jitsi-windows-local-translation

Windows 11 上部署 Jitsi Meet，并实现局域网实时语音翻译字幕

本文记录一个可复现的测试方案：在 Windows 11 上通过 WSL2 和 Docker Desktop 运行 Jitsi Meet，再接入完全位于 Docker 内网的 Whisper/NLLB 翻译适配器，实现"中文讲话、英文字幕；中文讲话、阿拉伯语字幕"等多语言实时字幕效果。

本案例重点是测试、内网和小规模使用。它不是面向公网生产环境的最终架构。

一、Jitsi Meet 是什么

Jitsi Meet 是一套开源的视频会议解决方案，支持浏览器和移动端访问，也可以通过 Docker 自行部署。它的核心组件包括：

• Jitsi Meet Web：浏览器会议页面。
• Prosody：XMPP 信令服务器，负责会议状态和参与者协商。
• Jicofo：会议控制组件，负责会议编排和桥接服务调度。
• Jitsi Videobridge（JVB）：音视频 SFU，负责转发参会者的音视频流。
• 可选扩展：录制、直播、电话接入、Etherpad、转写和语音翻译等。

Jitsi 的基本会议功能包括摄像头、麦克风、屏幕共享、聊天、邀请链接、多人会议和移动端浏览器访问。Jitsi 官方文档将它定位为可以自行托管的开源视频会议平台；官方 Docker 方案适合快速部署和测试。

参考：

• Jitsi Meet 官方介绍
• Jitsi 官方 Handbook

二、Jitsi 适合做什么

适合的场景

场景	适合原因
公司内网会议	音视频和业务数据可以留在企业网络内，部署成本较低
跨语言内部沟通	可以为不同参会者显示不同目标语言字幕
远程培训和教学	屏幕共享、多人会议和字幕可以组合使用
客服、技术支持和远程协作	可以通过会议链接快速加入，不强制安装客户端
功能验证和原型开发	开源、可修改，适合验证 WebRTC、转写和 AI 翻译方案

不适合直接照搬到生产环境的场景

• 面向公网的大规模会议平台。
• 对延迟、准确率和高并发有严格 SLA 的实时翻译服务。
• 尚未完成身份认证、审计、备份和模型授权确认的正式业务系统。
• 涉及高度敏感内容、但还没有完成数据流向和日志策略评审的会议。

Jitsi 本身可以作为可靠的视频会议基础，但"实时翻译"还取决于语音识别模型、翻译模型、硬件性能、网络质量和领域词汇。会议功能稳定，不代表 AI 字幕一定准确。

三、本案例的最终效果

会议中的每个人可以独立选择目标语言：

1. A 说中文。
2. B 选择 English，看到英文字幕。
3. C 选择 العربية，看到阿拉伯语字幕。
4. 识别结果中带有说话人信息，字幕可以区分是谁发言。
5. 原始会议声音保持不变，本方案主要实现文字字幕翻译，不合成翻译语音。

