從川流字幕想到的共享直播字幕：Textamisu 如何把同一場轉譯成本降到 10 Credits

最近我用川流字幕的 Chrome 擴充功能做了一個 Textamisu 版本。回頭看它的客戶端流程，也重新想了一次：直播字幕的成本，能不能不隨著觀看人數一直線性增加？

客戶端看得到流程，但不是後端的全部答案

從外掛端能看見一些模型別名、翻譯提示詞、前後文處理與字幕呈現的細節。名稱採用抽象別名，代表客戶端不會直接揭露完整的後端實作；這些資訊只能幫助我們理解產品流程，不能用來確認實際模型、版本或供應商。

不過，字幕體驗真正困難的地方本來就不只模型名稱。翻譯要不要帶上下文、怎麼分段、什麼時候更新正在說的句子、如何讓字幕跟畫面對齊，這些小細節才會直接決定「看得懂」和「看得順」之間的差別。

Textamisu 目前幾乎都使用付費 API，所以成本一定存在。但我的想法一直都是：錢要花在刀口上。真正值得花的，是第一次把一段陌生音訊辨識好、把它翻得自然、把時間軸對準；而不是讓同一段直播被每位觀眾重複送進 ASR 和翻譯服務。

川流字幕的公開方案讓我想到另一個更有趣的方向：同一場直播，只要有人先跑過某段內容，就應該能讓後面進來的人直接取得已完成的字幕。

想像同一個直播間有一百個人同時觀看。傳統做法裡，可能有一百條音訊串流、一百次語音辨識，再加上一百次翻譯。對使用者來說，每個人都在等待同一段話；對服務來說，也一直為相同的內容重複付費。

共享字幕的做法不同。系統先用直播來源、時間區段、原始語言與目標語言建立快取鍵：

這和我之前構想的「共享翻譯」是一樣的：同一份內容的智慧工作只做一次，後面的人共享結果。使用者增加時，API 成本就不一定跟著線性增加。

如果 Textamisu 推出直播字幕，我反而想把共享情境做得很直接：後面加入、觀看同一場直播且命中共享字幕的人，一律收 10 Credits。

這 10 Credits 不是再次收取轉譯與翻譯的計算成本，而是負擔連線、快取、同步與服務本身。第一次產生字幕的人承擔實際的運算用量；同一場內容的後續觀看者，不需要把同一筆 API 成本再付一次。對觀眾來說，幾乎接近免費；對服務來說，成本結構也更合理。

這個方向還有不少細節要處理：直播來源要能被穩定識別、字幕必須保留正確時間軸、不同語言要分開快取，還要決定更正字幕後如何同步給正在觀看的人。聊天室也要區分開來，因為它不是共享音訊，而是每則文字與當下對話脈絡的問題。

但核心很簡單：成本不會消失，只是可以把相同內容的重複成本消掉。當同一場直播越多人看，共享字幕的效率反而越高，這才是我想讓 Textamisu 嘗試的方向。