用自己的声音做会议翻译

作者：Parley Voice 团队 · 最近更新 2026 年 10 月 14 日 · 我们是 Parley 的开发者，本文不是独立评测。

会议翻译里的「实时声音克隆」是什么？

实时声音克隆是在表达译文内容的同时，尽量保留说话人嗓音特征的语音生成。它不是让所有人都用同一种库存音色朗读译文，而是利用对话过程中可用的嗓音特征，生成更个性化的结果。

三类常被混淆的技术：

传统声音克隆有时要求事先录音或完成注册。实时流程中，模型在说话人开口时适应其嗓音。Parley 当前公开的托管千问与豆包选项不要求事先录音。这并不表示音频只留在本机：所选音频仍会由云端翻译服务处理。

声音克隆也不能当作身份证明。听起来熟悉不等于认证说话人，更不能替代对指令、付款请求或账户变更的独立核实。

为什么「自己的声音」会改变会议体验

声音传达的不只是字面意思。停顿可能表示犹豫；稳重的节奏有助于跟进技术说明；可辨认的嗓音帮助参会者分辨谁在说。普通译音或许把词译对了，却削弱了这种连续感。

例如：产品经理在与英语客户开会时讲中文。字幕能让提案可读，但客户仍需把视线从说话人挪到文字上。口语翻译让他们继续听。若输出听起来像该产品经理，对话会少一点「另有译员在念稿」的感觉。

这是可能的可用性优势，不是已验证的保证——实时克隆未必提高信任、理解或成交率。实际体验取决于翻译质量、音质、说话方式与参会者偏好。有些场合（无障碍、正式陈述、共享传译通道）会刻意偏好中性音色。

双向译音如何进入 Zoom、Teams 或 Meet

桌面翻译应用需要处理两个音频方向。只翻译你听到的内容，在你也需要用另一语言回应时是不够的。

方向一：你说，会议听到译音

1. 你用偏好语言对着本机麦克风说话。
2. Parley 采集该麦克风音频，把所选流送到已配置的翻译服务。
3. 模型理解语音并生成译音，可选地使用听起来像你的声音。
4. Parley 把该音频送入虚拟麦克风。
5. Zoom、Microsoft Teams、Google Meet 或其他兼容会议软件，把虚拟麦克风当作普通麦克风输入接收。

其他参会者通过正常会议音频听到译音，无需 Parley 账号或另装翻译应用。但接收该外发麦克风流的每个人，听到的是同一选定目标语言输出。单个虚拟麦克风不等于给每位听者单独定制语言通道。

方向二：会议说，你听到译文

1. Parley 从所选会议音频源采集声音。
2. 服务把来话译成你偏好的收听语言。
3. Parley 通过你选定的实体耳机或扬声器播放译音。
4. 桌面应用显示原文与译文字幕，之后可查看或导出为字幕文件。

Parley 在同一次连接会话中支持双向。当前托管计费按连接会话时长计一次，而不是外发与收听分别加倍。

音频路由概览见 会议翻译说明 与 桌面设置说明。

「实时」不等于零延迟

实时语音翻译既是语言问题，也是时机问题。系统必须判断何时有足够上下文可译、生成可懂语音，并在不打断对话的前提下送达。

听者感受到的端到端延迟可能包括：

• 语音切分：判断说话人是否说完一个短语，或仍在组句。
• 识别与翻译：识别词语、专名与语境，再选择合适的目标语表达。
• 语音生成：按所选嗓音特征合成音频。
• 网络传输与缓冲：与云端模型往返，以及为顺畅播放所需的缓冲。
• 播放与音频路由：经操作系统、虚拟麦克风与会议软件送达。

流式系统中这些阶段可能重叠，但不会消失。短而清晰的句子往往快于带多重限定的长句。频繁互相打断会让时机与意思都更难恢复。

千问曾公布约 2.3 秒（其 LAAL 指标）的延迟；豆包曾公布约 2.53 秒的语音输出延迟。二者是不同度量、来自供应商自评，不宜当作同一桌面应用端到端基准对比。任一数字都不保证某位用户在 Parley 中的实际体验。

实用测试：从说话人说出有意义的短语，到听者能听懂译音为止计时。用短句、长句、数字、术语与打断各测一轮。不要只凭一段演示片段评判产品。

千问还是豆包：该选哪个实时翻译模型？

Parley 托管服务目前提供两种不同定位，对应不同语言覆盖需求，而非统一的质量排名。

输入语言列表与语音输出列表并不相同。例如粤语在 Parley 语言说明中可作为千问输入，但不是语音输出语言。请核对具体语言对与已安装应用版本，不要假定「能识别」就等于「能合成」。

日英、西英或混合多语言工作流，更值得优先评估千问。若几乎全是中英会议，用代表性商务词汇同时试两种模型。不能在缺少可比测试时，把更贵的选项笼统说成更准确。

见 已文档化的语言与音色。

实时语音翻译要花多少钱？

关键区别是连接会话分钟与说话分钟。Parley 托管服务在连接就绪后开始计费，静音期间也计费；停止会话才停止计费。当前按连接时长以毫秒精度计费，而不是把每次短会话一律进位到整分钟。