图中是实际测试截图。发布到公网博客前，建议根据需要将局域网 IP、会议名称和参会者名称打码或替换。

四、整体架构

4.1 数据流

#mermaid-svg-IoZ5XKr0PlFHbs8k{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-IoZ5XKr0PlFHbs8k .error-icon{fill:#552222;}#mermaid-svg-IoZ5XKr0PlFHbs8k .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-IoZ5XKr0PlFHbs8k .marker{fill:#333333;stroke:#333333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .marker.cross{stroke:#333333;}#mermaid-svg-IoZ5XKr0PlFHbs8k svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-IoZ5XKr0PlFHbs8k p{margin:0;}#mermaid-svg-IoZ5XKr0PlFHbs8k .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .cluster-label text{fill:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .cluster-label span{color:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .cluster-label span p{background-color:transparent;}#mermaid-svg-IoZ5XKr0PlFHbs8k .label text,#mermaid-svg-IoZ5XKr0PlFHbs8k span{fill:#333;color:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .node rect,#mermaid-svg-IoZ5XKr0PlFHbs8k .node circle,#mermaid-svg-IoZ5XKr0PlFHbs8k .node ellipse,#mermaid-svg-IoZ5XKr0PlFHbs8k .node polygon,#mermaid-svg-IoZ5XKr0PlFHbs8k .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .rough-node .label text,#mermaid-svg-IoZ5XKr0PlFHbs8k .node .label text,#mermaid-svg-IoZ5XKr0PlFHbs8k .image-shape .label,#mermaid-svg-IoZ5XKr0PlFHbs8k .icon-shape .label{text-anchor:middle;}#mermaid-svg-IoZ5XKr0PlFHbs8k .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .rough-node .label,#mermaid-svg-IoZ5XKr0PlFHbs8k .node .label,#mermaid-svg-IoZ5XKr0PlFHbs8k .image-shape .label,#mermaid-svg-IoZ5XKr0PlFHbs8k .icon-shape .label{text-align:center;}#mermaid-svg-IoZ5XKr0PlFHbs8k .node.clickable{cursor:pointer;}#mermaid-svg-IoZ5XKr0PlFHbs8k .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .arrowheadPath{fill:#333333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-IoZ5XKr0PlFHbs8k .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-IoZ5XKr0PlFHbs8k .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-IoZ5XKr0PlFHbs8k .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-IoZ5XKr0PlFHbs8k .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .cluster text{fill:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k .cluster span{color:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-IoZ5XKr0PlFHbs8k .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-IoZ5XKr0PlFHbs8k rect.text{fill:none;stroke-width:0;}#mermaid-svg-IoZ5XKr0PlFHbs8k .icon-shape,#mermaid-svg-IoZ5XKr0PlFHbs8k .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-IoZ5XKr0PlFHbs8k .icon-shape p,#mermaid-svg-IoZ5XKr0PlFHbs8k .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-IoZ5XKr0PlFHbs8k .icon-shape .label rect,#mermaid-svg-IoZ5XKr0PlFHbs8k .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-IoZ5XKr0PlFHbs8k .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-IoZ5XKr0PlFHbs8k .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-IoZ5XKr0PlFHbs8k :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} HTTPS :8443
WebRTC 音视频
配置转写/翻译连接
Opus WebSocket
transcription-result
参会者浏览器
Jitsi Web / Nginx
Jitsi Videobridge
Prosody XMPP
Jicofo 会议控制
local-translation
Opus 解码 + VAD
Whisper small

语音识别
共享识别结果
NLLB-600M INT8

多目标语言翻译
models 持久化缓存

4.2 每个部分的实现点

部分	实现方式	关键配置或代码
Windows 宿主机	Windows 11 + WSL2 + Docker Desktop	Docker Desktop 使用 WSL2 后端
Web 入口	Jitsi Web/Nginx	PUBLIC_URL=https://<局域网IP>:8443
音视频媒体	JVB 转发 WebRTC	防火墙放行 10000/udp
会议控制	Prosody + Jicofo	Jicofo 负责建立转写/翻译 WebSocket
语音输入	JVB 输出参会者 Opus 音频	不开放翻译服务的局域网端口
语音识别	Faster-Whisper small，CPU，INT8	支持 LOCAL_SOURCE_LANGUAGE=zh 等源语言提示
文本翻译	NLLB-200 distilled 600M	本地运行，输出多个目标语言字幕
参会者语言	前端翻译菜单	每个参会者可以独立选择目标语言
说话人显示	端点 ID 映射到 Jitsi participant name	字幕显示说话人名称
隐私日志	后端不打印原文和译文	只记录语言、标签、字符数、耗时和错误
数据持久化	Docker volume	模型缓存存放在 local-translation/models

五、为什么 Windows 需要 WSL2 和 Docker Desktop

Jitsi 的服务端组件主要运行在 Linux 容器中，Windows 不适合直接以原生 Windows 服务的方式部署完整 Jitsi 服务。Windows 11 上更容易复现的路线是：

Windows 11
  └─ WSL2 / Virtual Machine Platform
      └─ Docker Desktop（WSL2 backend）
          └─ Jitsi Docker Compose

