我用了快三年的逐字稿服务 Good Tape 今天刚好到期。账单拉出来一算：€476，大概台币一万七。我是Pro 方案。看了一下这个月的使用量：还剩20 小时。

为什么想要自己做

因为AI Agent 进步太快！已经改变工作模式。加上常有会议 — 台日、中英、偶尔有东南亚伙伴。

持平来说，三年前Good Tape 是好工具，这是丹麦团队做的，主打安全和准确。但它解决的是「事后」的问题：录完音上传，等它跑完逐字稿。没有即时辨识，没有翻译，没有摘要。

我三年付了 €476（台币约一万七），拿到逐字稿功能。当时能有这样的功能已经很惊喜，但若能在「当下」，如会议正在进行中，对方讲日文可以即时看到中文，那就更棒。不是会后才慢慢整理。

目前市场上的即时翻译竞品：

  • Transync AI — $8.99/月（10 小时），功能最接近我要的，有即时语音翻译 + 会议摘要 + 60 语言。但要装 App，而且超过时数另外买时数卡（$7.99/10hr 起）。用越多越贵。
  • JotMe — $9-15/月，107 语言，但绑 Chrome Extension
  • Wordly — 企业定价，按小时买包，10 小时起跳
  • KUDO — 年度授权，不公开价格，锁定大型企业
  • Palabra — 要装桌面 App，绑定特定会议软体

我想要的其实很单纯：打开浏览器就能用，不装任何东西，手机电脑都行，跟老外开会可以一边透过AI协助理解，且成本透明可控。如前天分享的，决定自己做。

工具叫「即时会议记录｜阿哥拉广场」，部署在我的个人网站上

  • 🎙 即时语音辨识 — 说话的当下就出文字，不是录完才转
  • 🌍 12 种语言即时翻译 — 中、英、日、韩、越、泰、印尼、德、西、法、葡
  • 📋 AI 会议摘要 — 一键产出重点整理 + 待办事项 + 决议
  • 📖 术语表 — 自订专业术语对照，确保翻译一致
  • 🖥 字幕模式 — 全屏黑底大字，投影会议室用
  • ⬇️ 全文汇出 — TXT / CSV，可丢进 Excel
  • 💰 即时成本追踪 — 每一笔 API 呼叫花多少钱，透明可见
  • 🔐 三层认证 — Google / LINE / Facebook OAuth + 邀请码

前端 2,533 行，后端 2,148 行。一个 HTML 档加一个 Cloudflare Worker。

技术上最有趣的部分：三路语音辨识路由

语音辨识不是只挑一家 API 就好。不同语言有不同的最佳解。根据语言自动切换引擎：

三路语音辨识路由架构

  • 🇹🇼 中文 → Qwen3-ASR（阿里云 Qwen 团队，WebSocket 串流）
  • 🇺🇸 英文 → whisper-large-v3-turbo（LPU 硬体加速，200×+ 即时速度）
  • 🌐 其他语言 → Deepgram Nova-3（WebSocket 串流）

翻译统一用 Claude Haiku 4.5（Anthropic），再用串流输出，翻译结果是一个字一个字跳出来的，不是等全部翻完才显示。除了考虑输出品质，也有考虑成本。

  • Groq：$0.02/hr，英文最便宜
  • Qwen：~$0.40/hr，中文辨识率 97%+，专业术语（方言也支援）也准
  • Deepgram：$200 免费额度，多语言通吃

一场 1 小时的中英会议，API 成本大约 $0.50 USD。台币 16 块。换算一下：我在 Good Tape 花的 €476，等于用自建工具开超过 950 场会议。Transync AI 的 $8.99/月用一年是 $108，同样的钱可以开 216 场。

但这篇文章真正想说的不是技术

做这个工具的过程，其实是一个学习「怎么跟 AI 协作」的过程。我不是工程师。我的背景是生命科学、神学、农产电商、循环经济等。写程式对我很困难。虽然第一个创业的题目是做Fintech 的SAAS，但整套工具与服务都是靠七个人的团队协助。

我有种感觉，跟 AI 协作，需要的不只是程式能力，应该是一种新的素养（我还说不太清楚）。

拆解问题比写程式码重要

Groq 串接不是一句「帮我加上 Groq」就会动。我把它拆成两个 Phase：Phase A 后端先把 API endpoint 做好、部署、验证能打通。Phase B 前端再做语言路由，让它根据选的语言自动切引擎。

每个 Phase 独立可验证。坏了只坏一半，不会整个炸掉。这个拆法不是 AI 教我的，是我从多次失败学到的 — 一次想做太多，中间 token 用完或 context 压缩，连带搞坏前面做对的部分。

问对问题，比叫 AI 直接写更有效

不是说「帮我做一个翻译工具」。而是：「现有的 WebSocket proxy 模式不能用在 Groq 上，因为它是 REST API 不是 WebSocket。前端需要改成 chunked HTTP 模式，每 3 秒切一段音讯 POST 出去。onstop + restart 循环会有 race condition 吗？」

这种问题才会得到有用的答案。

功能写完不是结束，要做 Code Review

我请 Claude 用工程角度检查刚写完的程式码。结果真的抓到三个问题：Groq 连续失败时完全静默、MediaRecorder 的 closure 安全问题、动画效果没有在新引擎触发。

这三个 bug 我自己不会发现。但我知道要「问这个问题」。

AI 不会主动帮你巡逻

Fitbit 健康数据坏了好几天，是我偶然问了才发现。根因是一个 function 少传了一个参数，每次排程执行都静默失败。AI 不会半夜起来帮你检查系统有没有坏掉。你要知道该问什么、什么时候该问。

这是一种新的工作体感

过去我们说「资讯素养」，是指会搜寻、会判断资讯真假。现在我们可能需要的是「AI 素养」：

  • 知道怎么把大问题拆成 AI 能处理的小问题
  • 知道怎么描述技术约束条件，让 AI 给出可执行的方案
  • 知道什么时候该信任 AI 的输出，什么时候该自己验证
  • 知道 AI 的能力边界在哪里 — 它能帮你写、帮你查、帮你 review，但不会主动替你思考该做什么

这不是工程师的专利。这是每个想善用 AI 的人都需要的能力。

我不会写程式，但我想跟 AI 协作做出一个即时翻译工具（一言不合就弄套软体已经成真）。