Subtitles

私密 · 本机运行 · Apple Neural Engine

你的 Mac 播放什么，
就配上实时字幕。

视频、通话、播客：一边播放一边转写，绘制成始终置顶的浮层。不上传，不录制，不写入磁盘。

14 天退款，不问缘由

购买 $9 查看源代码

一次性 $9，包含日后所有更新 · macOS 14.2 或更高版本 · Apple Silicon
字幕无限量，想用多久用多久。不用买时长，不用注册账号，不用订阅。

切换 app，字幕还在：浮层位于所有窗口之上，并且让点击穿透过去。

点一下窗口就能把它切到前面。按住 ⇧ 拖动字幕就能挪动它们，和在 app 里一样。

把指针移到字幕上，字幕会在指针底下化开。按住 ⌥ 可以把最近几块重新叠回来。这两件事在这里的表现和 app 里完全一样。

你的 Mac 上，任何 app 都有实时字幕

Subtitles 能给你的 Mac 播放的任何音频配上字幕，因为它捕获的是 app 本身，而不是去对接某一项服务。无论你是聋人或听障者、在用第二语言听，还是只是待在一个吵闹的地方工作，有三种情况会一再出现。

01

会议和通话

Zoom、Google Meet、Teams、Slack 哈德尔通话、浏览器标签页里的通话：说到底都只是从某个 app 里出来的音频，所以全都能配上字幕。是不是第二语言都一样，只要口音陌生、有人的麦克风不好，或者两个人同时开口，它立刻就值回票价：读一个只听到一半的词，比开口再问一遍快，而且不用打断任何人。

02

一边干活，一边不跟丢

音频不会等人。你切到备忘录、编辑器或者浏览器窗口的那一刻，就开始跟丢对话了。浮层始终在所有窗口之上，而且点击穿透，所以你在它前面干活时它就待在原地。你可以记笔记、查东西，同时还跟得上别人在说什么。像 Granola 这样的记事工具是在事后把会议写成纪要；而这一半的事，必须在会议还开着的时候完成。

03

视频、播客和讲座

一个没有字幕的视频，或者自动字幕烂到不如没有。一档播客，用的是你还在学的语言。一节录播或者直播的课、一场访谈、一部对白很轻的电影。字幕会出现在正在播放它的那个窗口上方，字号由你定，支持九种语言，语种自动帮你认出来。

这三种情况有一个共同点：一场会议、一通电话、一段私人录音，都不关服务器的事。这些音频都不会被上传，因为根本没必要：模型就跑在你的 Mac 上。

围绕三个约束造出来的

实时音频没法暂停，没法重来，也不该被送出你的机器。这里的一切都是从这一点推出来的。

没有东西离开这台 Mac

它在本地离线运行：没有网络请求，没有账号，没有遥测。音频从 process tap 直接进入识别器，然后被丢弃。唯一下载过的东西只有模型本身，而且只下一次。

用 Neural Engine，不用 CPU

实时率约 0.15：每一秒算力转写六秒语音。同一个模型放在 CPU 上，实测慢了大约 100×，根本跟不上实时的音频流。

任何 app，一次一个

在菜单栏里选一个音源，它就会捕获那个 app 以及它派生的每一个辅助进程。浏览器和 Electron app 之所以也能用，靠的正是这一点：它们的音频从来不来自主进程。

音乐不会变成歌词

识别器前面有一个人声检测器，伴奏永远到不了它那里。没有它，音乐会把模型的上下文塞满，音乐之后的头几个词就丢了。

换人说话就换一块字幕

可以选择在换人说话时另起一块字幕，就像遇到停顿时那样。默认关闭：它需要在第一个模型旁边再跑一个模型。

九种语言

默认模型会自己判断语种。英语另外还有七个专用 checkpoint，从 160 ms 起，在延迟和准确率之间取舍。

浮层不会挡你的路

一样东西压在所有窗口上面，只有在它从不变成你要绕开的那样东西时才成立。它不接收点击，会在你指的位置化开，还能把你刚才移开视线的那一行还给你。

指哪儿，哪儿就是个洞

把指针靠近字幕块，它就会在指针底下淡开，于是你正在读的句子永远不会盖住你正在写的句子。淡掉多少、这个洞能铺多宽，都由你定。想让它保持不透明，按住 ⇧。

按住 ⌥ 找回你漏掉的

字幕块像电视字幕那样一页页翻：填满、清空、重新开始，所以你一移开视线，那一行就没了。按住 ⌥，最近结束的几块会重新叠到正在进行的那一块上面，最多三十块，更早的可以往回滚。松开手，它们又都不在了。什么都不会被写到任何地方。

浮层本身就是预览

在菜单里按 ⌘, 打开设置：一块字幕填满几行才清空、它有多实、指针底下的淡开能铺多远、⌥ 能回溯多久。每一个滑块都会在你拖动的同时作用到浮层上，所以这些东西是看着调的，而不是挑一个数字。