这套方式适合测试和内网小规模使用。正式公网环境通常更建议使用独立的 Linux 服务器或云主机，以获得更稳定的网络、端口、资源隔离和运维能力。

六、部署前准备

6.1 硬件和系统

• Windows 11 64 位。
• BIOS/UEFI 已开启硬件虚拟化。
• 已启用 WSL2 和 Virtual Machine Platform。
• 已安装 Ubuntu WSL2 发行版。
• 已安装 Docker Desktop，并启用 WSL2 后端。
• 建议至少 8 GB 内存；本案例的 Whisper 和 NLLB 模型会占用较多内存。
• 如果使用 CPU 推理，建议有较新的多核处理器。

6.2 网络和端口

内网测试至少需要：

端口	协议	用途
8443	TCP	HTTPS 网页访问
10000	UDP	Jitsi WebRTC 音视频媒体

local-translation 的 38030 只在 Docker 内部网络使用，不需要对局域网开放。

本案例局域网地址为：

https://10.27.0.253:8443

实际部署时必须替换成 Windows 主机当前的局域网 IPv4 地址。若路由器通过 DHCP 更换了地址，需要同步修改 PUBLIC_URL 和 JVB_ADVERTISE_IPS。

七、获取 Jitsi Docker 配置

官方建议使用 Docker 项目的稳定版发布包，而不是直接把开发分支当作生产部署代码。本文案例使用：

stable-11146-2

后续复现时可以使用官方最新稳定版，但要注意配置目录和环境变量可能随版本变化。

官方参考：

• Jitsi Docker 部署指南
• Windows 上运行 Jitsi Meet

下载并解压后进入项目目录，例如：

cd C:\JitsiMeet\docker-jitsi-meet
Copy-Item env.example .env

生成 Jitsi 内部密码，并创建配置目录。不同版本的目录列表可能略有差异，应以对应版本的官方说明为准。

八、Jitsi 基础配置

在 .env 中至少配置以下内容。示例中的密码只表示配置项名称，不要把真实密码发布到博客或代码仓库。

PUBLIC_URL=https://<Windows局域网IP>:8443
JVB_ADVERTISE_IPS=<Windows局域网IP>
HTTPS_PORT=8443

ENABLE_AUDIO_TRANSLATION=1
ENABLE_TRANSCRIPTIONS=1
JICOFO_TRANSLATION_URL_TEMPLATE=ws://local-translation:38030/translate?sessionId={{MEETING_ID}}

# 目标语言菜单
TRANSLATION_LANGUAGES=['zh-CN','zh-TW','en','ar','ja','ko','fr','de','es','ru','it','pt','hi','th','vi','id','tr','nl']
TRANSLATION_LANGUAGES_HEAD=['zh-CN','en','ar']

# 源语言：zh、en、ja、ar 或 auto
LOCAL_SOURCE_LANGUAGE=zh

源语言是会议级设置：

• 主要使用中文的会议设置为 zh，可以显著减少中文短句被误判成韩语、乌克兰语等语言。
• 英语会议设置为 en。
• 语言混杂的会议设置为 auto，但短句误判概率会增加。

目标语言则是参会者级设置：B 选择英文、C 选择阿拉伯语，不会互相覆盖。

九、实现本地 Whisper/NLLB 翻译适配器

9.1 适配器的职责

local-translation 服务实现 Jitsi bridge-based transcription/translation 所需的 WebSocket 接口：

/transcribe
/translate

它接收 JVB 转发的 Opus 音频，完成以下处理：

Opus 音频
  → Opus 解码
  → 48 kHz 转 16 kHz
  → 简单 VAD 和静音分段
  → Faster-Whisper 识别
  → NLLB 翻译
  → transcription-result
  → JVB 转发给参会者

官方 bridge-based 转写链路也是由 JVB 通过 WebSocket 连接转写服务，再把结果注入会议。本文没有使用已经过时的 Jigasi 转写路线。