以上示例使用标准标价，不含临时促销。双向共用同一次会话费用；麦克风与收听流一起开不会加倍。托管翻译需要钱包余额，不需要周期订阅，也不需要自备模型密钥。

若希望连接自己支持的供应商账号，Parley 另提供一次性个人 API 使用权；该使用权不含供应商用量或钱包余额。购买前请阅读 当前价格与许可条件。

如何设置「自己的声音」翻译并避免啸叫回授

可靠设置不只取决于翻译模型。设备路由错误会导致无声、双音，或译音被再次采集翻译的回授环。

在 Windows 11 上，Parley 公开设置使用 VB-CABLE 作为外发虚拟麦克风。在会议软件中选择该声卡相应的录音端点作为麦克风，并在 Parley 中选择本机麦克风、会议采集源与耳机。允许安装捆绑的已签名音频驱动，并在提示时重启。VB-CABLE 对专业用途有自有许可条款；Parley 订阅或钱包不能替代该驱动许可。

在 macOS 14.5 或更高版本上，指南描述将 ParleyVirtualMic 选为会议麦克风、ParleyMeetingBus 选为会议扬声器，并在 Parley 内选择本机输入与耳机。请授予必要的麦克风与音频设备权限。

通话前简单测试应核对四点：

1. 能在 Parley 中看到本机麦克风的输入电平。
2. 另一位参会者听到的是译音，而不是意外静音或两路音频错误混叠。
3. 会议来话到达 Parley，且你在耳机中听到译文。
4. 译音没有被路由回原始采集源。

请使用 官方首次使用指南；确切设备名与可用性取决于操作系统与已安装版本。用你计划在正式通话中使用的同一会议软件、耳机与设置做测试。

何时适合用声音克隆——以及何时不宜依赖

较合适的场景包括国际客户访谈、多语言产品评审、远程面试、供应商沟通，以及参会者既需要听懂也需要开口的小型团队会议。最大好处是减少在「说」与「读」之间不断切换。

需额外谨慎的场景包括法律承诺、医疗沟通、受监管的金融决策、涉及精确价格或期限的谈判，以及要求正式人工传译的会议。AI 译文可能漏掉否定、误译陌生公司名，或给出听起来自信却不完全符合原意的句子。

稳妥做法是用明确语言复述重要决定：金额、币种、日期、责任人与下一步。请对方确认这些要点，最好有书面跟进。实时字幕可辅助核对，但不是经认证的笔录。

同意、声音近似与数据处理

听起来像真人的声音还涉及隐私与冒充风险。采集或翻译他人语音前请获得同意，遵守组织政策，不要用克隆声音冒充他人发言。

Parley 当前的 数据处理概览 说明：所选音频由云端翻译服务处理。托管模式下经 Parley 服务器转发；个人 API 模式下由桌面客户端连接已配置的供应商。字幕历史保存在本机，音频处理受所选供应商政策约束。无需注册录音不等于任何地方都不处理或不保留音频。

常见问题

开会前需要录制声音样本吗？

使用 Parley 公开的托管千问与豆包实时声音克隆选项时不需要。模型在实时说话中适应。生成的声音未必精确复现你的口音、情绪或身份。

对方需要安装 Parley 吗？

不需要。在桌面会议工作流中，外发译音经会议软件的常规音频通道到达对方。你的会议软件必须支持选择相关麦克风设备。

能在 Zoom、Microsoft Teams 和 Google Meet 里用吗？

虚拟麦克风方案面向支持选择外部音频设备的会议软件。兼容性仍取决于操作系统、权限与各应用的音频设置。重要通话前请实测；这不是对每一设备与客户端的无条件保证。

同一场会议里每个人能选不同目标语言吗？

不能靠单一外发 Parley 虚拟麦克风流实现。该流把选定译作语言作为会议音频送出。按参会者分别选语言需要不同架构，或经恰当配置的平台原生传译功能。

两个对话方向会分别计费吗？

不会。按 Parley 当前托管计价，收听与外发共用一次连接会话费用。静音计入，因此休息时停止会话可避免不必要的用量。

是否总能在两三秒内听到译文？

不能保证。供应商延迟数字使用各自测试指标；真实桌面表现还取决于短语长度、网络、音频设备与会议软件。请用典型对话验证，不要把演示数字当成服务等级保证。

继续阅读

若希望国际通话双方都听到译音，可从 Parley 会议工作流 与 桌面下载与设置 开始。若仍在比较不同翻译路径，可读 2026 年如何选择会议翻译工具 或 实时语音、字幕与会场传译。

来源与核实

产品功能与价格已对照 2026 年 10 月 13 日 公开页面核对。模型供应商数字标明为供应商报告，并非 Parley 独立性能测试。

• Parley — 会议翻译
• Parley — 价格
• Parley — 支持的语言
• Parley — 桌面设置
• Parley — 音频与数据处理
• 千问 — LiveTranslate 模型说明
• ByteDance Seed — 实时传译