跨境聊天不全是打字。客户发一段语音说明包装问题，仓库拍一张箱唛，展会上用手机对着菜单或门牌问一句，这些都比干净的文字难处理。HelloGPT翻译器里的语音和图片翻译，是把声音先变成文字、把图片上的字先认出来，再套用当前对话已经设好的语言预设和词库。它不是另开一个与聊天无关的翻译器，而是让多媒体尽量跟文字走同一套规则。
这篇只讲语音和图片：什么时候用、怎么操作、怎样验收、哪些情况不要硬翻。
先分清三件事：识别、翻译、发送
语音翻译包含语音识别和翻译两步。识别负责把说话变成原文字稿，翻译再把字稿变成目标语言。识别错了，后面译得再顺也是错的。
图片翻译包含文字识别和翻译两步。照片虚、反光、字被手指挡住，识别阶段就丢字，翻译只能基于残缺文本发挥。
发送仍要看当前窗口有没有打开发送翻译。你对着麦克风说中文，对方应收到目标语言的文字或语音；只开接收，你这边能看懂客户语音，对方却听不到或看不到你的译文。
文字对话的语言预设没有设对，语音和图片不会自动变对。先保证这条WhatsApp或Telegram对话里，文字双向已经可用，再测多媒体。
语音：适合补一句，不适合代替整场谈判
短说明、报一个数量、确认能否今天装车、问路和叫车，语音最省事。涉及价格条款、责任划分、账号信息，仍应落到文字，让双方都有可回看的句子。
操作上，在已打开翻译的对话里选择语音输入或语音翻译。确认当前语言对，例如中文对英语。环境尽量安静，一句话说完再停，不要在一段录音里混两个人的声音。
看结果时先看转写出来的原文，再看译文。转写把“十五箱”听成“五十箱”，译文再漂亮也不能发。数字、否定词、日期是语音里最要盯的三类。
需要对方也听到声音时，再开语音合成。合成腔调和人名发音可能不准，专有名词仍以屏幕文字为准。嘈杂的仓库和展会，优先出文字，不要依赖合成播报完成交易确认。
连续对话可以开即时字幕或交替说话模式，但要接受识别率会随环境下降。两个人抢着说、背景有广播，系统无法稳定切分说话人。这种场合改回一句一句来。
图片：先拍清楚，再谈准不准
箱唛、铭牌、菜单、路牌、包装上的成分表、白板拍下来的交期，是图片翻译的典型场景。合同整页、复杂表格、印章叠字，不要指望拍一张就当正式译本。
拍照时让文字充满画面，避免倾斜和强光。能分两张拍清楚，就不要一张塞整面墙。识别完成后，先核对有没有漏行、有没有把图标当成字。漏行比错译更危险，因为你可能根本不知道漏了价格旁边的那行限制条件。
对识别出的文本再套当前语言预设。品牌名、型号应走词库里的“不翻译”或固定译文。如果照片里的货号被拆成普通单词，回去补词库，而不是在这一张图上每次手工改。
需要发给客户时，确认发送的是译文、原文还是两者一起。仓库核对箱唛，常常必须带原文编码；只发译文，现场对不上货。
在聊天窗口里的推荐顺序
客户发来语音：先出转写和中文译文，确认问题类型，再用文字或快捷回复回答。不要用另一段含糊语音去回一段含糊语音，错误会叠两层。
客户发来照片：先看图里要处理的是字还是货本身。是字，走识别翻译；是货损、色差，翻译帮不上，要看图说话，必要时让对方补一张带尺和箱号的照片。
自己要发语音：先在输入框用文字写对，确认预览语言，再决定要不要附加语音。对不熟悉的语言，文字预览比“我感觉说对了”可靠。
自己要发图片：图上若有中文说明且对方读不懂，把关键句用文字再发一遍并走发送翻译。不要假设对方会用同样的方式识别你的照片。
准确率下降时，先改采集，再改设置
语音不准，先换安静环境和正常语速，避免方言和口头省略堆在一句里。仍不准，检查语言对有没有拿错，有没有把中文识别器拿去听泰语。
图片不准，先重拍，提高分辨率，关掉闪关灯造成的反光。仍不准，把图裁成只含文字的区域再识别。整张海报连装饰花纹一起送进去，识别负担会无意义地增加。
专有名词反复错，不是多媒体模式独有的问题，是词库没锁。语音转写和图片识别只要产出了该词的字母，词库就应接住。若识别阶段就把型号听错、看错，词库也救不了，只能重说、重拍。
不要用语音和图片硬翻的内容
手写潦草的签字附加条款；印章压在字上的合同页；多栏价格表且有手写改价；账号、验证码、证件号。这类内容出错的代价高于省下的那点时间。改成文件传清晰扫描件，或改成文字逐项确认。
群里同时涌入多条语音，不要一条条自动播报打扰自己。先看转写摘要，选出真的在问你的那几条，再精听。
验收清单
在同一条已能文字互译的对话里：录一句带数字的中文，对方侧或预览出现正确数字的目标语言。收一句对方外语短语音，中文译文数字正确。拍一张带型号的标签，型号完整保留。拍一张简单菜单或门牌，关键行没有漏识。词库里的品牌名在语音转写和图片识别结果中保持指定写法。
语音和图片翻译的目标，是减少“我现在不方便打字”时的中断，不是取消文字确认。采集清楚、先核对识别再发送、数字和型号对照原文，这三步做到，多媒体才能和文字翻译待在同一套可靠规则里。