参考：Jitsi Bridge-based Transcriptions

9.2 Docker Compose 覆盖文件

本文使用单独的 translation.yml，不修改 Jitsi 官方主 Compose 文件的主体结构。关键内容如下：

services:
  local-translation:
    build:
      context: ./local-translation
    image: jitsi/local-translation:latest
    restart: unless-stopped
    environment:
      PORT: 38030
      SOURCE_LANGUAGE: ${LOCAL_SOURCE_LANGUAGE:-auto}
      WHISPER_MODEL: small
      WHISPER_COMPUTE_TYPE: int8
      WHISPER_THREADS: 8
      TRANSLATION_MODEL_REPO: facebook/nllb-200-distilled-600M
      TRANSLATION_NUM_BEAMS: 1
      TRANSLATION_MAX_NEW_TOKENS: 96
      TRANSLATOR_DYNAMIC_INT8: 1
      SILENCE_SEC: 0.55
      MAX_UTTERANCE_SEC: 6
      MIN_SPEECH_SEC: 0.35
    volumes:
      - ./local-translation/models:/models
    networks:
      meet.jitsi:

networks:
  meet.jitsi:

服务不映射新的宿主机端口，只加入 meet.jitsi Docker 内部网络。

9.3 识别和翻译模型

本案例使用：

• Faster-Whisper small：负责语音转文字。
• facebook/nllb-200-distilled-600M：负责多语言文本翻译。
• CPU 动态 INT8：减少 NLLB 内存占用和翻译耗时。

模型首次启动会下载到 local-translation/models。之后重启容器会复用缓存，但模型加载仍可能需要几十秒到几分钟。

需要注意：NLLB-200 distilled 600M 的 Hugging Face 模型卡标注为 CC-BY-NC-4.0，并且定位为研究模型。公司正式商用前必须审查模型许可证、数据合规和业务场景适用性，不能因为代码是开源的就默认模型可以直接商用。

参考：NLLB-200 distilled 600M 模型卡

十、三个关键优化

10.1 不在日志中记录字幕原文

服务端日志只保留类似下面的信息：

source=zh chars=8
translation tag=<speaker-tag> target=en chars=19

不记录识别原文和译文内容；Docker 日志限制为：

logging:
  driver: json-file
  options:
    max-size: "10m"
    max-file: "3"

注意：这只代表后端日志不保存原文。会议中的字幕仍然会在参会者浏览器中显示，浏览器端的字幕面板属于会议使用体验，不能与服务端日志混为一谈。

10.2 手动指定源语言

Whisper 在很短、音量较低或带噪声的语音上可能误判语言。已增加：

LOCAL_SOURCE_LANGUAGE=zh

服务也兼容 WebSocket URL 中的标准 lang 参数，例如：

/translate?sessionId=<MEETING_ID>&lang=zh

对于固定语言的会议，手动指定源语言通常比自动检测更稳定。对于中英日韩等语言频繁切换的会议，再使用 auto。

10.3 一次识别，多目标语言翻译

处理逻辑从：

每种目标语言都重新做一次语音识别

调整为：

一次 Whisper 识别
  → 共享源文本
  → 英文翻译
  → 中文翻译
  → 阿拉伯语翻译

服务端增加了识别任务和翻译任务缓存。相同音频块或相同文本/目标语言请求可以复用任务，减少重复 CPU 计算。

这并不意味着多种目标语言完全没有额外开销：每个目标语言仍需要一次文本翻译。真正进一步降低延迟，可以将 NLLB 转换为 CTranslate2/ONNX INT8，或者使用 GPU 推理。

十一、构建和启动

在部署目录执行：

cd C:\JitsiMeet\docker-jitsi-meet

# 首次构建本地翻译镜像
docker compose -f docker-compose.yml -f translation.yml build local-translation

# 启动 Jitsi 和本地翻译服务
docker compose -f docker-compose.yml -f translation.yml up -d

# 查看服务状态
docker compose -f docker-compose.yml -f translation.yml ps

当前案例已经准备了两个 PowerShell 脚本：

# 启动
powershell -ExecutionPolicy Bypass -File "C:\JitsiMeet\docker-jitsi-meet\start-jitsi.ps1"

# 停止，不删除配置和模型
powershell -ExecutionPolicy Bypass -File "C:\JitsiMeet\docker-jitsi-meet\stop-jitsi.ps1"

# 修改翻译代码后重新构建并启动
powershell -ExecutionPolicy Bypass -File "C:\JitsiMeet\docker-jitsi-meet\start-jitsi.ps1" -Rebuild

本案例脚本实际位于：

• start-jitsi.ps1
• stop-jitsi.ps1

启动脚本使用两个 Compose 文件，是因为 local-translation 和自定义 Web 镜像定义在 translation.yml 中。只执行没有 -f translation.yml 的命令，可能看不到本地翻译服务。

