AI-translator: как связать голосовой ИИ-перевод с субтитрами, аудио и Telegram

Редакция APICODIK · 28.10.2026

Разбираем устройство открытого AI-translator: от передачи речи модели OpenAI до вывода перевода в субтитры, аудиоустройства и Telegram.

*Редакционный черновик APICODIK. Требует проверки человеком перед публикацией.*

Синхронный перевод нужен не только участникам международных конференций. Иногда задача гораздо ближе: понять собеседника на рабочем созвоне и иметь перед глазами текст, если на слух что-то ускользнуло. Именно с такой потребности автор публикации на Хабре начал работу над инструментами перевода. В статье он представил AI-translator — открытое приложение, которое соединяет источники речи, ИИ-модель и несколько способов доставки результата.

Главная идея здесь не в создании собственной модели. AI-translator выступает связующим звеном: получает звук, передаёт его переводчику OpenAI и направляет текстовый и голосовой результат туда, где он нужен пользователю.

От помощника для созвонов к отдельному приложению

Первым проектом автора стал transono. По его описанию, это преимущественно библиотека на Rust для работы со звуком, ориентированная на Linux; работу на macOS автор также проверял. В состав проекта входят две программы: служебная утилита для создания виртуальных звуковых устройств и переводчик с текстовым интерфейсом в терминале.

Виртуальные устройства позволяют включить перевод в звуковой маршрут созвона. Пользователь выбирает их в приложении для связи или в браузере, после чего запускает переводчик. В максимальном режиме transono переводит разговор в обе стороны. Помимо озвучивания, которое можно отключать во время работы, интерфейс показывает перевод и распознанный оригинал. Такое соседство даёт пользователю материал для контроля: можно сопоставить исходный текст с результатом, а не полагаться только на голос.

AI-translator в публикации представлен отдельно. Его задача сформулирована шире конкретного созвона: принимать речь из выбранного источника и распределять перевод между настроенными получателями.

Как устроен маршрут перевода

В описанной версии AI-translator реализован только интерфейс OpenAI. Поддержка других интерфейсов обозначена как план, а не как готовая возможность. Это важное различие: открытый исходный код приложения не означает, что представленный вариант выполняет перевод локально. Согласно описанию автора, речь отправляется модели OpenAI.

Практически такую схему удобно рассматривать как три связанных этапа: захват звука, обработка моделью и выдача результата. При настройке нужно определить не только источник речи, но и место назначения каждого выходного потока. Текст и звук при этом имеют разные варианты вывода.

Среди релизных пакетов автор перечисляет версии для Linux, Windows и macOS. Для macOS указано ограничение: пакет доступен только для архитектуры ARM. Наличие пакетов под несколько систем не следует смешивать с описанием платформенной поддержки transono: в статье это разные проекты.

Куда можно направить результат

Получатели перевода задаются через конфигурационный файл. Для текста предусмотрены:

- консоль, в которой запущено приложение;
- SRT-файл субтитров, дополняемый по мере работы;
- WebSocket, доступный другим приложениям или через встроенную HTTP-страницу;
- Telegram-канал.

Звуковой перевод можно отправить на выбранное аудиоустройство либо в трансляцию Telegram-канала.

Для практического применения существенна именно разница между этими выходами. Консоль позволяет читать результат непосредственно при работе с программой. SRT представляет перевод в виде субтитров. WebSocket даёт возможность использовать поток в другом приложении, а Telegram выступает отдельным каналом доставки текста или звука.

Таким образом, выбирать стоит не абстрактный «режим переводчика», а конкретный маршрут: откуда поступает речь и где аудитория должна получить перевод. Наличие нескольких получателей делает этот вопрос центральным для настройки.

Что известно об использовании на мероприятии

По сообщению автора, первая версия AI-translator уже работала на фестивале. Перевод выступлений показывали на большом экране, а поток из WebSocket использовали для формирования субтитров в YouTube-трансляциях.

Автор также приводит собственный ориентир расходов: примерно восемь часов перевода обошлись ему в сумму немного больше 20 долларов. Это результат одного описанного использования, а не универсальная стоимость работы приложения. В публикации нет достаточных данных, чтобы переносить эту сумму на другое мероприятие или рассчитывать по ней гарантированный бюджет.

Отзыв об удовлетворённости участников тоже передан со слов автора. Он показывает впечатление от конкретного запуска, но не заменяет измерений качества перевода.

Что оценить перед собственным запуском

Статья описывает работоспособный сценарий интеграции, однако не приводит измерений задержки или систематической оценки точности. Поэтому перед использованием на своём событии разумно проверить приложение на характерной речи и с теми получателями, которые действительно понадобятся.

Отдельного внимания требует передача звука внешней модели: этот маршрут стоит учитывать при выборе содержания разговоров для перевода. Также необходимо заранее проверить совместимость платформы и нужный способ вывода.

Автор планирует расширять набор получателей аудио и субтитров. Пока же практический интерес AI-translator — в уже описанной связке: один источник речи, модель перевода и несколько способов встроить результат в созвон, экран мероприятия или трансляцию.