同传工作台

统一译声配置

在「译声配置」选择本机原生模型、克隆模型服务、语音服务／API 或兼容配置。选择运行方式仅启用对应链路，保留其他来源的模型、参考音与密钥草稿。CosyVoice3／Fish 在此提供本机与服务选项；本机需要匹配的完整原生包与运行组件，真实生成仍待验证，不能直接使用官方原始目录。

持续同传和 Mini 译声不加入语音水印，省去水印处理和缓冲等待。语音工具保存的普通克隆音频仍可带来源水印。实际出声速度还取决于模型、翻译服务和音频设备。

旧配置同时启用多条链路时会显示提示；请先明确选择一项，再开始任务。准备、运行、停止与收尾期间不能切换运行方式。

1. 先在配置引导页保存本地模型路径。不同大小或量化分别命名、登记规格；需要时将 VoxCPM Runtime 随模型保存。
2. 工作台选择运行方式 → 本机原生模型，再选择已保存的持续克隆译声模型，不必重新填写路径。需要新增或更改登记，点击管理本地模型进入配置引导页。
3. 本次任务使用工作台当前选中的模型，主界面已保存的模型可以不同。换用另一登记项后，先核对显示的名称与规格，再用短讲话验证识别和译声。选择本次任务的音色库参考和计算设备。检查模型与参考录音，再用目标语言短句试音，确认后开始持续同传。

1234

1. 1选择「本机原生模型」。
2. 2选择已登记的模型；名称和规格帮助区分不同版本。
3. 3新增模型或修改路径，在「管理本地模型」进入配置引导页。
4. 4选择已保存的参考录音；本次任务可换音色。

123

1. 1选择克隆模型服务。
2. 2选择 CosyVoice3 或 Fish。
3. 3使用已试听的参考录音。

先检查三条链路

1. 识别：在引导页登记并检查 STT 模型，工作台选择该模型及源语言；确认输入设备，用短讲话验证原文。
2. 翻译：在引导页保存服务地址、模型和鉴权并做文本测试；工作台选择已配置的「翻译服务」和目标语言。
3. 合成：在引导页保存模型或服务连接，工作台选择已配置的译声来源、音色与参考音；使用目标语言短文本先试音。

12

1. 1选择 NVIDIA GPU，或保留 CPU。
2. 2CUDA 组件可留空自动查找，也可选择文件。

本次语言与前文背景

适用版本：Windows r512 或后续安装预览。更早安装预览不含本节的语言与上下文修复。以下设置作用于翻译请求，仍需自行核对原文、译文与译声。

1. 开始前，在同传工作台核对本次源语言与目标语言。例如中文讲话、英文译声，选择“中文 → 英语”。软件界面使用中文还是 English，都不能替代这两个选择。识别、翻译和译声分别检查后，再开始本轮任务。
2. 如果需要前文帮助理解指代或术语，在翻译设置展开术语与翻译背景，将最近原文背景预算（0 为关闭）改为大于 0 的适合值，保存后再开始新任务。默认 0 不带前文；留为 0 也可以正常逐段翻译。
3. 分段译声与已保存音频的逐段翻译，在启用背景后，复用本任务内此前成功翻译段落的原文。例如前段介绍“这是无界音流”，后段说“它可以记录会议”，前段原文可作为后段的翻译背景。
4. 背景只帮助理解当前段，不包含前段译文，不把背景再翻译一遍，也不跨任务串用。开始另一轮任务，会从该任务自己的背景开始。若预算放不下全部前文，只保留能纳入的最近原文，不为凑预算截断当前原文。

启用背景会把相应前文一并发给所选翻译服务。主录音设置里的检查术语与请求（不调用模型）绑定该页的当前识别设置与主翻译目标，而且不含会话上文；它不是同传任务的完整历史预演。更换语言、引擎、目标或模型后，请重新检查，并在同传工作台再核对本次选择。详见识别、翻译与界面语言的区别。

连续同传

从顶部打开「同传工作台」，检查源语言、目标语言、字幕额外语言与输出。点击连续运行后等候准备状态；支持预加载的组件会先准备声音模型，不支持时界面提示首句加载。准备阶段可停止取消。

