EDGE-NATIVE REAL-TIME TRANSLATIONエッジネイティブリアルタイム翻訳

Your Browser Is the Translator

Every Voice, Any Language
Zero Server-Side Inference. すべての声を、あらゆる言語で
サーバー側推論ゼロ

Xander runs the entire translation pipeline — speech recognition, translation, and voice synthesis — inside your browser using WebGPU and WASM. No audio leaves your device for inference. No cloud API costs. Just real-time, private, multilingual conversation. Xanderは音声認識・翻訳・音声合成のパイプライン全体を WebGPUとWASMでブラウザ内で実行 — 音声が推論のためにデバイスの外に出ることはなく — クラウドAPIコストもなし — リアルタイムでプライベートな多言語会話を実現

Try It体験する See How It Works仕組みを見る

~660ms Pipeline Latencyパイプライン遅延

100% On-Deviceデバイス内処理

JA / EN Bidirectional双方向

$0 Inference Cost / Forever推論コスト / 永久に

OVERVIEW概要

Translation Without the Cloud クラウドなしの翻訳

Traditional real-time translation sends your voice to a cloud server, waits for inference, and streams back the result. Xander eliminates the round-trip entirely — STT (Speech to Text), translation, and TTS (Text to Speech) all run on your browser's GPU and CPU. The server only relays encrypted media streams. 従来のリアルタイム翻訳は音声をクラウドサーバーに送り、推論を待ち、結果を返す — Xanderはこのラウンドトリップを完全に排除 — STT（Speech to Text）・翻訳・TTS（Text to Speech）すべてがブラウザのGPUとCPUで実行 — サーバーは暗号化されたメディアストリームをリレーするだけ

Cloud Translationクラウド翻訳

Audio sent to cloud for STT音声をクラウドに送信してSTT
Server-side inference costs per minute分あたりのサーバー側推論コスト
Network latency on every utterance発話ごとにネットワーク遅延
Privacy depends on provider's policyプライバシーはプロバイダーのポリシー次第
Scales linearly with server costサーバーコストに比例してスケール

Xander Edge TranslationXander エッジ翻訳

Audio never leaves the browser音声がブラウザの外に出ない
Zero per-minute inference cost分あたりの推論コストゼロ
Sub-second pipeline, no round-trip1秒未満のパイプライン、ラウンドトリップなし
Private by architecture, not by policyポリシーではなくアーキテクチャでプライベート
Scales with participant's own GPU参加者自身のGPUでスケール

TRANSLATION PIPELINE翻訳パイプライン

Four Stages, All in Your Browser 4ステージ、すべてブラウザ内

Remote audio arrives via WebRTC. Your browser captures it, transcribes it, translates it, and synthesizes natural speech — all before the next sentence begins. リモート音声がWebRTC経由で到着 — ブラウザがキャプチャし、文字起こしし、翻訳し、自然な音声を合成 — すべて次の文が始まる前に完了

VAD — Voice Activity DetectionVAD — 音声区間検出

RMS energy detection with 300ms pre-roll buffer and 800ms hangover. Captures the full utterance including soft onsets and trailing particles. Sentence boundaries detected by natural pauses. RMSエネルギー検出、300msプリロールバッファと800msハングオーバー — ソフトな出だしや末尾の助詞を含む完全な発話をキャプチャ — 自然なポーズで文境界を検出

STT — ~250ms (Moonshine, WebGPU)STT — 約250ms（Moonshine、WebGPU）

Language-specialized Moonshine tiny models (34M params). Japanese and English each get a dedicated model optimized for that language, running on WebGPU. Hallucination filtering removes repeated-phrase artifacts. 言語特化型Moonshine tinyモデル（34Mパラメータ） — 日本語と英語それぞれに最適化された専用モデルをWebGPUで実行 — ハルシネーションフィルタリングで繰り返しフレーズのアーティファクトを除去

Translate — ~175ms (OpusMT, WASM)翻訳 — 約175ms（OpusMT、WASM）

Dedicated MarianMT translation models for each direction (JA→EN, EN→JA). Runs on WASM SIMD, separate from the WebGPU pipeline to avoid resource contention. 各方向（JA→EN、EN→JA）専用のMarianMT翻訳モデル — WebGPUパイプラインとのリソース競合を避けるためWASM SIMDで実行

TTS — ~200ms (Kokoro 82M, WebGPU)TTS — 約200ms（Kokoro 82M、WebGPU）

Neural text-to-speech with natural prosody. Text is split at clause boundaries for progressive playback — the first segment plays while later segments are still generating. Japanese and English voices available. 自然な韻律を持つニューラルTTS — テキストを文節境界で分割し先頭セグメントから再生開始 — 後続セグメントの生成中に最初のセグメントが再生される — 日本語・英語の音声に対応

Privacy by architecture. The entire STT → Translate → TTS pipeline runs inside your browser tab. No audio is sent to any inference server. The SFU only sees encrypted WebRTC media — it cannot access, decode, or store your speech. アーキテクチャによるプライバシー — STT→翻訳→TTSパイプライン全体がブラウザタブ内で実行 — 音声が推論サーバーに送信されることはない — SFUは暗号化されたWebRTCメディアしか見えず、音声にアクセス・デコード・保存することは不可能

ARCHITECTUREアーキテクチャ

Edge SFU + Browser AI.
No Inference Server. エッジSFU + ブラウザAI
推論サーバーなし

WebGPU + WASM InferenceWebGPU + WASM推論

STT and TTS run on WebGPU for GPU-accelerated neural inference. Translation runs on WASM SIMD. All models load once and stay resident in the browser session. STTとTTSがWebGPUでGPUアクセラレートされたニューラル推論を実行 — 翻訳はWASM SIMDで実行 — モデルは一度ロードされブラウザセッション中常駐

