你的 Mac 上的实时字幕，
不用请谁去打开。

真正难的那几处

有字幕，不等于字幕好用。下面这些是别人给你的字幕通常会掉链子的地方，以及这个 app 对每一处的做法。

• 已经过去的那一行。Google Meet 完全不保留字幕历史，Zoom 大约留三分钟。你只要低头打个字，刚读到一半的那句话就再也找不回来了。在这里按住 ⌥，最近的字幕会回来，可以滚动，所以漏掉一行不等于丢掉整场会议的线索。
• 两个人同时说话。话音重叠是任何字幕系统都吃力的地方，也正是你最需要它的地方。换人说话时开一个新框是可选的，值得打开：在一场靠读而不是靠听的对话里，弄清楚谁说了什么，就是大部分的工作量。
• 没有人做过字幕的视频。隐藏式字幕和 SDH 只存在于有人做过的地方，这就把内部门户上的大多数培训视频、大多数会议录像、同事发给你的大多数录屏，以及大多数播客都排除在外了。这个 app 直接读音频，所以「发布方有没有想着加字幕」不再是问题。
• 不是会议的那些通话。FaceTime、电脑上的 WhatsApp 或 Signal 通话、从 Mac 拨出去的号码、回放的语音留言。这些都没有一个字幕按钮可以按，也没有一个主持人可以去问，而这基本就是为什么打电话一直是一周里最让人发怵的部分。
• 和听得见的人一起看东西。当屋里没有别人需要字幕时，给一部电影打开字幕就变成了一次商量，而且很多东西本来就没有字幕轨可以打开。这个只画在你的 Mac 上，大小由你定，于是它不再是所有人的决定。
• 已经在接收 Mac 音频的助听器。Made for iPhone 助听器和声音处理器可以直接与 M1 或更新的 Mac 配对，而声音干净地传过来，和语速快、互相重叠的对话能听清楚，并不是一回事。在传输过来的音频之上再加字幕，是很常见的用法，不是多此一举。它读的是 app 本身的音频流，而不是你的输出设备，所以你用什么在听并不进入这件事。
• 下午四点的那种累。为了跟上别人说话而全天保持高度专注，那种消耗不会出现在任何人的日程表上。读一个只听清一半的词，比从上下文里把它推回来省力，也比第三次请一屋子人重复一遍省力得多。

先试试 Mac 上已经有的那个

macOS 自带实时字幕，免费，每台 Apple 芯片的 Mac 上都有：系统设置 ▸ 辅助功能 ▸ 实时字幕。它确实做得不错，一分钱不要，如果它能覆盖你的需要，那就到此为止，不必花 9 美元去验证这件事。花一周用它，也是最快搞清楚自己到底想从字幕里得到什么的方法。

让人去找别的东西的，通常是这三件事之一：需要的语言不在 Apple 的列表里；字幕窗口会被自己正在用的东西盖住；或者想给一节课选一个更慢更准的模型，给一次通话选一个更快的。这些差别在对比页上逐条列着。

14 天退款，不问缘由。

为连续读上几个小时而做

整天依赖的字幕，和只看一眼的字幕，读法是不一样的。下面每一项都是设置，而不是别人替你做的决定，因为正确答案取决于你听到多少、又读了多少。

• 它不会跑到你的工作后面去。浮层位于每一个窗口和 app 切换器之上，所以记笔记、看一份文档或者查点东西，不会让你付出「这期间被说出来的那句话」的代价。一边跟上会议一边写下任何东西，本身就是全部的难处，而一个需要你一直保持在前面的字幕窗口，解决不了它。
• 你可以把它放在视线已经在的地方。它不吃点击，所以你可以直接穿过它工作；指针经过时它会淡开，从不遮住底下的东西。大小、不透明度、淡开的范围、方框放在哪里，都归你；按住 Shift 可以让它保持不透明并拖动。把它放在说话人脸的正下方，是大多数人最后会做的事，也正是读唇和字幕能一起用、而不是互相抢你目光的原因。
• 每一行都会等你。一条字幕停留大约一秒半，每多一个词再加十分之一秒，所以长句不会在半句处消失；按住 ⌥ 会把最近几条带回来，可以滚动。阅读速度因人而异，默认值只是一个猜测；历史记录就是为了猜错的时候。
• 人名和行话，是它会让你失望的地方。一个药名、一个姓氏、一个你们团队自己造的缩写：这些恰好是你没法从上下文推出来的词，也恰好是识别器会弄错的词。选一个更慢更准的模型有帮助，但解决不了。与其事后才发现，不如先知道哪些词需要再确认一遍。

