实时翻译字幕产品系统

立项原因：观看外语直播、视频会议、在线课程时，非母语者无法实时理解内容。现成的字幕方案要么收费、要么延迟大、要么不支持系统音频。

业务背景：跨境直播、YouTube/Twitch 生肉内容、Zoom/Teams 国际会议三大场景都有强需求。市面上同类工具（如 OBS 字幕插件、Google Live Caption）普遍存在"英文输出英文"、"不支持翻译"、"必须用特定浏览器"等限制。

系统音频捕获：通过windows wasapi loopback抓取系统播放的所有声音，不依赖任何第三方音频驱动
语音活动检测：基于能量阈值自动切分语音段，静音自动短句，支持0.8-5s可调配音长度
语音转文字：faster-whisper tiny 模型本地推理， CPU int8量化，离线可用
文本翻译：Google Translate API实时翻译，带 500条 LRU缓存避免重复请求
悬浮字幕窗：Tkinter 置顶无边框窗口，半透明背景，旧字幕渐暗消失，支持拖拽

技术栈：Python 3.10 + ctypes (WASAPI COM) + faster-whisper + tkinter + requests

架构：

系统音频 → WASAPI Loopback (ctypes) → 音频队列
↓
VAD 能量检测 + 语音切分
↓
STT 工作线程 (faster-whisper)
↓
翻译工作线程 (Google Translate)
↓
UI 主线程 (tkinter 悬浮窗)

亮点：
- 零第三方音频库：7 万行 audio_capture.py 全用 ctypes 手写 COM 接口调用，vtable 偏移手动计算，不依赖 PortAudio/SoundDevice/PyAudio
- 自适应格式：自动读取设备原生采样率和声道数，按需重采样到 Whisper 的 16kHz，立体声自动合并为单声道
- 多线程流水线：音频采集在主线程，STT 和翻译各占独立线程，有界队列 + 最旧丢弃策略防止内存堆积
- 实时性调优：40ms 主循环、0.6s 静音断句、最长 5s 强制切分，端到端延迟控制在 2-4 秒