我们如何做出这项功能

为了语音到语音实时翻译，我们已经投入了数年时间。

从创立 JotMe 的第一天起，我们就相信：用自己的母语自然交流，终将成为全球商务中最重要的沟通方式之一。但当时的技术还远远没有准备好。

• 语音生成速度太慢。
• 翻译无法保留上下文。
• 合成的声音生硬、机械。
• 延迟打断了对话的节奏。
• 最关键的是，成本模型根本跑不通。

受限于这些问题，我们一直没有把它大规模推向市场。只有少数几家愿意率先尝试的企业客户与我们一起试验，我们也有幸和他们并肩打磨这项技术。

转折点出现在 2026 年 5 月 8 日——OpenAI 发布了 GPT-Realtime-2。

AI 第一次能够在你还在说话的同时，边听、边思考、边用语音回应。语音交互不再像一个演示 Demo，而开始像一种基础设施。

但要让语音翻译真正成为全球企业日常运转的一部分，还有两个关键问题必须解决。

1. 实时的业务上下文

翻译从来不只是语言问题，本质上是上下文问题。

译者需要知道谁在发言、在讨论哪个项目、内部术语、客户名称、产品名称、过往决策、团队结构等等。

缺少上下文，再好的模型也会出错。要让 AI 在工作场景中有效沟通，它必须能够访问员工每天都在使用的那些业务知识。

2. 音频分发

第二个挑战出人意料地务实：翻译好的语音，究竟要怎么送进会议、活动、网络研讨会、销售电话和客户沟通中？

过去一个月，我们集中解决了这两个问题。今天，我们把成果开放给所有人。

‍

这项技术对全球化企业意味着什么？

过去需要定制化部署、每年至少 5 万美元（$50,000+）合同才能用上的技术，现在任何人都可以直接使用。

但让我们兴奋的，不只是先进技术的平民化。

几十年来，跨语言沟通一直依赖翻译、口译员和层层转达。每一次转手，都会带来延迟、误解和上下文的流失。

我们相信，语音到语音翻译将改变这一切。每个人都可以用自己的语言自然表达，AI 负责实时语音翻译，最大程度保留对话背后的原意。

你可能见过“背后画画”挑战：一个人在另一个人背上作画，后者再凭感觉把它画到纸上。传到最后，纸上的画往往和原作大相径庭——就像传话游戏一样，信息每经过一层就失真一分。

长期以来，跨语言沟通也是同样的运作方式。而现在，我们第一次开始拆掉这些“中间层”。

‍

为什么选择 JotMe 的语音到语音实时翻译？

JotMe 为工作对话而生。在工作场景里，AI 需要的不只是字面意思，而是业务上下文：产品名称、客户名称、项目历史、团队术语、以往的会议记录。这些上下文帮助翻译在对话进行的同时保住商业含义，让 AI 语音翻译对实际工作真正有用、也更自然。

JotMe 同样不挑平台。无论对话发生在 Zoom、Google Meet、Microsoft Teams，还是活动现场、教室或面对面场景，JotMe 桌面应用都能支持整个流程。它支持 100 多种语音输入语言，以及 13 种语音输出语言：中文（简体）、英语、法语、德语、印地语、印尼语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语和越南语。

即便在语音到语音翻译进行中，JotMe 仍会同步显示实时转写和文字翻译。会议结束后，转写记录会与 AI 会议纪要一起保存，让每一场对话都沉淀为团队可搜索、可回顾、可持续积累的多语言知识库。

‍

‍

如何使用语音到语音翻译

JotMe 的语音到语音翻译是一个桌面端工作流，因为它需要实时采集音频、路由翻译后的语音，并即时播放 AI 语音。在产品中，这项功能位于语音到语音 AI 翻译（Speech-to-Speech AI Translation）菜单内。

使用前，请先在口语语言（Spoken Language）中选择快速（音频）模式（Fast (Audio)），再选择一种快速翻译语言（Fast Translation Language），然后回到 Speech-to-Speech 菜单。

语音翻译可以识别多种口语输入，但翻译后的语音输出目前支持：

中文（简体）、英语、法语、德语、印地语、印尼语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语和越南语。

模式一：在线会议（Online Meeting）

当翻译语音需要进入 Zoom、Google Meet、Microsoft Teams、WhatsApp、网络研讨会、销售电话、客户通话、面试或内部会议时，请使用在线会议（Online Meeting）模式。

在线会议支持三种翻译方向。

双向（Two-Way）

当双方都需要语音翻译时使用。

• 你会以自己选择的语言听到对方发言。
• 对方会以他选择的语言听到你的发言。
• JotMe 会将传入的会议音频与翻译后的外发语音分开路由。
• 最适合双语会议、客户通话、商务谈判、培训、面试和支持电话。

