RainbowSay：影片即時雙語字幕，逐句附詞彙與語法註釋
RainbowSay 是一款面向語言學習內容創作的工具：播放影片素材時逐句給出翻譯、帶讀音的詞彙表和語法註釋，並生成觀眾會暫停檢視的逐詞疊層字幕，可直接錄屏。它支援對任意影片或麥克風語音即時轉寫、生成雙語字幕，顏色、字號、位置均可自訂。每次會話都會儲存，轉寫文字可複製進指令碼，字幕可按口播時間或對齊原文匯出為 SRT。
原標題：Show HN: RainbowSay – Learn, teach, research languages live with shows you love
閱讀原文
| 評分 | 34 / 45（平均 39，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
mlsubgen 本地生成 45 種語言字幕，僅支援 Linux 與 NVIDIA
開源工具 mlsubgen 可在本機為影片生成 45 種語言字幕，僅支援 Linux 與 NVIDIA 顯示卡。它按每段語音檢測語言而非整檔案，同時執行兩個語音識別器並用本地 LLM 調和，且優先使用內嵌字幕軌（含藍光 PGS 點陣圖 OCR），無字幕時才聽音訊。模型佔用 30–65 GB 儲存，需 16–32 GB 記憶體，作者在 24 GB RTX A5000 上實測，純聽音訊時約每個目標語言耗時接近即時。
Overtone 開源：多模型轉寫字幕並由 LLM 糾錯，按螢幕比例切分
Lont 以 MIT 許可開源了 Overtone，它同時用 gpt-transcribe、Azure STT、ElevenLabs Scribe 三個語音模型轉寫，對結果衝突的片段重新送入模型，再由 LLM 結合可選上下文提示判斷實際說了什麼，官方稱多個測試檔案的詞錯率低於單模型方案。配套的規則切分器按螢幕比例生成字幕：16:9 與 9:16 處理不同，停頓處斷行、按說話人分組，人名和數字不跨字幕。
YC 團隊 Subvocal 用射頻智慧眼鏡把默唸轉成文字
YC F26 團隊 Subvocal 在做一副能識別無聲口型的智慧眼鏡：使用者閉著嘴默唸，眼鏡發出類似藍牙的射頻訊號穿過面部，再由基礎模型把舌頭、嘴唇與軟顎的擾動解碼成文字，速度接近正常說話。團隊年初在 TreeHacks 用 EMG 電極復刻 MIT AlterEgo，因出汗、電氣干擾和貼電極不可行改為射頻方案，把天線嵌入鏡架。跨使用者差異靠擴大預訓練資料解決，影片中測試者只做了 20 句校準。目前仍是原型，未來數月繼續研發。
GPT-Live-1 可用提示詞定製音色並新增國際預設音色
OpenAI 開發者帳號 @OpenAIDevs 發布指引，介紹如何為基於 GPT-Live-1 建置的應用配上合適的音色：既可以用提示詞來塑造聲音，也可以從新增的國際預設音色中直接挑選。內容面向做語音應用的開發者，屬於簡短的功能提示，未披露模型細節、定價或可用時間。
輝達開源 Nemotron 3.5 Transcribe：轉寫、說話人分離與翻譯合一
輝達發布開放權重模型 Nemotron 3.5 Transcribe，用同一個 checkpoint 同時完成轉寫、說話人分離、翻譯與音訊問答，已在 Hugging Face 和 ModelScope 上線。它支援 40 種語言轉寫、31 種語言與英語互譯、13 種語言的說話人區分，可處理最長 1 小時錄音、標註最多 8 位說話人，並支援用自然語言提示控制輸出格式與專業術語。