你们想要的来了！实时字幕，随声翻译：看电影、玩游戏、追直播

「他刚才说的啥？」看没有中文字幕的外语视频、直播或者网课，这句话一天要冒出来好几回。暂停、倒回去、再听一遍，那句关键的话还是抓不住。mimi 就是这么一件 字幕工具：系统里正在放什么声音，它就把什么变成屏幕上的一行字。

和常见的 桌面翻译 软件不一样，它不要求先把文字复制出来。电影、直播、网课、游戏都算，只要声音是从这台电脑里放出来的，就能被识别。这类 跨平台应用 一直不算热门，做的却是一件很多人缺了很久的事，背后接的是 AI工具 里最成熟的那套云识别服务。

mimi 是一个浮在画面上的字幕窗口，属于实用软件 里只做一件事的那一类。它读的是电脑正在输出的声音，不是麦克风，房间里的说话声和键盘声都混不进来。识别之后交给接入的云服务，能翻成简体中文、英语或者日语，具体有哪些语言和模式，要看选的是哪一家服务商。名字取自日语里的「耳朵」。

平台方面，Apple 芯片的 Mac 要 macOS 13 以上才能装，Windows 只能装 64 位版本。Mac 上从菜单栏点开，Windows 上从系统托盘点开。作者目前主要用阿里云做测试，其他服务商虽然也已经接进来，但没怎么实测过，换一家可能遇到还没测到的问题。

功能特点

• 实时字幕与翻译 — 采集系统输出音频；输入语言、翻译目标和质量模式随服务商而异。

• 服务配置 — 保存并切换多套服务配置，无需反复填写凭证。

• 字幕浮窗 — 支持移动、缩放、收起、暂停、点击穿透和沉浸模式。

• 版本更新 — macOS、Windows 安装版和 Linux AppImage 可在设置中检查并安装更新；Windows ZIP 和 Linux .deb 提供 Releases 手动更新入口。

• 会话导出 — 在「设置 → 会话导出」主动开启字幕历史保留或系统音频录制，停止会话后可导出 TXT / WAV。两个开关默认关闭。

• 设置外观 — 支持浅色、深色和跟随系统。

• 隐私 — 无需 mimi 账号，不使用麦克风、不录制屏幕；系统音频只发送给当前服务商。内容仅临时留在内存，手动导出才写入文件。关闭开关会清空对应内容，开始新会话或退出会清空全部内容，请提前导出。

字幕最多保留 10,000 条已确认记录／2 MiB 文字，音频最多 64 MiB；达到上限会停止保留并提示。字幕时间戳表示确认时间，并非媒体播放位置。WAV 不包含暂停和重连间隙，因此不能与字幕时间戳直接对齐。

系统里播什么，就识别什么

它做的是 音频处理 里最直白的一种：只听这台电脑放出来的声音，不碰画面。电影、直播、网课、游戏都算，也不用先把视频文件导进别的工具。

字幕能拖、能缩放，也能收起

字幕浮在画面上层，位置随便拖，字号随手调。不需要的时候能收起来，也能开启点击穿透，让鼠标照常点到字幕底下的东西；另外还有沉浸模式。这类 桌面软件 最容易败在挡视线，它倒是先把这件事处理好了。

原文、译文和双语，一键换

显示方式有三种：只看译文、只看原文、原文和译文一起。用快捷键切换，不会打断正在进行的识别。翻译这一步交给接入的 AI翻译 服务；双语模式下译文还没回来时，先显示已经识别出来的原文，等译文到了再成对出现。

凭证填一次，之后切一下就成

服务凭证存在系统钥匙串里，可以存好几套，换服务商时切一下，不用每次重新填。要说门槛就在这里：凭证得自己准备，调用云服务可能产生费用。

整场能留下来，但默认不开

在设置里的「会话导出」打开开关，字幕历史和电脑放过的声音才会被留住，会话结束后导出成文字文件或者音频文件；两个开关默认都是关的。字幕最多留一万条、文字不超过 2 MiB，音频最多 64 MiB，到上限会停下并提示。时间戳记的是确认时间，不是视频播到了几分几秒。

不用账号，也不碰麦克风

不用注册账号，不用麦克风，也不录屏。声音只发给当前选中的那家服务商，内容临时留在内存里，手动导出才会写成文件。关掉开关会清掉对应的内容，开始新会话或者退出会把全部内容清掉，要留的记得提前导出。