# Idea file：瀏覽器即開即用的即時多語會議翻譯

> 這是一份 idea file：只寫目標、約束、取捨與驗收標準，不含實作。把它餵給你的 coding agent，讓 agent 依你的需求重建這個專案。
> This is an idea file: goal, constraints, tradeoffs and acceptance criteria, no implementation. Feed it to your coding agent to rebuild the project for your own needs.

- 源文章（完整過程、踩坑與完整功能清單）：https://paulkuo.tw/articles/ai-collab-realtime-translator/
- 源文章 raw Markdown：https://paulkuo.tw/articles/ai-collab-realtime-translator.md
- 作者：Paul Kuo（paulkuo.tw）
- 整理日期：2026-10-08。文中供應商、模型與價格是源文章當時的實測狀態，重建時可用當下的等價品替換，架構邏輯不變。

## 一句話目標

打開瀏覽器就能用的即時多語會議翻譯工具：免安裝、手機電腦都行、成本透明可控。

## 核心約束

- 免安裝：交付形態是一個 HTML 檔（前端）加一個 Cloudflare Worker（後端）。沒有 App、沒有瀏覽器外掛。
- 即時：說話當下出文字；翻譯用串流輸出，一個字一個字出現，不是錄完才轉。
- 成本透明：介面上有即時成本追蹤，每筆 API 花費看得到。
- 認證：Google / LINE / Facebook OAuth 加邀請碼，控管誰能用。

## 已做的取捨（與理由）

- 語音辨識（STT）不押單一供應商，按語言路由到三家：中文走 Qwen3-ASR（WebSocket 串流），英文走 Groq 上的 whisper-large-v3-turbo，其他語言走 Deepgram Nova-3。理由：不同語言的辨識率與價格最佳解不同。原專案實測：Groq 英文約 $0.02/小時、Qwen 中文約 $0.40/小時但辨識率 97% 以上、Deepgram 有 $200 免費額度。
- 翻譯統一用 Claude Haiku 4.5 串流輸出，兼顧品質與成本。
- Groq 是 REST API、不是 WebSocket，所以前端對它採 chunked HTTP：每 3 秒切一段音訊 POST 出去。實作時要先確認 MediaRecorder 的 onstop 加 restart 循環會不會有 race condition。

## 驗收標準

- 多語即時翻譯，至少涵蓋：繁中、簡中、英、日、韓、越、泰、印尼、德、西、法、葡。
- AI 會議摘要（重點、待辦、決議）、自訂術語表、全螢幕字幕模式（黑底大字）、TXT 與 CSV 匯出。
- 即時成本追蹤：每一筆 API 呼叫花多少錢，透明可見。
- 一場 1 小時中英會議的 API 成本控制在 $0.50 USD 上下（約台幣 16 元）。

## 成本與規模刻度（原專案實測）

- 程式規模：前端 2,533 行（單一 HTML）、後端 2,148 行（單一 Cloudflare Worker）。
- 營運成本：每場 1 小時中英會議 API 成本約 $0.50 USD。
- 對照：同類 SaaS 訂閱制約 $8.99/月 10 小時起跳。

## 過程教訓（重建時直接沿用）

- 功能拆成獨立可驗證的階段（原專案：Phase A 後端 endpoint 先部署驗證、Phase B 才做前端語言路由），壞了只壞一半。
- 向 AI 提問要帶技術約束（例：指明 Groq 是 REST 非 WebSocket，再問即時化怎麼做）。
- 每個功能寫完請 AI 做一輪 code review。原專案靠這步抓到三個 bug：Groq 連續失敗完全靜默、MediaRecorder closure 安全問題、動畫沒在新引擎觸發。
- AI 不會主動巡邏，監控與告警要自己設計進去。

## 刻意不做的事

- 不做 App、不做瀏覽器外掛、不做桌面軟體。
- 不綁定任何特定會議軟體。