01 — 概览

什么是 Vocal10n

Vocal10n 是一个在单台工作站本地运行的实时语音翻译系统。用户用一种语言说话后，系统会产生：

1. 源语言实时字幕（流式、部分结果）。
2. 源语言修正后的转写文本（带标点）。
3. 目标语言翻译文本。
4. 使用声音克隆生成的目标语言语音。
5. 可选的 OBS Browser Source 叠加字幕（用于直播/录制）。
6. 可选写入到 output/ 的 .srt、.txt 与 .wav 文件。

系统由三个本地模型组成：

阶段	模型	作用
STT	FasterWhisper large-v3-turbo	流式语音识别
LLM	Qwen3-4B-Instruct (Q4_K_M GGUF) + llama-cpp-python	标点修复 + 翻译
TTS	GPT-SoVITS（默认）或 Qwen3-TTS	声音克隆语音合成

设计目标

• 端到端低延迟。 目标语音到语音延迟低于 3 秒，OBS 字幕延迟低于 1.5 秒。
• 单 GPU 运行。 三个模型需共存于 12 GB 显卡（参考 RTX 3060）上。显存预算约为 Whisper 2.5 GB + Qwen3 4 GB + GPT-SoVITS 3 GB ≈ 9.5 GB，并保留余量。
• 本地优先。 默认无需云调用。LLM 阶段可选 OpenAI 兼容 HTTP 后端。
• 模块可独立开关。 STT、LLM、TTS 可独立启停。关闭 STT 可当手动翻译器使用；关闭 LLM 可仅输出 STT；仅启用 TTS 可作为变声/TTS 试验环境。
• 双模式体验。 Pro 模式暴露全部参数，Simple 模式收敛为一键 Start All / Stop All。

目标硬件与系统

• Windows 10 / 11。
• 支持 CUDA 12.x 的 NVIDIA GPU（推荐 RTX 3060 12 GB 或更高）。
• Python 3.11。
• 自动创建两个虚拟环境：venv_main（主应用）与 venv_tts（GPT-SoVITS 子进程服务）。

Vocal10n 不是什么

• 不是会议转录产品：除可选说话人标记外，不提供完整多通道说话人分离流水线。
• 不是云翻译外壳：虽然支持 OpenAI 兼容后端，但默认流程完全本地。
• 不是 TTS 训练工具：可导出 WAV + SRT 作为下游训练数据，但训练过程本身不在本项目范围内。