Mimi：免费开源的系统级实时字幕翻译工具，追剧看网课看直播都能双语对照

引言

追美剧等熟肉等得心累，Coursera 英语跟不上节奏，Twitch 主播语速飞快一不留神就漏掉关键信息，外语游戏剧情对不上号——这些场景，你我都遇到过。

YouTube 自带字幕翻译质量飘忽，还只在自己站内有效；商业实时字幕工具按月收租，一年下来小一千块，录音数据还得上传到人家服务器。剩下的选择，似乎只有”硬听”。

直到遇到 Mimi，这事才算有了体面的解法。它是一款免费开源的系统级实时字幕工具，能把电脑里发出的任何声音——电影、直播、网课、游戏——实时转成字幕，同步翻译成中文，以浮窗形式叠在画面上，原文译文并排显示。

工具介绍

Mimi 是开发者 yuxino 在 GitHub 上开源的桌面与安卓应用，基于 Tauri 构建，采用 MIT 协议。项目目前 694 stars、786 次提交，社区讨论散见于 V2EX、LINUX DO、小众软件、NodeLoc 等技术社区，作者本人也活跃回应 issue。

一句话定位：把”系统声音”实时变成”屏幕字幕”，再实时翻译成你想要的语言。它能识别电影、直播、网课、游戏里任何从电脑声卡出来的音频，也能录入麦克风。字幕以浮窗形式显示在屏幕上方，可拖动、可缩放、可锁定穿透。

应用本身完全免费，无需注册账号，API 密钥保存在本地，字幕和录音默认不保存——对注重隐私的人来说是实打实的加分项。当前版本 v1.5.24，覆盖 Windows、macOS、Linux、Android 四个平台。

功能详解

系统音频实时字幕，覆盖电影直播网课游戏

Mimi 最核心的能力，是把”电脑里正在播放的声音”实时转成文字。区别于录完再转写的传统流程，它是边播边出字幕，延迟主要取决于所选云服务的响应速度。

适用场景几乎覆盖所有”声音从电脑出来”的情境：本地播放器里的外语电影、浏览器里的 YouTube 直播、Zoom 英文会议、Coursera 网课、Twitch 直播、Steam 上的外语游戏剧情。macOS 和 Windows 11 上能指定捕获某个应用的音频，避免多 App 串扰；Linux 上通过 PipeWire 选定播放流。

原文+翻译双语对照，可切单语

字幕显示有三种模式：仅原文、仅翻译、原文+翻译双语并排。追剧学外语推荐双语模式，原文在上、译文在下，听不懂时眼神往下一扫就懂；纯追剧可以只看译文，画面干净不挤；纯学语言可以只看原文，逼自己先听再核对。

切换模式有快捷键，不用每次点菜单。Mac 上 ⌘⇧Space 启停识别，⌘⇧M 切沉浸模式，其他平台有对应映射，具体看官网快捷键卡。

浮窗可拖动缩放锁定穿透，沉浸式不打扰

字幕浮窗本身是独立窗口，想放屏幕底部就拖到底部，想字体大点就拉滑块，默认 18px，调大调小随你。

最要紧的是”锁定穿透”：开启后，浮窗接收不到鼠标事件，鼠标点击会”穿透”到下面的应用。字幕叠在视频画面上，但你依然能正常操作播放器、网页、游戏——画面被字幕挡到的部分，鼠标依然能点穿过去。配合”沉浸模式”（隐藏控制面板，只留字幕文本），整套体验接近原生字幕组的效果。

八种以上云服务任选，哪个便宜用哪个

Mimi 本身只做”声音转字幕”和”字幕翻译”这两件事，具体的语音识别和翻译后端，需要用户自己配一个云服务。当前支持的后端包括：

• 阿里云（语音识别+翻译）
• Google Gemini（有免费额度，AI Studio 申请 Key）
• OpenAI Realtime
• Azure OpenAI
• 火山引擎
• 腾讯云
• 百度翻译
• xAI Realtime
• Apple 本地服务（macOS 26+ Apple 芯片，完全离线免费）

成本差异很大。苹果芯片 Mac 用户走 Apple 本地，零成本零延迟，识别和翻译都在设备上。Gemini 免费额度对个人轻度使用够用。阿里云、火山、腾讯这类国内厂商按量计费，单价都比 OpenAI 友好。OpenAI 和 Azure 质量好但贵。预算有限的话，识别用一个服务、翻译换另一个也行，自由组合。

字幕和录音可选保存

默认情况下，Mimi 不保存任何字幕文本和录音，关掉就消失，适合一次性使用。需要留档时，手动开启字幕 TXT 导出和音频 WAV 录制。网课场景把字幕存成 TXT 再整理成笔记，比边听边手打快一个量级。

实测体验

在一台 Apple silicon 的 Mac 上测试，配 Apple 本地服务，macOS 26 已下载中文和英文语言包。开 Mimi、选系统音频、识别语言英文、翻译语言中文、开字幕开关，四步搞定。