在 Mac 上，双向模式需要 BlackHole 2ch 和 BlackHole 16ch：会议扬声器通过 BlackHole 2ch 路由，会议麦克风通过 BlackHole 16ch 路由。

在 Windows 上，双向模式使用 VB-CABLE 和 Virtual Audio Cable Line 1。请按照应用内的设置指引操作，JotMe 会针对所选模式显示正确的设备。

仅收听（Listening Only）

只需要听到翻译语音时使用。

• JotMe 采集会议或系统音频。
• 翻译语音通过你的耳机或扬声器播放。
• 你的麦克风音频不会被转写或翻译。

在 Mac 上，此模式使用 BlackHole 2ch 采集音频；在 Windows 上使用 VB-CABLE 采集设备。

仅发言（Speaking Only）

想用自己的语言发言、让对方听到翻译语音时使用。

• JotMe 采集你的麦克风音频。
• JotMe 将翻译后的语音送入会议应用。
• 其他参会者的音频不会被转写或翻译。

在 Mac 上，请把会议应用的麦克风设为 BlackHole 2ch；在 Windows 上设为 CABLE Output（VB-Audio Virtual Cable）。

如果所需的虚拟音频驱动尚未安装，模式开关和开始按钮会保持禁用状态，直到检测到设备为止。安装完成后请重启电脑。

模式二：其他（Other）

当音频不经过会议应用时，请使用“其他（Other）”模式。

麦克风音频

适用于：

• 面对面交流
• 线下活动
• 访谈
• 课堂
• 展台演示
• 现场作业

系统音频

适用于：

• 视频
• 直播
• 网络研讨会
• 培训材料
• 播客
• 电脑上正在播放的任何音频

“其他”模式不需要虚拟音频路由，因为翻译语音不会被送回会议应用。

模式三：共享（Sharing）

当参会者需要在自己的设备上获取翻译时，请使用共享（Sharing）模式。

• 通过链接（URL）共享：任何人都能在浏览器中打开实时翻译页面。
• 通过代码共享：另一位 JotMe 桌面端用户可凭代码加入。
• 展示二维码，扫码即可快速接入。
• 每位参会者都可以选择自己偏好的语言。
• 在符合条件的 Fast 与 Premium 会话中，主持人可为参会者开启语音到语音翻译，每位参会者将按 5 倍消耗翻译分钟数。

共享模式非常适合活动、课堂、网络研讨会、培训、工厂参观、客户演示，以及每位参会者偏好语言各不相同的多语言会议。

‍

JotMe 语音到语音实时翻译能用在哪些场景？

多语言团队会议

对全球团队来说，最大的问题往往不只是语言，而是速度。人们会犹豫、等别人翻译，或者因为对会议语言没把握而干脆不发言。语音到语音翻译让每个人都能自然地用母语表达，其他人则用自己最熟悉的语言实时跟上。

全球销售电话

销售对话讲究时机、语气和信任。与其靠人工口译拖慢节奏，销售团队可以直接用母语与潜在客户和现有客户沟通，由 JotMe 实时翻译整场对话。

客户支持与客户成功

支持团队常常需要快速理解紧急问题。实时语音翻译帮助客户团队处理升级工单、上手辅导、续约沟通和技术排障，无需等待人工口译。

跨国招聘与面试

优秀的候选人未必擅长用第二语言面试。语音到语音翻译让招聘团队与候选人的沟通更顺畅，尤其是在技术面试、文化契合度沟通和全球招聘流程中。

活动与网络研讨会

对活动来说，传统同声传译软件那样只提供一条翻译音频通道往往不够。通过链接或二维码共享，观众可以在自己的设备上加入，用偏好的语言收听，让网络研讨会、圆桌讨论和直播环节对更多人开放。

教育与培训

在课堂、工作坊和内部培训中，语言差距会悄悄让一部分人掉队。实时语音翻译帮助学生、员工和学员即时跟上复杂的讲解。

制造业与供应商协作

工厂参观、质量评审、供应商会议和技术培训往往涉及大量专业术语。JotMe 的业务上下文让翻译更贴近实际工作——从产品名称到工艺细节。

旅游与酒店服务

酒店、旅行社、活动工作人员和面向客人的团队需要跨语言的快速沟通。语音翻译可以支持现场接待对话、供应商协调、导览讲解和服务补救等场景。

内容审阅与媒体工作流

团队也可以在会议之外使用 JotMe：直接翻译视频、直播、播客、培训材料或录制内容的系统音频，让多语言审阅不必先走完整的转写流程。

‍

写在最后

真正改变工作方式的技术，落地之后往往看起来简单得出奇。我们相信语音到语音翻译正是其中之一，也很期待看到你用它创造出什么。如果你有反馈，或想探讨企业级部署，欢迎写信给我们：hey@jotme.io。

‍