路上每個環節都會掉資訊，環境噪音、風聲、鍵盤聲全都會混進去，辨識率自然跟著下滑。虛擬聲卡雖然能避開這些，卻得在系統裡多建一台虛擬音訊裝置，還要設定哪些應用程式的聲音要繞進去，設定一錯不是沒聲音就是抓不到。AirTranslate 直接從系統那一端截數位音訊流，訊號跟 Mac 實際播放的內容一致，沒有經過空氣與麥克風的耗損，這也是它轉寫品質能比麥克風方案穩的根本原因。

實際用的時候大概是這樣：開一場全英文的跨國視訊會議，對方語速快又帶口音，你打開 AirTranslate、選 Apple 模式，會議一開始螢幕角落就浮出雙語字幕，跟著對方的發言即時更新，你不必切到別的視窗就能抓住重點。這種字幕直接疊在你正在做的事上面的體驗，是它跟傳統翻譯工具很不一樣的地方。

AirTranslate 官方頁面的工作流程 demo 區塊，展示即時字幕與翻譯的實際運作畫面 — 官方頁面的工作流程 demo，呈現 AirTranslate 實際跑出來的即時字幕與翻譯畫面。（圖片來源：AirTranslate 官方專案頁）。

一個工具兩種模式：Apple 本地跑，GPT 上雲端

AirTranslate 把翻譯品質與成本的選擇權交給你，內建兩種工作模式，這也是使用前最該先搞清楚的一個決定。

比較項目	Apple 模式（預設）	GPT 模式
運作方式	呼叫 macOS 內建的語音辨識與翻譯框架	用你自己的 OpenAI API Key，走 OpenAI Realtime 模型
費用	免費	依 OpenAI 用量計費
資料流向	主要在本機處理	音訊會送出到 OpenAI
翻譯品質	基礎夠用，應付一般情境	較能處理長句、口語與專業會議
語言支援	視你 macOS 下載的語言包而定	視 OpenAI 模型支援範圍而定

預設的 Apple 模式是大多數人可以先試的選擇，它完全跑在你這台 Mac 上，不用申請 OpenAI、不花錢，門檻最低。如果你常碰專業外語會議、長段口語，或對流暢度要求更高，再切到 GPT 模式，填入自己的 OpenAI API Key。這把 Key 會存進 macOS 的鑰匙串，不會被寫死在程式裡或跟著安裝包到處跑，但只要開了 GPT 模式，音訊就會經過 OpenAI 的伺服器，相對應的呼叫成本與資料流向也得自己承擔。所以選哪個模式，本質上是在「免費、隱私留在本機、品質基礎」與「付費、音訊上雲、品質較好」之間取捨。

AirTranslate 官方頁面的處理模式區塊，呈現 Apple 模式與 GPT 模式的差異 — 官方頁面的模式區塊，對照 Apple 模式（本機、預設）與 GPT 模式（選用、上雲）的差別。（圖片來源：AirTranslate 官方專案頁）。

隱私這條線，開 GPT 模式前要想清楚

延續上一段，模式選擇其實直接決定了你的音訊會流到哪裡，而這件事在會議場景特別敏感。Apple 模式偏向本機處理，聲音大致不出你的電腦；GPT 模式則因為要呼叫 OpenAI，會議裡的語音內容會離開你的裝置，交給第三方處理。

GPT 模式可以用，但邊界要先想清楚。如果會議涉及公司機密或客戶資料，開 GPT 模式前先確認這段音訊適合讓它經過 OpenAI，以及對方的資料政策符合你的合規要求。相對來說，如果只是看一段公開的英文教學影片或聽一集外語播客，用 GPT 模式換更好的翻譯就沒什麼好顧慮。把「這段音訊能不能上雲」當成開 GPT 模式前的固定檢查，會比單純追求翻譯品質更穩當。

AirTranslate 官方頁面的隱私區塊，說明不內嵌 API Key、Keychain 儲存與純文字歷史紀錄 — 官方頁面的隱私區塊，強調不內嵌 API Key、Keychain 儲存與純文字歷史紀錄等資料處理方式。（圖片來源：AirTranslate 官方專案頁）。

用之前先建立的兩個預期：能不能用，以及用得多好

AirTranslate 用起來省事，但要先花點時間把權限和預期設好，有兩件事先搞清楚會順很多。

能不能用，取決於系統版本與第一次的權限。它只跑在 macOS 26.0 以上，因為它呼叫的音訊擷取與語音辨識 API 是蘋果在較新系統才開放的，舊版系統連這些 API 都叫不起來，先確認系統版本再裝會比較實際。第一次執行時，系統會陸續要求螢幕錄製、系統音訊錄製與語音辨識三項權限；其中螢幕錄製會跳提示，是因為音訊擷取走的是 ScreenCaptureKit 這個管道，過程中不會真的產生畫面錄製檔，但那道授權彈窗第一次就是會出現，照常授予即可。

用得多好，取決於你對翻譯品質的預期。即時轉寫的本質限制還在：音訊品質、語速和口音都會影響準確率，日常閒聊跟得上有餘，但遇到專有名詞密集的技術簡報、口音重或多人同時發言的場合，字幕出現偏差是常態。它適合用來快速抓大意，沒辦法當成逐字稿，把這個期待設對，才不會用得失望。

至於什麼時候值得從 Apple 模式升到 GPT 模式，一個簡單的判斷是看「聽不懂的成本有多高」。如果只是一般教學影片或播客，Apple 模式抓到大意通常就夠了，沒必要為了幾個百分點的翻譯品質去付 API 費用、還把音訊送上雲。但如果是客戶會議、技術評審這種聽漏一句可能就誤判需求的場合，用 GPT 模式換更可靠的長句與口語翻譯，那點 API 成本通常划算，前提是這段音訊本來就能讓它離開你的電腦。

適合誰，不適合誰

AirTranslate 真正幫得上忙的，是那種「聽漏一句成本很高」、或臨時需要救火的人。例如每天要跟海外團隊開 standup 的開發者，在 Twitch 或 YouTube 上追海外技術直播、想即時看懂重點的人，或是臨時收到一支需要盡快消化的外語授課影片的學生。它平常不必掛著，屬於需要時才叫出來的即時輔助；真碰上聽不懂、又懶得為了一支影片去架虛擬聲卡的時候，它的價值最明顯，省下的就是那一段設定與收音折騰。

它不適合兩種情況。一是你的 Mac 還在舊版系統、升不上 macOS 26.0，那這工具直接與你無緣。二是你要的根本不是音訊翻譯：把現成的影片檔加上字幕檔，比較接近 MioSub 這類做影片字幕的工具；把畫面上的文字原地翻譯，是 WinLens 那種螢幕覆蓋翻譯；把自己打字進去的段落翻成別的語言，屬於 GPT 翻譯工具的範疇；想把說出口的話直接轉成文字輸入到文件，則是 OpenLess 那類語音輸入工具。AirTranslate 處理的是「Mac 正在播放的聲音」，這個邊界畫清楚，才不會用錯地方。