实测 Coursera 一节 30 分钟的英文网课，字幕实时跟得上，延迟大约一两秒，原文准确率肉眼估计九成以上，译文通顺度比 YouTube 自动字幕明显好。沉浸模式锁定穿透后，字幕浮在视频下方，操作播放器进度条不受影响，画面被字幕挡到的部分鼠标也能点穿。

切到一部生肉美剧，开双语模式，原文英文在上一行、译文中文在下一行，追剧学外语两不误。切到只看译文，画面干净不少。

第二组测试走 Gemini 免费额度，配 AI Studio 申请的 Key。识别和翻译都在云端，延迟略高于本地模式但差距不大，翻译质量在某些俚语和长句上比 Apple 本地稍好。免费额度对一周看几小时视频的用户够用。

第三组测试在 Windows 11 上，配阿里云。指定捕获浏览器标签页的音频，看 Twitch 直播。识别准确率尚可，专业术语偶有偏差但前后文能补足。锁定穿透在 Windows 上工作正常，浮窗叠在浏览器上不影响操作。

阿里云这组要多说几句，里面有白嫖的坑也有门道。默认配置走的是 qwen-mt-lite 翻译模型，扣钱的；想白嫖得手动换成 qwen-mt-uni，这个翻译模型有 1M 免费额度，按理说能用挺久。语音识别这边，qwen-audio-3.0-asr-flash-streaming 只有 36K 免费额度，烧得快；换成 qwen-audio-3.1-asr-flash-streaming，免费额度直接拉到 1M，够一般人用很久了。

问题来了：Mimi 界面上只能配 ASR 模型，翻译模型那栏锁死在 DeepL/DeepLX/ChatMock/Apple 几家里选，我想直接用阿里云的翻译对不上。翻源码发现后端走的是 DashScope 协议，理论可以直接指定模型。继续追问 AI，让它帮我接续配置 ASR+MT 两侧都支持自定义模型，重新编译打包——能白嫖的额度就接着白嫖。

这版改完实测下来效果不错，声源不管是抓系统音频还是外接麦克风，识别都跟得上。日常用得最多的场景其实是和国外同事开发，英语不好，开会时得靠语音识别加翻译兜底，Mimi 这种浮窗双语对照比单独开 Otter 切来切去顺手不少。

遇到的问题：第一次启动 macOS 提示需要授权辅助访问和麦克风权限，按引导开就行；Linux Wayland 下浮窗同步有已知限制，建议切 X11。GitHub issue 区有详细排错文档，作者响应挺快。

对比分析

把 Mimi 放到常见方案里看：

和 Otter.ai 这类商业实时字幕工具比，Mimi 免费开源、跨平台、浮窗能锁定穿透；Otter 按月订阅，录音数据得上传对方服务器，主要面向会议场景，浮窗能力弱。

和飞书妙记、腾讯会议纪要比，后者绑死在自家会议生态里，独立视频、直播、游戏都管不着；Mimi 走的是系统级音频，任何 App 出声都能上字幕。

和 YouTube 自带自动字幕比，YouTube 只在自己站内有效，翻译质量参差；Mimi 跨所有网站和应用，翻译引擎随你换。

和 PotPlayer、VLC 的本地字幕加载比，后者得先有字幕文件，直播和网课都用不了；Mimi 是实时识别，直播也跟得上。

差异在哪？开源免费、系统级音频覆盖任意 App、浮窗双语加穿透锁定——这三条是别的方案凑不齐的组合。

平台与获取方式

Mimi 支持 Windows（x64）、macOS（13+，Apple silicon 和 Intel 各一份 DMG）、Linux（x86_64，AppImage 和 DEB）、Android（10+，独立 APK）。当前版本 v1.5.24。

下载入口在 GitHub Releases，官网 mimi.yuxino.cn 也有跳转链接。安装后不用注册，密钥本地存。第一次用得去对应云服务商申请 API Key，官网有详细配置文档 provider-setup.zh-CN.md。

苹果芯片 Mac 用户走 Apple 本地，零成本起步；其他平台推荐先试 Gemini 免费额度，重度使用再考虑阿里云、火山这类按量计费服务。

总结

Mimi 把”系统声音即字幕”这件事做成了免费开源的形态，浮窗双语对照加锁定穿透的组合，追剧、网课、直播、游戏四个高频场景都能用上。开源、密钥本地存、默认不录音不存字幕，对隐私敏感的人友好。

适合谁：追生肉影视的、上外语网课的、看 Twitch/YouTube 直播的、玩外语游戏的、参加英文会议的。不适合谁：完全不想碰 API Key 配置的、对翻译质量有母语级苛求的、重度商用需要团队协作的。

资源链接放这儿：官网 mimi.yuxino.cn，GitHub github.com/yuxino/mimi。开源项目，用着顺手可以去点个 star，遇到问题在 issue 区反馈，作者响应挺快。

---

本文基于 Mimi v1.5.24 版本，访问时间 2026 年 10 月。功能和服务列表可能随版本更新变化，以官网和 GitHub 仓库为准。