工作台自动播放译声。使用 Rust 流式播放或模型服务的「音频到达即播放」时，录音前会先准备系统默认输出设备；同一轮译声持续复用，点击停止后释放。准备时可点击停止取消。若默认设备变化或设备中断，工作台显示错误并停止；确认设备后重新开始同传。

运行时查看段落原文、译文、合成、播放和积压状态。可以在界面支持的追赶操作中处理积压；跳过播报不代表原文或译文被删除。先试听小段，避免把播放声音再次送回录音输入。

12

1. 1开始突出显示；停止始终在这里。
2. 2查看状态；关闭面板不等于停止同传。

12

1. 1等待输出设备准备完成后才开始录音。
2. 2准备期间可点击停止取消。

克隆声音与输出

原生克隆需要已经准备并试音通过的本地模型、参考音与匹配的参考原文。服务克隆使用独立服务配置。选用参考音不会自动保证跨语言音色一致，需测试目标语言。不要一边运行任务一边切换模型或移动文件。

「持续同传（实验）」与「停止同传」固定在面板顶部，向下滚动配置时仍可操作。关闭面板只隐藏面板，运行与播放仍可继续；结束任务请点「停止同传」。录音收尾、合成取消和播放状态需分别确认。

流式语音与延迟

先在「配置引导 → API 配置」保存并试音译声服务的地址、鉴权、模型与音色。工作台在「译声配置」选择「语音服务／API」和已配置提供商，无需再次输入连接。音色、情绪、语速与播放方式可按当前任务调整；服务是否接收整句或增量文本，按界面说明选择。

模型加载与预热归准备时间。连续同传开始前，先等支持预加载的组件准备完成；不支持预加载的组件可能在首句加载，首句需单独看待。准备完成后的语音转语音延迟，仍受讲话分段、识别、翻译、合成首音、排队与设备影响。先测试短讲话，再尝试较长会话。

运行时重点看「源语音起点 → 首音」和「源语音结束 → 首音」。前者包含讲话时长；后者便于观察句尾后的响应。「句尾后识别」包含分段等待，「翻译送达」包含结果送到界面的耗时。「最近译文入队至首音」只统计入队后的合成与排队等环节，不含入队前的识别与翻译。请求总耗时不能代替这些计时。

原生播放优先使用音频驱动的首个有效音频时间戳；Web Audio 与媒体播放使用各自的排程或播放事件，旧原生组件使用软件通知。这些是软件估计，不能当作扬声器实际出声的测量。「时钟校准」只表示时钟对齐误差，设备另有误差。缺少、过期或不匹配的时间戳显示「—」，不补成零；关闭自动播放或播放失败时不产生新测量。

截图展示等待状态，各延迟尚未测量。支持 PCM 流式输出的服务可在响应结束前开始播放；使用 Rust 输出时，新组件会直接交付音频。仅返回完整 WAV 的模型仍需等待完整合成，选择流式播放不会把它变成增量模型。

已完成后台等待的流式音频会直接继续交付。停止可中断等待；旧组件仍保留等待保护。实际响应速度取决于模型和设备，请以运行时计时及试听结果为准。

本次运行统计显示源语音起点和句尾至首音的样本数、p50、p95及最大值。分位数使用最近256个已结束译声任务中的有效计时，完成、失败、停止、跳过和源计时未知为本次累计数量。已有首音但后来失败或停止的计时仍保留，缺计时或未播放不补成零；入队前的识别、翻译失败和前端满载拒绝不在此统计中。停止保留报告，下次运行首段进入语音排程后清空。比较时保留首句、重连和慢段，使用相同模型、语言和设备；这些数值是软件计时。

123

1. 1选择语音服务或 API。
2. 2选择与你的服务匹配的提供商。
3. 3填写此服务可用的音色。

123

1. 1讲话起点和句尾到首音分别计时。
2. 2查看句尾后识别与翻译送达耗时。
3. 3校准缺失时，不显示估算值。

模型服务的音频到达播放

CosyVoice服务需返回24kHz单声道PCM16。Fish服务需返回带官方44字节WAV头的单声道PCM16音频，采样率为16–96kHz。先用短文本确认服务与参考音能够生成正确声音，再开启「音频到达即播放」。服务端需要提前输出音频，才可能降低首音延迟；只在整段生成后返回音频的服务不会因此提前出声。

