mimi 最早只跑在 Mac 上，现在已经是跨平台的实时字幕工具。它直接听电脑正在播放的声音，把日语、英语或韩语识别出来，再翻成简体中文、英语或日语，字幕浮在原来的画面上。

我做它，是因为没有字幕的日语视频一直很难看懂。十几岁时只能看表情、听语气，剩下全靠猜。后来同样的问题又出现在日剧、游戏和直播里，我干脆把它做成了一个通用工具。

名字来自日语「耳」的读音みみ，写成罗马字就是 mimi。没有更深的寓意，也不是谁的名字。

字幕晚两秒，翻对了也没用

第一版真正跑起来时，我还高兴了一下：系统声音能抓到，日语也能变成中文，整条链路算是通了。

然后我看了几分钟，开始受不了。

声音已经说完，字幕还在路上；下一句来了，上一句才慢悠悠地出现。有时翻译本身没错，体验却像一个人永远慢半拍给你解释剧情。字幕晚两三秒不是“稍微有点延迟”，它会直接把观看节奏切碎。

mimi 做的事其实不长：听系统声音，识别，翻译，再把字幕放到原画面上。问题是每一步都等上一部彻底完成，串起来就一定慢。要是非等整句话识别完、翻译完才显示，字幕永远只能追着声音跑。

同一句话，要跑草稿和终稿两条路

后来我不再等“完整答案”，把一句话拆成了草稿和终稿。草稿负责尽快出现，可以随时被更新的内容替换；终稿负责把确认过的整句留下，顺序不能乱。

语音识别会不断修正草稿。比如前半秒只听到「今日は」，后面又补成「今日は帰らない」。如果每个草稿都老老实实翻到底，旧翻译还没回来，新文本已经变了，屏幕上就会排起一队过期答案。

所以 mimi 只保留最新草稿。新的识别文本来了，旧翻译还没结束，就让它给更新的句子让路。

终稿反过来不能抢。上一句还没翻完，下一句就先显示，会把对话顺序弄乱，所以确认后的句子要一个个落地。

实时字幕最麻烦的地方就藏在这里：快的结果可以不稳定，稳定的结果必须按顺序。两条路混成一条，要么迟到，要么乱跳。

字幕不能一直堆下去

识别和翻译跟上以后，屏幕又开始出问题。人连续说一长段话，整段文字一直重排，眼睛根本找不到刚才读到哪。切得太碎也不行，一句话会变成几条弹幕，快是快了，读起来很累。

mimi 会尽量在一句话说完的地方切开。已经确认的小句留在上面，慢慢变淡；只有正在说的最后一小段继续更新，不让半成品把整个窗口占满。

听起来只是显示细节，实际上它决定了屏幕上的是字幕，还是一份不断刷新的终端日志。

现在能做什么

• 直接听系统音频，不开麦克风，浏览器、播放器和桌面应用都能用
• 支持中文、英语、日语和韩语；字幕可以显示原文，也可以翻成中、英、日文
• 字幕窗可以拖动、调大小，锁定后鼠标穿透，不挡住原来的操作
• 已确认的字幕慢慢淡去，只滚动更新正在说的尾句
• 不注册账号，不保存音频和持久字幕记录

这里的“实时”当然不是零延迟。网络、识别和翻译都要时间，刚开始也得给它一点机会追上声音。零延迟做不到，旧任务别排队拖死新字幕倒是能管一管。

mimi 的目标也不是会议转写。它没有账号和云端历史，也不负责把一整晚的内容整理成稿。内存里留一点刚刚说过的话，只是为了屏幕显示和翻译上下文，不会把它们写进硬盘。

下面三张是使用场景的二次元示意图，不是产品截图：

日剧：字幕直接盖在播放器上，不用另外找字幕文件。

游戏：锁定字幕窗以后，鼠标可以穿过去，原来的操作不受影响。

直播：直接听系统声音，没有现成字幕也能跟。

代码和最新版下载都在 GitHub (opens in a new tab)。第一次使用可以配置默认的阿里云百炼档案，也可以新增 OpenAI Realtime 档案；模型调用可能产生费用，这一点还是得提前说清楚。

跨平台以后，第一次启动遇到的权限和安全提示会因系统而异；人名、作品名和说得太快的句子也还是会翻错。可现在遇到没有字幕的视频，我会先把 mimi 打开，不再到处搜字幕文件。