fossasia/voxbento

它解决了什么问题

Voxbento 是一个为现场活动设计的实时口译平台。它无需专门的硬件安装，通过基于浏览器的体验，让同步口译员能够监控活动视频，并以极低延迟将翻译后的音频广播给与会者。

它如何工作

该系统通过 MediaMTX 使用 WebRTC、WHIP 和 WHEP 协议处理音频流，实现亚秒级延迟。口译员使用基于浏览器的界面，通过 Jitsi 监控会议现场，并流式传输其翻译后的音频。一个 FastAPI 门户负责协调、状态管理和身份验证。对于自动化功能，一个「floor-bot」会加入 Jitsi 会议，将音频输入到 ffmpeg 中，利用 Deepgram、OpenAI、Groq、Anthropic 或 Gemini 等提供商进行后台转录和翻译，或使用本地的 NVIDIA Riva 模型。

适合谁使用

需要可扩展、无需安装解决方案进行实时翻译和音频广播的活动组织者和同步口译员。

主要亮点

• 零安装体验：口译员和与会者均可完全在浏览器中使用。
• 低延迟音频：利用 WebRTC/WHIP/WHEP 实现近乎即时的音频传输。
• 灵活的同步：允许组织者添加听众端的音频延迟，以与延迟的视频流对齐。
• AI 集成：支持通过多个第三方 AI 服务提供商或本地 NVIDIA Riva 模型进行后台转录和翻译。