每段译文定稿后发送一次，音频到达后即可播放，完整音频在响应结束后保存。Fish流式音频转换为24kHz播放，保存的也是转换后的24kHz音频；关闭此选项可使用原采样率的完整WAV。参考录音原文件不变。发生中断或格式错误时不保存残缺音频；此前已播放的声音无法撤回。此选项不接收增量文本。

1. 先在配置引导页保存 CosyVoice 或 Fish 的服务根地址与密钥并完成试音。工作台选择「克隆模型服务」和已配置项，再选本次参考录音与参考原文。
2. 勾选「音频到达即播放」，检查页面提示，再开始连续同传。若需要先检查完整音频，取消勾选即可保留整段生成后播放。
3. 用自己的设备检查首音延迟、连续播放和音质。需要暂停译声时请停止同传；完整音频可在结果中回听。

123

1. 1选择已运行的克隆模型服务。
2. 2开启音频到达播放，整段播放仍可选。
3. 3服务端需提前生成音频才有延时收益。

123

1. 1选择已运行的克隆模型服务。
2. 2开启音频到达播放，整段播放仍可选。
3. 3服务端需提前生成音频才有延时收益。

123

1. 1完成、失败和停止为本次累计；源计时未知不补零。
2. 2最近256段中的有效源起点首音计时；保留慢样本。
3. 3源句尾单独统计样本数、p50、p95和最大值。

FireRed 生成中播放 · 实验

先在配置引导页登记 FireRed 原始根目录并保存，用语音工具完成 FireRed Instruct 短试音。同传「译声配置」选择「本机原生模型」、同一已登记 FireRedTTS3，并将计算设备设为 CPU。当前 Windows 安装包不提供 FireRed 的 CUDA 组件。原始根目录应包含 fireredtts3_instruct、redae、text_tokenizer，无需另开服务或执行 Index 转换。保留完整应用目录及配套运行组件；「准备原生模型」不会补齐缺失的运行组件。检查模型和参考音后，支持的组件可「预置模型与参考音」；等待完成仍须生成短句试听。参考音或原文改动后重新检查、试音，再开始同传。

参考录音须1–10.24秒，建议3–5秒清晰单人讲话，并填写实际录音原文。开启「边生成边播放 · 实验」。工作台自动播放译声。开始持续同传后等待模型、参考音和输出准备完成再讲话；准备可停止取消。

每段完整译文定稿后开始生成，生成中的 PCM 直接交付原生播放，无需等完整 WAV。它不接收任意追加文本；开启后短句提前合成选项隐藏。准备完成不代表运行时已满足实时要求，请观察连续讲话的积压和首音，并用自己的设备试听。持续实时性能、物理设备和完整音质尚未验收。

停止会取消准备或生成并释放输出。关闭面板不会停止同传。若要恢复完整 WAV 路线，先停止再取消生成中播放；若提示组件仅支持完整 WAV，请使用包含新版 FireRed 组件的完整应用目录。

旧截图用于说明控件位置，图中的 CUDA 是较早参数；当前 Windows 安装包使用 FireRed 时请选择 CPU。需要 NVIDIA GPU 时，请选择已支持的 Index-TTS2、Qwen3-TTS 或 VoxCPM2，并先通过组件与设备检查。

1234

1. 1参考音须1–10.24秒并填写原文；建议3–5秒。
2. 2旧图此处显示 CUDA；当前 Windows 包请选择 CPU。
3. 3选择 FireRedTTS3。
4. 4选择已登记的 FireRed 模型；原始目录在配置引导页保存。

12

1. 1开启“边生成边播放 · 实验”。
2. 2工作台自动播放译声；先确认默认输出与音量。

原生短句提前合成 · 实验

在「译声配置」选择「本机原生模型」，检查模型和参考录音，再选择「译文短句提前合成 · 实验」。此选项默认关闭，可在停止同传后修改。

源语音分段定稿后，已校验的译文短语可以提前进入合成，并在播放时预生成下一句。中英文等目标语言均使用校验后的短语边界；旧式文本仍等待明确句界。完整原文与回听按原段落保存，识别草稿不会提前说出。