十二、访问和使用

在本机或同一局域网设备访问：

https://<Windows局域网IP>:8443

测试阶段使用自签名证书时，浏览器会显示证书警告，需要在测试设备上手动继续访问。正式环境应使用受信任的 HTTPS 证书。

进入会议后：

1. 允许浏览器使用麦克风和摄像头。
2. 确认 Windows 的输入设备电平会随着说话变化。
3. 打开字幕面板。
4. 打开翻译语言菜单。
5. B 选择 English，C 选择 العربية。
6. A 说中文，观察不同参会者是否看到不同语言字幕。

十三、验收清单

基础会议

• 本机可以打开 Jitsi 页面。
• 同一局域网内的电脑和手机可以加入。
• 摄像头、麦克风和扬声器正常。
• UDP 10000 可用于媒体传输。
• 两人通话 10 分钟没有明显断流。

实时字幕翻译

• 中文源语言设置为 zh 时，中文短句不会频繁被识别成其他语言。
• B 选择英文后能看到英文字幕。
• C 选择阿拉伯语后能看到阿拉伯语字幕。
• 不同参会者的目标语言互不影响。
• 字幕能够显示正确的说话人名称。
• 翻译服务停止时，普通 Jitsi 音视频会议仍可以继续。
• Docker Desktop 重启后，容器可以恢复运行。

日志和隐私

• 服务日志中不出现识别原文和译文。
• Docker 日志轮转已经启用。
• 会议音频没有发送到 OpenAI 或其他云端 API。
• 模型、配置和日志目录的访问权限已限制。

十四、常见问题

1. 页面提示 ERR_CONNECTION_REFUSED

通常检查：

docker compose -f docker-compose.yml -f translation.yml ps
docker ps

确认 web 容器正在运行，并确认访问端口是 8443。如果 Windows 防火墙阻止了 TCP 8443，局域网设备也会无法访问。

2. 能听到对方声音，但对方听不到我

先不要从 Jitsi 服务端排查，优先检查客户端：

• Windows 设置中的输入设备是否选择正确。
• 麦克风音量条是否随着说话变化。
• 浏览器网站权限是否允许麦克风。
• Windows 隐私设置中的"允许桌面应用访问麦克风"是否打开。
• 微信、Teams 等其他软件是否独占了麦克风。
• Jitsi 底部麦克风按钮是否处于静音状态。

如果其他软件也采集不到声音，问题通常在 Windows 设备、驱动或麦克风本身，而不是 Jitsi。

3. 字幕延迟很高

CPU 模式下，延迟通常来自三个地方：

语音分段等待 + Whisper 识别 + NLLB 翻译

可以依次尝试：

1. 固定源语言，例如 LOCAL_SOURCE_LANGUAGE=zh。
2. 缩短 MAX_UTTERANCE_SEC，但过短会让句子被切碎。
3. 使用更快的 Whisper 模型，但要接受识别准确率可能下降。
4. 使用 CTranslate2/ONNX INT8 翻译。
5. 使用 GPU 或单独的 Linux 推理服务器。

4. 字幕不准确

• 先确认源语言设置正确。
• 让讲话者靠近麦克风，减少回声和背景噪声。
• 避免多人同时讲话。
• 给专有名词、产品名和部门名增加领域词汇校正。
• 对正式业务不要只依赖自动字幕，重要内容需要人工确认。