问题

它能给房间里说话的人配字幕吗？

不能。它只读你的 Mac 播放的声音，而且从不打开麦克风。对于正发生在你面前的对话，它什么都不会显示。Apple 自己的实时字幕在 Mac 上可以给麦克风音频配字幕，iPhone 上的实时收听就是为这件事做的，所以房间里的场合，那些才是对的工具，这个不是。

它能代替速录（CART）或人工字幕员吗？

不能。它是语音识别，所以会出错，尤其是人名、行话、抢话和口音很重的时候。看医生、法律会谈、会被评分的课，或者任何出错要付出代价的场合，合理便利是专业速录员或翻译，而你有权提出这个要求。这个 app 是给一天里剩下的时间用的——那些本来就永远不会有人给你安排的场合。

我需要问主持人，或者告诉别人我在用它吗？

不需要。它给你的 Mac 播放的音频配字幕，而不是去对接某项服务，所以没有东西加入会议，参会者名单里不会出现什么，也不需要任何主持人、管理员或老师去打开什么。没有人会被通知。说不说是你的决定，不是软件的。

我已经把 Mac 的声音传到助听器了，这个还有用吗？

通常有。传输解决的是声音走哪条路，而不是这段话本身有多难：语速快的人、重叠的声音、不熟悉的口音，传到你耳朵里之后还是这些。在传输的音频之上再加字幕，是很常见的组合，不是多余的。它读的是 app 本身的音频流，而不是你的输出设备，所以你用什么在听并不进入这件事，你的配对也什么都不会变。

如果一个视频根本没有字幕也没有 SDH 呢？

那正是它要处理的情况。隐藏式字幕和 SDH 只存在于有人做过的地方，这就排除了大多数内部培训视频、大多数会议录像，以及同事录下来发给你的大多数东西。这个 app 给音频本身配字幕，所以文件里有没有字幕轨并不重要。

字幕会像我开会时那样滞后吗？

会少一些，但不是完全没有。它是随着词一个个到达就持续出字幕，而不是等一句话说完；最新的那个词在模型确定之前会画得淡一些，所以你是边听边读，而不是事后读。它仍然是语音识别：从一个词被说出来，到这个词可以读到，中间有一点延迟，而说话快的人永远会比任何字幕都快上一点。

字幕可以调大、调得更好读吗？

可以。方框大小、不透明度、保留多少行、放在哪里，都是设置项，而且设置窗口是在真正的浮层上预览，不是在示意图上。按住 Shift 可以让它保持不透明并拖到你想要的位置；你放的地方会被记住。

它能给 FaceTime 和电话通话配字幕吗？

凡是通过 Mac 上某个 app 播放的都可以，包括 FaceTime、电脑上的 WhatsApp 或 Signal 通话、从你的 Mac 拨出去的号码，以及回放的语音留言。你读到的是对方，永远不是你自己，因为你的麦克风从不打开。这些正是没有字幕按钮、也没有主持人可问的通话，所以往往是大家最先拿来试的场景。

它会告诉我谁在说话，或者像 SDH 那样标注声音吗？

换人说话时它可以开一个新的字幕框，这是可选的，通话时值得打开，但它不会给任何人标上名字。非语音的声音它完全不标：人声检测器排在识别器前面，好让音乐永远不会变成编出来的歌词，代价就是你拿到的是话语本身，而不是当时还有什么在响。如果声音提示对你重要，这就是它和一条真正的 SDH 字幕轨之间，诚实的差距。

漏掉一句怎么办？

按住 ⌥，最近的字幕会回来，而且在它们显示期间可以滚动查看。这是刻意做成短时的：不写入磁盘，所以它是用来接住你刚刚漏掉的那句话，不是用来保留一整天的记录。

有按分钟计费或者月费吗？

没有。一次 9 美元，字幕不限量，因为模型跑在你的 Mac 上，运行起来不花钱。没有分钟数要买，也没有订阅。当字幕是你跟上一切的方式，而不是偶尔打开的东西时，这一点更重要。

它需要联网吗？

一次，用来在首次运行时下载模型。之后它完全离线运行，不发起任何网络请求，所以你听的任何内容都不会被送到别处。