已校验短语按顺序生成，不因译文提前定稿而丢失边界。尚无校验边界的尾段在译文定稿后，可在512字符以内合并生成；更长尾段仍按句界处理。完整译文和回听均保留。

模型仍为每次请求生成完整 WAV。短句可能更早提供可播放音频，也可能增加总合成时间或改变停顿。先用自己的目标语言和参考音试听，检查首音、连续播放与音质；不合适时停止同传并关闭此选项。

12

1. 1在本机原生模型配置中开启短句提前合成；默认关闭。
2. 2定稿后有界合并剩余译文；每次请求仍生成完整 WAV。试听检查停顿和音质。

停止后，等记录保存完成

点击「停止同传」会立即停止译声播放，录音收尾和记录保存仍可能继续。看到「正在保存同传记录」时，请先等待；播放停止不表示记录已经保存。

若显示「同传记录尚未保存」，先检查保存位置的可用空间和写入权限，再点「重试保存」。未保存期间，软件会暂缓开始新任务、重启软件和恢复其他草稿，先完成本轮保存再继续。

需要离开窗口时，可在退出提示中选择「仅关闭界面 · 后台继续」，让当前软件继续运行。电脑需要保持开机；保存完成前，请不要退出软件、重启或关机。关闭同传面板只会隐藏该面板，正在运行的同传也可能继续。

如果决定放弃尚未保存的部分，请明确选择丢弃本轮草稿并确认。隐藏界面不会丢弃草稿。尚未保存的内容只保留在当前运行的软件中，不要依赖重启后恢复。

12

1. 1未保存的同传记录保留在当前运行的软件中。
2. 2恢复磁盘可用后，点击重试保存。

CosyVoice 配置一次，再选账户音色

本节 CosyVoice 连接步骤需 Windows r512 或后续安装预览。

1. 打开配置引导 → API 配置，启用 Alibaba Cloud · CosyVoice。这张卡只配置语音合成。填写自己业务空间和地域对应的完整 wss:// 地址，路径须以 /api-ws/v1/inference 结尾；将地址里的 WorkspaceId 占位符替换为真实值，再填写对应 API Key 和 TTS 模型。完成引导以保存。
2. 返回同传「译声配置 → 语音服务／API」，明确选择「配置引导 · 阿里云 · CosyVoice · 边译边播」，核对模型和主机名。不会自动选择地域、复制 Aliyun 文本连接或 Qwen Audio 3.1 连接，也不会自动开始同传。
3. 填写与模型匹配的音色 ID，或按下方步骤选择已有音色。首次选择此来源时音色为空，需要你自己选择。语速范围为 0.5–2；情感写在服务支持的指令中，没有独立情绪参数。手动自定义连接和其他来源的使用草稿继续独立保留。

请从阿里云控制台取得自己的完整地址。地址格式见官方WebSocket 接入指南；模型、音色和指令能力见语音合成模型说明。账户权限、地域、模型和音色需要匹配。

先找已有音色，再按需创建

1. 在同传点击「克隆 / 设计 / 选择音色」。打开后默认显示「已有音色」，上方显示保存的主机和模型，无需再次输入连接。点击「查询云端音色」才查询账号；打开面板不会自动查询、上传或创建。
2. 需要新音色时，选择「文字设计」或「参考音克隆」，按页面要求填写，再点击明确的创建按钮。cosyvoice-v2 可查询、使用已有音色和参考音克隆，文字设计按钮不可用并显示原因。cosyvoice-v3.5-plus、cosyvoice-v3.5-flash 需要已经创建的复刻或设计音色，没有预置音色。
3. 查询后先「检查状态」，再点「生成试听」。完整听完试听后，才能点「用于同传」。返回同传时只更换音色 ID，原来选择的配置引导连接、语气指令、语速和播放方式保留，自定义连接草稿也保留。

指令最多 100 个加权字符，汉字计 2，其余字符计 1。例如，50 个汉字已达到上限。音色必须匹配创建时的目标模型；更换模型后请重新核对音色。服务拒绝某种指令时，草稿仍保留，按音色说明修改后再试。

