四类直播翻译方案对比：先说清对比条件

大多数方案对比的问题是给了排名却没给条件。同一套配置在中译英上很好用，在中译越南上可能完全不能用；在安静房间里准确，一放背景音乐就崩。没有前提的排名不构成信息。

本文的对比条件

下面所有判断都建立在这四个前提上，换了前提结论就要重算：

1. 语言对：中文 → 英文，单向。这是质量最好的一档，其他语言对上各方案的差距会更大；
2. 音频条件：USB 电容麦、有背景音乐、正常带货语速。音乐的量按 OBS 混音器的分区描述——人声峰值在黄区、音乐留在绿区（-20 dBFS 以下），这样别人可以在自己机器上复现同一个条件；
3. 延迟口径：开口到译音播完，不是开口到出字幕。两者能差好几秒；
4. 成本口径：按每小时直播的直接成本算，含语音合成，不含人力工资和设备折旧。

四类方案

平台自带。 平台侧的字幕与翻译能力按地区和版本分批放开，能力边界随时在变。写这篇时，TikTok 官方新闻室公布过的是视频的自动字幕与字幕/描述翻译，直播侧的实时翻译没有对应的官方规格文档——这一点和推流参数那篇的结论一致：TikTok 没有公开可引用的技术规格。所以这一类的准确说法是「有没有、有多少要以你开播时看到的为准」。

它的接入成本确实最低——不需要额外软件，也不占本机算力。代价是控制权：语言对、术语、字幕样式、断句策略都不由你配置，出问题也没有排查入口。

桌面端工具。 整条管线跑在主播自己的机器上，通过虚拟声卡和 OBS 对接。控制权最高，字幕能做双语排版和抠像，术语表可以自己维护。代价是吃本机性能，而且依赖稳定的网络。

自建 ASR + MT + TTS 管线。 自己把三类 API 串起来。灵活性上限最高，可以为特定品类深度定制。真正的成本是中间那些胶水层——断句、术语、音频路由、失败恢复——这部分的工作量被低估得最普遍。

人工翻译陪播。 请译员实时口译。质量上限最高，能处理俚语、临场应变和文化转换，这三件事机器都做不好。代价是按小时计费，且长时段难以保持稳定。

横向对比

在上面声明的条件下：

维度	平台自带	桌面端工具	自建管线	人工陪播
接入时间	分钟级	半天到一天	二到六周	招人周期
延迟（开口到译音播完）	不可控，平台未公布	可调，取决于断句策略	可调，理论下限最低	最短，译员可以预判
语言对控制	无	完整	完整	取决于译员
术语表	不支持	支持	支持	口头交底
OBS 字幕排版	不可控	可控	可控	需另配字幕员
每小时直接成本	通常为零	订阅或按量，量级最低	API 成本最低，工程成本最高	显著高于其他三类
长时段稳定性	高	高	取决于实现质量	最低
谁在排查故障	没人	你	你	译员和你

表里刻意没有填具体的延迟毫秒数和价格。这两个数字随平台版本、供应商定价和你的机器配置变动，写死在文章里几个月后就是错的。要判断延迟请自己测——方法见延迟预算那篇里的录制对比法。

怎么选

按约束条件倒推，比按功能清单打分有用：

• 只想验证「海外有没有人看」：用平台自带。花半小时就能开播，不要在这个阶段建管线。
• 已经确认要长期做一个语言对：用桌面端工具。控制权和成本的平衡点在这里，字幕和术语能自己管。
• 有稳定工程人力，且有特殊需求（自有术语库、需要对接内部系统、要在私有网络里跑）：自建管线。前提是有人长期负责它，而不是做完就没人管。
• 客单价很高、场次很少（大额批发、B 端招商、高价单品）：人工陪播。一场的收益足以覆盖译员成本时，它的质量优势是其他三类换不来的。

利益披露

本站由衍播（英文 OBSTrans）团队维护。衍播属于上面的桌面端工具类，所以这篇对比不是中立的第三方评测，请按这个前提读。

同样要说清它不适合的场景：

• 只想试水一两场的团队不需要它，平台自带更省事；
• 目标语言在第三档（印尼语、越南语、泰语）时，它的翻译质量受上游模型限制，和自建管线不会有本质差别；
• 需要深度定制、比如要接入你自己的商品数据库做术语替换的，自建管线的天花板更高；
• 主播机器性能吃紧（同时跑游戏或多路推流）的情况下，本机跑完整管线会挤占资源，这种时候把管线放到第二台机器或者改用云侧方案更合理；
• 客单价高到人工划算的时候，机器方案在俚语和临场应变上比不过译员。

什么时候该重新评估

这四类的相对位置不是固定的，两件事发生时值得重算。

一是平台自带开放了配置能力。一旦语言对和术语可以自己设，它在试水以外的场景也会变得可用。

二是你的语言对换了档位。从中英换到东南亚语种时，各方案的差距会被上游模型质量压平——花钱买控制权的边际收益变小，话术和模板回复的优化收益变大。