Whisper 官方模型卡也提醒，不同语言和不同语音条件下的识别质量并不均匀，部署前应使用自己的真实音频进行评估。

参考：Whisper 模型卡

十五、内网使用和外部使用的区别

公司内部使用

建议至少完成：

• 使用企业 DNS，不长期依赖变化的局域网 IP。
• 使用企业内部 CA 或受信任的 HTTPS 证书。
• 将 Docker Desktop 测试机逐步迁移到独立 Linux 主机。
• 配置会议密码、房间权限和主持人权限。
• 限制管理文件、模型目录和 Docker Socket 的访问。
• 对字幕和会议数据制定保留、清理和访问规则。
• 评估 Whisper/NLLB 模型的许可证是否适合公司业务。
• 对 CPU、内存、网络带宽和并发人数做压力测试。

对外部用户开放

不建议直接把当前局域网方案映射到公网。至少需要新增：

• 公网域名。
• 受信任的 TLS 证书。
• 公网反向代理或正确配置的 80/443 端口。
• JVB 的 UDP 10000 公网媒体通道。
• 必要时配置 TURN 服务，解决复杂 NAT 和企业网络限制。
• 身份认证、房间权限、等候室或主持人控制。
• 防暴力尝试、限流、监控、告警和备份。
• 独立的翻译推理节点或 GPU 节点。
• 对外部音频、字幕、日志和模型数据进行合规评估。

外部访问时，翻译服务仍应只放在服务器内部网络，不应把 38030 直接开放给互联网。

十六、后续可以继续优化的方向

性能

• 使用 CTranslate2 或 ONNX Runtime 的 INT8 模型。
• 使用 GPU 推理，或者将翻译服务拆到独立 Linux 主机。
• 进一步实现按会议共享的识别队列，减少多个 JVB 连接之间的重复识别。
• 统计分段等待、ASR、翻译和网络发送的耗时。
• 根据参会人数动态限制目标语言数量。

准确率

• 使用更大的 Whisper 模型。
• 为公司名称、产品名称、技术术语增加词汇表。
• 使用领域翻译模型或经过评估的商用模型。
• 增加语言置信度和低置信度提示。
• 改善回声消除、噪声抑制和说话人分离。

产品能力

• 在会议页面加入源语言选择，而不是只通过 .env 设置。
• 提供字幕开关、字号、颜色和历史清理控制。
• 增加字幕导出前的权限审批。
• 增加翻译服务健康状态和延迟监控。
• 在合规允许的前提下增加会议纪要和检索功能。
• 如果需要"听到翻译后的声音"，再增加 TTS 语音翻译链路；这会明显增加延迟和资源消耗。

十七、项目文件结构

最终实现中与翻译相关的文件大致如下：

docker-jitsi-meet/
├─ .env
├─ docker-compose.yml
├─ translation.yml
├─ config/
│  └─ jicofo/
│     └─ custom-jicofo.conf
├─ local-translation/
│  ├─ Dockerfile
│  ├─ README.md
│  ├─ server.py
│  └─ models/
├─ web-custom/
│  └─ Dockerfile
├─ start-jitsi.ps1
└─ stop-jitsi.ps1

其中：

• server.py：Opus 解码、VAD、Whisper、NLLB、WebSocket 协议和字幕结果。
• translation.yml：本地翻译容器、内部网络、模型目录和日志轮转。
• custom-jicofo.conf：将 Jicofo 的转写连接指向本地服务。
• web-custom/Dockerfile：目标语言菜单、字幕筛选和说话人名称显示补丁。
• .env：局域网 IP、端口、翻译开关、语言和密码配置。
• start-jitsi.ps1 / stop-jitsi.ps1：Windows 下的一键启动和停止。

结语

这套方案证明了：在 Windows 11 上不需要原生安装 Jitsi，也可以通过 WSL2 + Docker Desktop 搭建一个可用于内网测试的 Jitsi Meet，并接入本地 Whisper/NLLB 实现实时多语言字幕。

它的核心价值是把会议、识别和翻译链路拆开：Jitsi 负责稳定的实时音视频，翻译适配器负责本地语音识别和文本翻译，参会者在前端独立选择目标语言。

但在正式投入公司或公网使用前，仍然需要重点完成三件事：

1. 对模型许可证和数据合规进行确认。
2. 用真实业务音频评估延迟和准确率。
3. 将 Windows 测试机迁移到更适合长期运行的 Linux 或云服务器，并补齐认证、证书、TURN、监控和备份。