让语音处理 更简单

常见问题

我的手机自带实时翻译，为什么还需要 VocalStack？

手机运行的是小型语音模型，必须受限于设备性能和电池。应付简短、清晰的日常句子没问题，但真实语音中真正容易出错的地方就力不从心了：生僻词和人名、同音词（如“their”和“there”、“sail”和“sale”）、专业术语、口音、多人同时说话以及背景噪音。模型只能猜，翻译建立在猜测之上，而现场没有人能看出它错了。

VocalStack 运行在服务器上，因此使用完整规模的模型，每一句在识别后都会结合上下文进行核对。事先上传讲稿或幻灯片，其中的人名和术语会优先于误听的内容。如果仍有错误，您可以在直播过程中修正该句，每位听众都会看到更正。

此外，手机听到的是整个房间而非讲者，而且只为一个人翻译，所以五十部手机会得出五十份不同的转录文本。VocalStack 直接从调音台、直播流或麦克风获取音频，只转录一次讲者的话，每个人都用自己的语言阅读或收听同样的内容。翻译会用讲者本人的声音朗读，听众听到的是台上的那个人，而不是千篇一律的机器人声音。

是否按听众收费？价格如何计算？

不按听众收费。无论有多少听众、使用何种语言阅读或收听，听众都是免费的。您只需为转录的音频付费，按秒计费，每次转录最少 5 分钟，这就是全部费用：最多 10 种语言的翻译、语音翻译、直播、摘要和导出均已包含。

查看价格和套餐

文件转录和实时转录费率不同，但在所有套餐中都相同；Premium 每月包含 $50 额度。所有套餐功能相同，API 与控制台按相同费率计费。

听众需要什么才能跟读？

一个链接或二维码，加一部手机。无需安装任何东西，也无需注册账户。听众在浏览器中打开链接，选择语言，即可边听边读转录文本。如果更想收听，每句翻译也会被朗读出来。可随时切换语言；已有的转录文本会以新语言重新呈现。

迟到的听众能看到加入前的全部内容，然后继续实时跟进。如果网络中断，恢复连接后页面会自动补齐。

音频必须来自麦克风吗？

不必。实时转录可以接收任意设备上的麦克风、来自 OBS 或直播编码器的 RTMP 信号、YouTube 直播、网络电台，或任何提供音频流的 URL。对于音频流，VocalStack 会自行拉取音频：您这边无需运行任何程序。

一个直播链接可以由多个转录同时提供内容，因此有两个会场的大会，或同时有电台音频流和 YouTube 直播的电台，依然可以共用一个链接。

我能控制谁可以查看转录文本吗？

可以。直播默认公开：持有链接的任何人都能观看。将其设为私密并设置密码后，只有同时获得链接和密码的人才能进入。之后重命名链接，旧链接依然有效。您还可以查看谁在收听、使用哪种语言以及何时加入。

听众听到的是讲者本人的声音还是合成语音？

两者皆可。默认情况下，每位说话人会分配一个性别相符的不同预设语音，让圆桌讨论依然有圆桌的感觉。在讲者许可的情况下，您可以用三十秒音频克隆其声音，之后翻译会以其本人的声音用每种语言朗读。克隆语音还意味着该说话人在今后的录音中会被识别并按姓名标注。您可以为每位说话人分配语音，或将某位静音。

活动结束后会保留什么？

全部保留。录音、含校正和翻译的转录文本以及音频都会存储在您的资料库中。词句定稿后，会自动生成所有语言的标题和摘要。您可以按原样回放，用您的语言搜索所有转录文本，并导出为 SRT 字幕、PDF、Excel 或 JSON。

我能把这些功能集成到自己的产品中吗？

可以。控制台的所有功能都可以通过 API 使用，费率相同：基于 WebSocket 的实时转录、带直播的实时转录、翻译与语音翻译、文件和链接任务，以及 MCP 服务器。另附官方 TypeScript 和 Python SDK。听众可以在您自己的应用中通过分享码订阅录音，无需 API 密钥。