一个界面，一个按钮 — Lê Xuân Lộc

小时候，我在香港走丢过。我不会说当地的话。

后来出门，去中国内地，去其他我不懂当地语言的国家，手机都用不了流量。每一次我想要的都是同一样东西：一个不用联网的翻译工具，让我能听懂别人，也能和他们说上话。

Knowless 就是我在这件事上的尝试。它直接在手机上把语音实时转写、翻译出来。我设计了它，也用 AI 辅助工具把它开发了出来。¹它大概是我做过的最简单的 App：一个界面，一个按钮。为了做到这么简单，我走了三次弯路。

第一次尝试：雷达

第一版是一个一直在听的雷达。我设想它只靠声音就能判断说话的人在哪儿。

没过多久我就知道它做不到。我的手机录音拿不到空间音频，所以录音里没有任何信息能说明声音是从哪儿来的。就我读到的来看，新一点的机型也许可以。我没有那样的手机。我不再试着靠声音来做这件事。

于是我不用耳朵，改用眼睛。前后两个摄像头同时开着，找正在说话的那张脸，好让 App 知道那个人在哪儿。

这个方案做到了能在我手机上跑起来的程度，一切都在设备上，没有服务器：它盯着两个摄像头，试着把每个声音和一张脸对上。它败在了要紧的地方。手机发烫。电量掉得很快。卡死，而且经常卡死。这个方案我也放弃了。

有些决定小一些，分量却一样重。纸面上，给吵闹的地方做降噪，听起来很合理。后来我用自己的耳朵听了一段很吵的录音。连我自己在说什么，我都听不清。降噪做得再多也救不回来，所以我放弃了这个想法。

这就是我说的“人在回路”（human in the loop）。我用 AI 开发，就得不断检查，自己提的要求放在真实情境里到底合不合理。决策这一环极其重要。

模型也是一样。我一个一个地测，花了很长时间。早期的方案里，模型下载到手机上，整个 App 会达到大约 4 GB。第一版原型还保留着对话记录。为了赶上 Shipaton 按时上线，我把它砍了，结果还是差点错过截止日期。

我听不清的，什么滤波器也听不清

一个界面，一个按钮。按下，说话，翻译。

译文那一行字大。原文紧贴在它下面：小一些，灰色，斜体。

字放大了，这个顺序也不变。双指捏合就能缩放，从 50% 到 300%。要听哪些语言，事先选好，最多三种。你还可以把一行带走：复制它，或者让它朗读出来。

一个很小的功能，做起来却极其复杂：文字怎么出现。

看上去是音频变成文字，文字再显示到屏幕上。其实不是。音频先变成一个猜测，这个猜测立刻上屏，所以才有实时的感觉。接着再修正这个猜测，如果修正后不一样，屏幕上的字就跟着变。一个长句说完，还有一轮处理，结合整句的上下文再修正一次。

这几种状态，每一种都得看着对，中间等待的那一段也一样。正在出现的那一行，画成一串不断变化的字符，跟在琥珀色的光标后面。定下来的一行就是普通文字，不再动。

我在 App 和设计稿之间来来回回，花了两天多。从一开始我就知道，我想让它用起来符合直觉，也相信大家能感觉到。我没想到会花这么久。

有些东西不该在那儿。不是每个人都会注意到。

语音识别和翻译都在手机上运行。语言需要先联网下载一次；之后，核心功能不联网也能用。所以我准备的商店截图上写着“works offline”（可离线使用），并且一口气把条件也带上：下载所支持的语言之后。

这里没有成果数据：没有理解度评分，没有可用性研究，没有用户量数字。我能给你看的，是走过的这条路，和它最后通到了哪里。

下一步，我想让两个人各拿一部手机，互相实时翻译。这个还没做出来。