查询、创建和试听会访问选定服务，创建与试听可能计费。点取消或更改保存的连接后，要等待原请求结束，控件才会解锁或换用新连接。若创建结果尚未确认，先用原连接查询音色，勿重复创建；软件不会自动重试创建。连接被停用或移除时，不会改用另一来源。

持续模式可逐步送入译文并接收音频；Mini 仍须先停止本段录音，再等待翻译和完整音频生成后播放。开会前，请用自己的账号、目标语言和输出设备做短试音。

123

1. 1复用配置引导保存的连接；点「管理连接」修改。
2. 2默认打开「已有音色」，点击「查询云端音色」才查询。
3. 3选择音色，生成并完整试听后，才能点「用于同传」。

123

1. 1配置引导保存的 CosyVoice 来源继续选中。
2. 2只更换为试听确认的账户音色 ID。
3. 3从此处再查、克隆或设计音色，不必重新填写连接。

MiniMax 配置一次，再选择译声方式

1. 进入配置引导 → API 配置，启用 MiniMax 卡，填写服务地址和 API Key，选择 TTS 模型，完成引导后保存。只打开配置卡不会开始同传，也不会创建音色。
2. 回到同传「译声配置 → 语音服务／API」，明确选择「配置引导 · MiniMax · 整段译文」或「配置引导 · MiniMax · 边译边播」，核对显示的模型和主机名。保存的完整接口地址可能只匹配其中一种方式；另一项不可用时，先到引导页修正地址。
3. 开始前，先选择或填写账号可用的音色 ID。首次选择 MiniMax 来源时，音色留空，不会替你选默认音色。两种来源共用保存的地址、密钥和模型，分别记住音色、情绪和语速。切换来源会保留另一项的使用参数，旧自定义连接也独立保留。

两种接口的区别可查看 MiniMax 官方HTTP 语音接口和双向 WebSocket 接口。使用 Mini 时，无论选择哪一项，都先停录，再生成完整音频后播放。

选择已有音色，或克隆、设计新音色

1. 在同传音色设置下点击「克隆 / 设计 / 选择音色」，打开 MiniMax 音色面板。面板自动复用当前保存的连接，显示主机和模型，不再要求填写地址、密钥或模型。
2. 点击「查询音色」才查询账户。需要新音色时，打开「克隆」或「设计」，按要求提供录音或描述，再点击明确的创建按钮。打开页面不会自动查询、上传、创建或合成。
3. 选中音色，点击「合成试听」，完整听完后再点「用于同传」。这里只更换当前来源的音色，保留原协议、情绪和语速。返回同传，检查所选来源和音色 ID。

创建和试听可能计费，参考录音仅在点击克隆操作时上传。取消后需等待当前操作结束，控件才会解锁。若创建结果尚未确认，请保留音色 ID，用原连接恢复本机记录或按 ID 试听，勿重复提交创建。保存的连接被停用、移除或改变后，先到引导页处理，不会自动退回旧自定义连接。

开会前，用自己的账号、目标语言和输出设备做短文本试音。以下受控示例不代表真实云端音质或延迟已验收。

123

1. 1保存的连接提供主机和模型；需要修改时点「管理连接」进入引导页。
2. 2点击「查询音色」才查询账户，打开页面不会自动查询。
3. 3选择音色后点「合成试听」。图中音色列表为受控示例。

123

1. 1原来的「整段译文」或「边译边播」来源仍被选中。
2. 2只更换试听确认的音色；图中音色 ID 为示例。
3. 3从此入口查询、克隆、设计或试听，不必重复填写连接。

Mini 也能使用语音 API

「译声配置 → 语音服务／API」的同一选择，同时用于持续按句译声和 Mini。API 路线无需本机 TTS 模型目录或本地参考音，音色使用账号可用的预置音色或已创建的音色 ID。

123

1. 1选择已保存的服务连接；地址和密钥在配置引导页管理。
2. 2填写账号可用的音色 ID；图中 coral 为示例。
3. 3Mini 先录完一段，停录后翻译并生成完整音频；取消时等当前任务收尾，再录下一段。