工作原理

一个只负责复制的实时音频线程，一个从不转写的可移植内核，还有一个跑在它该跑的地方的模型。

  1. 1

    Core Audio 的 process tap

    48 kHz 立体声，每 10.7 ms 一次回调。实时线程把数据复制进一个无锁环形缓冲区，别的什么都不做。

  2. 2

    重采样与门限

    在工作线程上降到 16 kHz 单声道，跳过静音，并在语音之前多回放大约一秒，这样没有哪个词是冷启动开头的。

  3. 3

    在 Neural Engine 上跑 Parakeet

    这是流式模型，不是 30 秒窗口的那种：区别就在于字幕是跟着音频走，还是晚好几秒才到。

  4. 4

    浮层

    三行一屏，像电视字幕那样清空再重来，在最后一次出现新文字的四秒后淡出，而不是在音频停下之后。

从环形缓冲区到模型边界之间的所有东西，都是可移植的 Rust，而且刻意不做转写：它只负责递出音频帧。process tap 和浮层是仅有的两个 Mac 专属部分。

购买 $9

14 天退款，不问缘由。

没有什么要审，也没有什么要关掉

你之所以能把它对着一场工作通话用，是因为它不是一项服务。没有服务器，没有账号，没有转写文本，所以没有东西要发出去，中间也没有别人。源码是公开的，所以这些都不用你凭信任接受。

  • 没有机器人加入通话。它抓的是你的 Mac 本来就在播放的声音，所以参与者列表里不会多出什么，也没人会被告知有东西在跑。这一类产品大多是派一个所有人都看得见的参与者进去，而不少公司干脆就不允许这么做。
  • 不录制，也不写入磁盘。声音从 tap 进到识别器，当场就被丢掉。字幕在屏幕上，然后就没了；⌥ 叫回来的那几块只存在内存里，直到你退出 app，之后没有任何文件可找，你的 Mac 上没有，别处也没有。
  • 麦克风从不打开。它只听得到你的 Mac 播放的声音。这是一个实打实的限制，也正因如此，你说的话没有任何去处。
  • 没有账号，没有遥测，没有联网。没有要登录的地方，也不会把使用情况报到任何地方。模型只下载一次，大约 633 MB，此后再没有一次网络请求要发：把 Wi-Fi 拔了，它照样出字幕。
  • 没有可供训练的东西。根本不存在一份可以被发出去的转写文本，所以没有训练开关要找，没有默认值要核对，也没有需要写进数据协议里的受托处理方。这是否符合你们自己的规定由你判断，但这里没有第三方要审。
  • 唯一的例外是购买这一步。Gumroad 负责收款，会看到你的邮箱，就像任何一家店那样，并在 app 更新时给你发信。app 本身这两样都不会问你要。

选语言，而不是选模型

语言是第一个决定某个模型能不能用的因素，所以它是菜单的第一层。在同一个语言包里切换是即时的；跨语言包切换会去取另一个包，同时保留你已经有的那个。

下到一半改主意，它会取消并立刻开始下新的。以后再切回来，它会接着下，而不是从头开始。

它住在菜单栏里

没有 Dock 图标，也没有窗口要管理。图标本身就说明了它在做什么：正在听是靛蓝色，正在下载模型是蓝色，流水线开始跟不上是黄色，永远不会是红色，因为红色代表正在录制，而这里什么都不会被写到任何地方。开关都留在菜单里，在菜单里按 ⌘, 会打开一个设置窗口，里面是这些开关背后的旋钮。

⌥⌘S
暂停与继续
按住 ⇧
让浮层可以拖动；平时它是点击穿透的
按住 ⌥
把最近几块字幕叠回正在进行的那一块上面；往回滚可以看更早的
⌘,
设置，从打开的菜单进入：每块几行、不透明度、指针底下的淡开、⌥ 能回溯多远
菜单栏
模型、音源、文字大小、浮层位置、权限状态

那 Apple 的实时字幕呢？

macOS 自带字幕功能，免费，每台 Apple Silicon Mac 上都有，在系统设置 › 辅助功能 › 实时字幕里。如果它够用，那就用它。下面这些是它不再够用的地方；想看长版本的话，还有一份逐行对比。

