用 macOS 26 原生 API 做实时翻译字幕

很多人习惯用 Electron 快排原型，但我这次折腾实时翻译字幕时，发现 Electron 简直是性能噩梦。每句话转译得花 2 秒，字幕出来的时候对方早就把下一段话讲完了。直到我试了 macOS 26 刚更新的几套原生框架，才发现 Apple 其实把整套实时翻译的链路都给铺好了，而且全部在本地跑，完全不用传到云端，这对处理公司内部机密会议来说简直是刚需。

我把这个工具命名为 Wakaru，核心逻辑就是把系统音频截获后，通过本地模型直接转成字幕飘在屏幕上。

核心技术链路

这个流程不需要任何外部 API Key，也不用担心每分钟多少钱的 Token 费。整个数据流是这么走的：

ScreenCaptureKit (截取系统音频) → SpeechAnalyzer (语音转文字) → Translation framework (机器翻译) 或 FoundationModels (LLM 润色) → NSPanel (透明字幕覆盖层)

最关键的一点是，我选了截取系统音频而不是麦克风，这样无论你在开 Zoom、Teams 还是看 YouTube，它都能直接生效，不需要去适配任何第三方软件。

避坑指南：如何让字幕不像“聊天记录”

如果只是简单地把翻译结果贴出来，体验会非常糟糕。在开发过程中我踩了几个坑，建议打算实操的开发者参考：

• 禁止在句子形成时实时翻译：尤其是像德语这种动词在句尾的语言，如果你在实时翻译，字幕会随着每个词的出现而疯狂跳变，根本没法看。现在的逻辑是：等一个句子或长从句完整结束，才触发一次翻译。
• 动态计算字幕停留时间：不能设置固定时长。我用了这个公式：停留时间 = 文本长度 / 7 + 2 秒（限制在 4-12 秒之间）。短句快闪，长句留久一点，才像真正的电影字幕。
• UI 穿透处理：字幕层必须使用 NSPanel 并设置为透明且 click-through，否则字幕挡住屏幕时，你没法点击下面的窗口。

实现代码参考

如果你想尝试调用 macOS 的翻译框架，可以参考这个简单的 Swift 结构：

import Translation

// 简单的翻译调用示例
func translateText(source: String, targetLanguage: Locale.Language) async {
    let configuration = TranslationSession.Configuration(target: targetLanguage)
    do {
        // 使用系统原生的 TranslationSession 进行本地翻译
        let session = TranslationSession() 
        let response = try await session.translate(source, to: targetLanguage)
        print("翻译结果: \(response.targetText)")
    } catch {
        print("本地翻译失败: \(error)")
    }
}

目前整个项目大约 3000 行 Swift 代码，没有任何第三方依赖。用原生框架最大的感受就是：只要你愿意花时间去对齐 API，性能和隐私保护真的能甩掉跨平台框架好几条街。