Goolge 翻译是不少人日常生活的好用工具，但很少人知道它其实是好几个工具组合起来的产品。
日常生活中要实现语音对语音翻译，常要先语音辨识为文字 (Speech-to-Text，STT)，再用机器学习将文字转城目标语言文字，最后将文字“念出来”(Text-to-Speech，TTS)。这 3 段过程其实都需花时间做运算，每一步骤都有机会发生错误，使最终的翻译成品出错。Google 日前公布新的 Translatotron 翻译模型，除了直接声音对声音的翻译方式，节省翻译时间，还能保留原讲者的声音。
Google 展示新的声音对声音翻译流程，想要打破传统三阶段瀑布流方式的问题：时间长、每步骤会累积错误导致整体翻译出问题。Translatotron 提出片段对片段的网络模型来处理资料，维持讲者的声音和韵律，并且提高翻译内容准确度。
Google Research 表示，新的翻译演算模型翻译准确性，仍比不上传统的瀑布流流程。但是新模式有运作更快的好处，还能避免机器产生语音时，生硬的机器音。
▲ Google Research 提出的 Translatotron 翻译流程。 (Source：Google)
Translatotron 的技术部分有发表论文，详细分享如何实作。有兴趣的人，可以到 Google Research 的 GitHub 页面体验不同语音翻译方式，还有 Translatotron 采用模式，比较实际翻译的语音的差异。
- Google’s Translatotron can translate speech in the speaker’s voice
- Google’s Translatotron is an end-to-end model that mimics human voices
- Google’s Translatotron converts one spoken language to another, no text involved
- Google’s Translatotron translates speech directly to speech
(首图来源：pixabay)