  • 九种语言，自动认出来。Apple 的实时字幕并不是在每种语言、每个国家或地区都能用。这里的默认模型会自己判断语种，菜单栏里可以在语言之间切换。
  • 模型由你挑。七个英语 checkpoint，从 160 ms 起在延迟和准确率之间取舍，另外还有一个多语言的。Apple 给你的是字幕，不是一个可以拧的旋钮。
  • 浮层是点击穿透的。Apple 的那个是一扇要你去移动和缩放的窗口。这一个完全不接收点击，所以你可以直接穿过它工作。真想挪它的时候，按住 ⇧ 就行。
  • 你指到哪儿，它就在哪儿让开。字幕块会在指针底下淡开，让你读到下面的内容，淡多少、铺多宽由你设定。Apple 的那个是一扇不透明的窗口，你只能把它挪到别处去。
  • 一个 app，或者全部 app。把它对准正在通话的那个标签页，机器上其余的部分就保持安静。Apple 的默认转写所有 app 的音频。
  • 音乐不会变成歌词。识别器前面有一个人声检测器，伴奏永远到不了它那里。
  • 换人说话就换一块字幕。可选，默认关闭，系统自带的那个没有对应的东西。

下载之前值得知道的几件事

  • 首次启动要等上几分钟。模型大约 633 MB，首次运行时自己下载。菜单栏里能看到进度。
  • macOS 会请求录制系统音频的权限。跳过那个请求，之后每一份采样都会变成数字静音，而且任何地方都不会报错，所以 app 在菜单里保留了一项权限检查，而不是假装自己知道。安装包经过签名和公证，所以你给出的答案能挺过每一次更新。
  • 唱歌也算说话。人声检测器分不出两者的区别，所以带人声的音乐会以歌词的形式出现。
  • 换人说话是事后才认出来的。说话人分离按固定节奏给出结果，所以新说话人的一两个词可能落在上一块字幕上，然后那块字幕才清空。
  • 只用一块屏幕。浮层显示在主显示器上。
  • 试过的模型会留在磁盘上。在这八个之间来回切换正是你找到合适那个的方式，而每一个你试过的都会被留下。设置里有一个按钮，会删掉没有在用的那些，永远不会动正在用的那个。

大家最先问的问题

它支持 Zoom、Teams 和 Google Meet 吗？
可以。它捕获的是某个 app 播放的音频，而不是去对接某一项服务，所以 Zoom 窗口、Slack 哈德尔通话、浏览器标签页里的通话，配字幕的方式都一样。浏览器和 Electron app 也包括在内：它会一并捕获这些程序派生的辅助进程，它们的音频其实就出自那里。
一直浮着的东西不会碍事吗？
它完全不接收点击，所以你可以直接穿过它工作；它还会在指针底下淡开，让你读到它下面的内容。淡掉多少、能铺多远、字幕块有多实、能容纳几行，全都是可以设定的。想让它保持不透明并把它拖到别处，按住 ⇧；你把它放在哪儿，它就记住哪儿。
它会给我自己的声音配字幕吗？
不会。它只听你的 Mac 播放的声音，从不碰麦克风。在通话里，这意味着你读到的是别人说的话，不是你自己的。
它需要联网吗？
只需要一次，首次运行时下载模型，大约 633 MB。之后它完全离线运行，不发出任何网络请求。
我能保存或导出转写文本吗？
不能，这是有意为之。没有任何东西会写入磁盘：字幕在屏幕上出现，然后就没了。在 app 运行期间按住 ⌥ 能把最近几块字幕叫回来，那是用来补上你刚才没看到的那一行的，不是用来留存记录的。如果你需要一份对话记录，这个工具不合适。
需要 IT 部门批准吗？
这里没有什么供应商需要批准：没有账号，没有服务器，没有离开 Mac 的转写文本，也没有以参与者身份进入通话的东西，所以会议里没有任何人被任何东西录下。它就是一台机器上的一个已签名、已公证的 app，模型下载完那一次之后，它再不会发出任何网络请求。这是否符合你们自己的规定由你判断，但这里没有第三方夹在中间要审。
它支持耳机或 AirPods 吗？
可以。它捕获的是 app 产生的音频，而不是从扬声器里出来的声音，所以你用什么设备听都没有区别。
它会拖慢我的 Mac 吗？
转写跑在 Neural Engine 上而不是 CPU 上，实时率约 0.15，也就是每一秒算力可以处理六秒语音。同一个模型放在 CPU 上，实测慢了大约 100×，根本跟不上。
它能在哪些 Mac 上运行？
Apple Silicon，macOS 14.2 或更高版本。这个版本下限来自 Core Audio 的 process tap，整个程序都建立在这个 API 之上。
它是订阅制吗？
不是。一次性 $9，包含日后所有更新，不用注册账号，也不用买时长。如果它不适合你，14 天内可以退款。
我能看到源代码吗？
可以。它以 FSL-1.1-ALv2 发布，每个版本在两年后转为 Apache 2.0。想读代码或者自己编译，都在 github.com/daformat/subtitles。

给任何声音配上字幕，而音频不去任何地方。

14 天退款，不问缘由

购买 $9

一次性 $9，包含日后所有更新 · macOS 14.2 或更高版本 · Apple Silicon
无限量实时字幕，只要这台 Mac 还在你手上。不用买时长，不用注册账号，不用订阅。