本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

• 我的帖子已经打上 开源推广 标签： 是


• 我的开源项目完整开源，无未开源部分： 是


• 我的开源项目已链接认可 LINUX DO 社区： 是


• 我帖子内的项目介绍，AI 生成、润色内容部分已截图发出： 是


• 以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI 生成、润色内容已使用截图方式发出

先看效果：

项目地址： GitHub - nbzz/whicc · GitHub

whicc

ASR（语音转文本）模型 + 翻译模型 = 实时多语言字幕

MIT 开源 | macOS 26+ Apple Silicon限定，之后可能会开发原生windowsui

我在看SpaceX直播、日文动漫生肉、世界杯4k外国的直播源时，语言障碍是我的短板，在AI时代，我不想靠付费的云端服务，也不想订阅鱼龙混杂的字幕 SaaS。我的 Mac 就坐在桌上，算力白白闲着。

所以我花了约一个月的时间制作了这款软件。不管你在看什么语言的视频，或者你在留学上外语课程，麦克风听到什么声音，他都能将声音变成字幕，再进行翻译。

它怎么工作

• 
  

  本地 ASR：Nemotron-3.5（识别几十个国家非中文的语音）+ Qwen3-ASR（识别中文或者是方言），跑在系统正在播放声音，或者麦克风拾到声音的苹果芯片的电脑上

  
  


• 
  

  翻译：Tencent Hy-MT2，支持 33 种语言互译，跑在你自己的 LM Studio 里（本机或局域网任意一台机器）

  
  

你可以在算力电脑，包括windows用LM studio装一个HY-MT2的7B模型，在本机也装LM stduio但是不装模型，只是登录同一个账号，就可以利用家里的闲置算力，比如随时随地在咖啡店用家里的电脑翻译字幕了！（这是Lm studio的Lm Link技术）

• 自学习术语库：字幕本身就是很好的上下文。如果你有Hermes agent，它可以分析上下文，知道你现在正在做什么，比如你在看世界杯，阿根廷踢埃及的比赛，他就可以通过web search查询到这场比赛的球员信息变成词库（你也可以手动提示给hermes: 我正在看阿根廷vs埃及的世界杯直播 ），使得翻译更加精准。

技术栈：

SwiftUI+python，打包成Mac原生APP了，不用考虑Python环境问题。

系统音频 → MLX ASR → translate_stream.py → SwiftUI 字幕

下载: Releases

快速上手：用可以访问Huggingface的网络环境，在设置页下载2GB的ASR模型，再需要部署LM Studio，下载并跑一个翻译模型。

然后你就可以看到字幕了

欢迎 Star / PR / 吐槽 ^-^

我的思考

大模型可能会把人的名字翻译错，噪声大的时候也有可能会错，

但一行字幕错一点点，其实还是能看懂，我的软件解决的是Mac本身的语音识别和翻译实在不好用的问题。

我还有一个开源项目叫prompt dock,其实就是一个提示词的模板库，和佬友们或者是其他开发者做的差不多。在模板中填入关键的参数，就可以外链到几个模型平台，比如说OpenAI、claude、grok、pplx，包括国内的元宝、豆包等，在模板不变的情况下，这些平台的模型在日新月异的变好，那么你得到的结果也是会随着模型的进化而进化。

所以我用同样的思路做了 Whicc 这款字幕软件，随着 ASR（语音识别）模型进化，文本会变得更加准确；Hy或者是其他翻译模型进化，翻译得也会更准确。

大厂在卷模型，我只需要适配好，app就会变得更好。

你可能会有疑问，为什么取名为Whicc，因为我最开始是用whisper模型做的，然后发现whisper模型是2024年的产物，AI时代，一天一世界我就用了最新的nemotron模型，这是今年6月份的模型，但是他中文实在太烂了，我想让外国人也能用我这个APP来看中文内容，所以我就在识别中文的时候用Qwen。（这个切换是自动且异步的，不会同时加载两个模型）

我想终有一天世界上将会消除语言障碍，这一步，由我这一个月的行动开始做起。



这也是我目前花的时间最长的一个编程项目。