SFU-Only Media PlaneSFUのみのメディアプレーン

The edge SFU relays AV1/Opus streams without decoding. It's a stateless pipe — no transcription, no translation, no AI workload on the server. エッジSFUがAV1/Opusストリームをデコードせずリレー — ステートレスなパイプ — 文字起こしも翻訳もAIワークロードもサーバーにはない

Progressive TTS PlaybackプログレッシブTTS再生

Translated text is split at clause boundaries. The first segment plays immediately while subsequent segments generate in parallel, minimizing perceived latency. 翻訳テキストを文節境界で分割 — 最初のセグメントを即座に再生し、後続セグメントは並行生成 — 体感遅延を最小化

Intelligent VADインテリジェントVAD

Pre-roll buffer captures speech onset. Post-roll captures trailing syllables. Hangover prevents mid-sentence splits. Hallucination filter catches STT artifacts before they reach translation. プリロールバッファが発話の立ち上がりをキャプチャ — ポストロールが末尾の音節をキャプチャ — ハングオーバーが文中での分割を防止 — ハルシネーションフィルタがSTTのアーティファクトを翻訳前にキャッチ

Subtitle Overlay字幕オーバーレイ

Translated text appears as a subtitle on the speaker's video tile with a JA→EN or EN→JA badge. Read along or just listen to the synthesized voice. 翻訳テキストが発言者のビデオタイルに字幕として表示、JA→ENまたはEN→JAバッジ付き — 読むことも合成音声を聞くことも可能

Zero Inference Cost推論コストゼロ

Every participant's device runs its own inference. 10 participants = 10 GPUs working in parallel. Server costs are flat regardless of conversation length or participant count. 各参加者のデバイスが独自の推論を実行 — 10人の参加者 = 10台のGPUが並列稼働 — 会話の長さや参加者数に関係なくサーバーコストは固定

COST COMPARISONコスト比較

Cloud Inference vs. Edge Inference クラウド推論 vs. エッジ推論

Cloud Translation APIクラウド翻訳API

~$2 /hr

STT + Translation + TTS API costs per participant per hour.参加者1人1時間あたりのSTT + 翻訳 + TTS APIコスト

Xander Edge (Browser)Xander エッジ（ブラウザ）

$0 /hr — forever

All inference on participant's own device. No API calls. No usage-based billing. No surprises. Server cost is SFU relay only — flat, predictable, and independent of translation volume.全推論が参加者のデバイス上 — API呼び出しなし、従量課金なし、サプライズなし — サーバーコストはSFUリレーのみで固定、翻訳量に依存しない

Cloud costs are estimates based on typical STT/Translation/TTS API pricing (2026). Actual costs vary by provider. Xander's server cost is the SFU media relay only — flat rate regardless of translation volume. クラウドコストは2026年の一般的なSTT/翻訳/TTS API料金に基づく推定 — 実際のコストはプロバイダーにより異なる — Xanderのサーバーコストは SFUメディアリレーのみで翻訳量に関係なく固定

SPECIFICATIONS仕様

Technical Details技術詳細

STT Model (JA)STTモデル（JA） Moonshine tiny JA (34M params, WebGPU)

STT Model (EN)STTモデル（EN） Moonshine tiny EN (34M params, WebGPU)

Translation翻訳 OpusMT JA↔EN (MarianMT, WASM SIMD)

TTSTTS Kokoro 82M (WebGPU, JA/EN voices)

Runtimeランタイム Transformers.js v4 + ONNX Runtime Web

Video Codec映像コーデック AV1 → VP9 → VP8 (preference order)

Audio Codec音声コーデック Opus

VADVAD RMS energy + 300ms pre-roll + 800ms hangover + 200ms post-rollRMSエネルギー + 300msプリロール + 800msハングオーバー + 200msポストロール

Pipeline Latencyパイプライン遅延 ~660ms (STT 250ms + Translate 175ms + TTS 213ms)約660ms（STT 250ms + 翻訳 175ms + TTS 213ms）

Languages言語 Japanese ↔ English (bidirectional)日本語 ↔ 英語（双方向）

Subtitle字幕 Per-speaker overlay with translation direction badge発言者ごとのオーバーレイ、翻訳方向バッジ付き

Server-Side Logicサーバー側ロジック Auth + discovery only — zero inference認証+発見のみ — 推論なし

ROADMAPロードマップ

What's Next今後の展望

Phase 1 — NOW

JA ↔ EN Real-Time TranslationJA ↔ EN リアルタイム翻訳

Core browser-native pipeline with Moonshine STT, OpusMT translation, and Kokoro TTS. Bidirectional Japanese-English with per-speaker subtitles and voice synthesis. Moonshine STT、OpusMT翻訳、Kokoro TTSによるコアブラウザネイティブパイプライン — 日英双方向の発言者別字幕と音声合成

Phase 2 — Feb 2027

Multi-Language Expansion多言語展開

Add Chinese, Korean, Spanish, and other language pairs. NLLB-based translation for broader coverage. Language auto-detection from speech. 中国語・韓国語・スペイン語など他の言語ペアを追加 — NLLBベースの翻訳でより広いカバレッジ — 音声からの言語自動検出

Phase 3 — Mar 2027

Voice Cloning + Emotion音声クローニング + 感情

Translate with the speaker's own voice timbre. Preserve emotional tone across languages. Real-time voice conversion on the edge. 話者自身の声色で翻訳 — 言語を跨いで感情のトーンを保持 — エッジでのリアルタイム音声変換

Every Voice, Any Language Zero Server-Side Inference. すべての声を、あらゆる言語で サーバー側推論ゼロ