1. 先在配置引导页保存语音服务连接与密钥，再用短文本试音。
2. 返回「译声配置」，选择「语音服务／API」及已保存连接，选择音色，按服务支持情况调整表达参数。不必重复填写地址和密钥。
3. 打开独立悬浮 Mini，点击开始。看到「录音中」并确认音幅有变化后讲话，再次点击或按 RightAlt 结束本段。
4. 等待翻译和语音生成。Mini 会先生成完整 WAV 再播放；即使服务支持流式输出，也要先停止本段录音。
5. 要取消时，点工作台「停止」或「退出 Mini」，等待网络请求与文件保存收尾完成，再录下一段。等状态确认任务已结束后，再更改配置。

可选服务包括 OpenAI PCM、MiniMax SSE／WebSocket、CosyVoice、豆包 SSE／WebSocket、ElevenLabs 和 VibeVoice 服务，具体以已保存连接及账号权限为准。Qwen3.1 TTS Next 请在声音工作台使用，Mini 此处尚未接入该适配。

旧配置若同时启用多条译声来源，请先选择一项。连接、音色或表达参数无效时会明确报错，不会悄悄改用本机模型。译文会发送给所选语音服务；如果识别也选了 API，录音会发送给对应识别服务。Mini 和持续同传均不加入语音水印。实际音质与等待时间请用自己的账号、语言和设备短试。

123

1. 1明确选择「配置引导 · OpenAI TTS」连接，核对显示的模型和主机名。
2. 2填写此连接使用的音色 ID，图中为默认的 alloy。
3. 3Mini 使用同一连接；先停录，再等待完整音频生成后播放。

从点击开始等待启动确认，到录音、停录收尾、翻译、完整音频生成和播放，Mini 会锁定服务、音色、语言及配置选择。点「停止」后仍需等待结束确认；取消尚未确认或失败时，配置继续锁定，可再点「停止」重试。确认任务已结束后，才能更改配置或录下一段。期间仍可停止录音、生成或播放，也可折叠卡片、查看内容。

123

1. 1Mini 任务尚未结束，运行方式保持锁定。
2. 2提示先停止当前任务。点停止后还要等待结束确认；取消未确认或失败时，可再点停止重试。
3. 3保留当前音色 ID，确认任务结束前不能修改。

配置一次，在各工作台直接选择

在配置引导页登记本地模型，填写容易认出的名称，并在规格中注明大小或量化。不同规格分别登记；VoxCPM 的 Runtime 目录随模型一起保存。

使用页面显示模型的用途、名称和已登记规格。旧配置若只叫 ONNX 这类后端名，会显示目录名帮助区分；显示名称不代表文件或能力已验证，先检查模型，再做短样本试用。

在「同传识别模型 / 服务」中，选一个本地模型就使用本机识别；选「已保存实时 API」则仅为本次同传使用该服务，音频会发送到服务端。选「沿用录音识别方式」保留主录音设置；主录音使用本地识别时，沿用已保存的同传模型。API 不可选时，先到配置引导保存服务，再在录音设置完成实时识别配置。持续同传与 Mini 使用同一选择，均不会把本次的识别方式和语言写回主录音设置。

Under Interpretation recognition model / service, choose a local model to recognize on this computer, or Saved realtime API to use the saved service for this STS task; audio is sent to that service. Use microphone recognition settings retains the main recording route. When that route is local, the saved STS model is used. If the API choice is unavailable, save the service in Setup and complete its realtime recognition settings under Recording settings. Continuous interpretation and Mini use the same choice without changing the main recording route or language.

同传的「语音识别模型」负责把输入变为文字。本机译声时，「分段译声模型」用于 Mini 录音结束后的合成，「持续克隆译声模型」结合参考录音为译文分段发声；选「语音服务／API」时，两种方式共用同一保存连接和音色。按本次使用方式选择即可；「管理模型」进入配置引导页，不需要在工作台重复填写路径。

支持的连续参数可以转动表盘，或聚焦后用方向键调整，也可以直接输入数字。运行时不可调整的控件会变暗，不能修改正在使用的模型。