我想做一个同声传译的windows软件，主要实现2个功能： 
1、对方说的英文内容自动翻译成中文文字显示，并且我听见的也是中文； 
2、我说的文中，翻译成英文文字显示，并且对方听见的是英文。 
3、因为是在实时语音聊天，因此要考虑实时性是速度和延迟以及稳定性。 
4、为了能和自己的音色比较接近，声音克隆应该作为扩展。 
目前进度： 
已经使用了火山的doubao_TTS和AST这个方案. 
AST固定音色 
TTS克隆音色 
目前实测下来，有几个问题： 
1、实时性不是很好，有延迟。 
2、如果有背景音或者有噪音（特别是有底噪的时候），翻译的效果不好。 
3、TTS声音克隆收费还挺高的，有免费的方案吗？ 
集思广益，请教大家有什么其他方案吗?