前期考虑需求的时候，想的太全太复杂，太程序员思维了！我现在把需求简化一下！
以前我们的直播方案是
1.直播开始之前我们会和越南的翻译通过微信通话（我们是做的越南直播）
2.微信语音通话开免提
3.我们obs开播，国内主播开始讲解
4.越南主播在TK上听到国内主播的讲解，之后翻译成中文通过微信语音到国内
5.国内微信语音免提连了蓝牙音响，音响放出声音通过国内主播的话筒再传出去
6.国内主播等翻译说完再开始下一段的讲解.




我的想法，刚开始想的比较全，比如国内主播讲解实时翻译成中文文字，之后通过tts之类的音频云转成越南语
或者英语音频流给到本地的虚拟声卡，在通过OBS一起推流出去，同时也可以加上越南语字幕。国内主播戴个
耳机等翻译完再说下一段，但是后来想想里面有太多的细节问题。 比如：
1.中文识别的准确性
2.转他国音频的准确性
3.国内主播音频需不需要播放出去，还是只要用于识别转他国音频
4.如果不放看直播的会感觉怪怪的
5.放音频那转后的音频和主播音频会不会混，时间怎么控制

我根据我们以前的场景我想把应用简化下
1.obs开播，主播开始介绍，一段段的讲，讲一段停一段，老主播基本都熟练了，毕竟以前就是这样
2.本地音频识别中文，在等主播停顿的时候快速人工审核文字，其实在实时中文识别的时候就已经审了大部分
3.审核完客服点翻译，文字上云或者本地部署的应用，翻译成他国音频流返回给虚拟声卡，推流出去
4.主播开始下一段。
这个方案简单了很多，人工干预但我觉得体验会更好。
优势：
1.主播更加适应这样的节奏
2.翻译的准确性会更高
3.不用考虑主播音频和他国音频串流问题
4.因为客服发送翻译转音频，也可以人工干预，直接输入一些文字在直播间回复客户问题



上面是我的一些想法！最好在一个网页或者一个GUI里面完成