2026年8月11日

KakaoTalk 的来信为什么要按一下 Ctrl+C 才翻译

用我们的工具跑 KakaoTalk，发消息是全自动的：打中文按回车，翻译完自动发出去。但看懂对方的消息，需要你选中它按一下 Ctrl+C。

WhatsApp 那边不用。同一个软件，为什么两边不一样？

因为 KakaoTalk 的聊天内容不是“文字”

WhatsApp 网页版本质上是个网页。网页里的每一条消息都是实实在在的文本节点，程序读得到，所以我们能在你不动手的情况下把译文显示出来。

KakaoTalk 电脑版是一个 Windows 原生程序，而且它的聊天区域是自己画上去的。

Windows 有一套无障碍接口（UI Automation），本来是给读屏软件用的—— 正常的程序会把界面上的文字通过这套接口暴露出来，这样视障用户的读屏软件才能念出来。我们读 KakaoTalk 的窗口，也走的是这套接口。

问题是：KakaoTalk 的聊天气泡在这套接口里是空的。 窗口结构能读到、控件层级能读到、按钮能读到，唯独消息文本读不到—— 因为那些字是被绘制成像素画在窗口上的，不是以文本形式存在的控件。

软件里有个「一键自检来信读取」的按钮，跑一下就能看到这个结论。另有「读取 KakaoTalk 窗口结构」，导出来的树里也确实没有消息内容。

技术上可以：定时截屏聊天区域，识别里面的文字。我们评估过，没有走这条路，理由有三条：

一、识别错误会进到你的生意里。 OCR 认错一个字符，KT-2201 变成 KT-220I，价格 3,200 变成 3.200。你看到的是一句读起来很通顺的中文译文，根本不会怀疑它译错了。 错得看不出来，比明显报错危险得多。

二、要一直截屏。 为了不错过消息，得持续截取聊天窗口。这意味着后台常驻的屏幕捕获、持续的 CPU 占用，以及——你屏幕上那块区域的所有内容都会被送去识别，包括你并不想让它经手的东西。

三、额度会被烧掉。 视觉识别按识别出的字数计量。持续截屏识别整个聊天窗口，会把你的月度额度花在大量根本不需要翻译的内容上（历史消息、界面文字、重复内容）。

按一下 Ctrl+C 确实多了一个动作。但换来的东西不只是“能用”：

拿到的是真实文字，不是识别结果。 剪贴板里是 KakaoTalk 自己交出来的原始文本，一个字符都不会错。型号、数字、日期，怎么发来的就怎么翻。

你决定什么被送出去。 只有你主动复制的那一段才会离开你的电脑。不复制的内容，我们碰都碰不到。对于经手真实客户往来的工具来说，这个边界值得多按一次键。

另外，为了不浪费额度，复制中文、纯链接、以及刚刚翻译过的内容会自动跳过。

图片里的字、或者某些没法选中的界面元素，用截图翻译：按 Ctrl+Alt+A 框选那块区域，会同时给出识别到的原文和译文。

注意这里的取舍是反过来的：截图翻译是用视觉识别的，所以它有识别错误的可能—— 但因为是你主动框选的、一次性的，成本和风险都可控，和“后台一直截屏”完全是两回事。原文也会一并显示出来，方便你核对认得对不对。

取决于 KakaoTalk 自己。如果它哪天把聊天内容以正常的文本控件暴露出来，我们立刻就能做成全自动——这部分代码在 WhatsApp 那边已经跑了很久了。

在那之前，我们宁可让你多按一下 Ctrl+C，也不想给你一个看起来全自动、但偶尔会悄悄把型号认错的东西。