Goolge 翻譯是不少人日常生活的好用工具，但很少人知道它其實是好幾個工具組合起來的產品。
日常生活中要實現語音對語音翻譯，常要先語音辨識為文字 (Speech-to-Text，STT)，再用機器學習將文字轉城目標語言文字，最後將文字「念出來」(Text-to-Speech，TTS)。這 3 段過程其實都需花時間做運算，每一步驟都有機會發生錯誤，使最終的翻譯成品出錯。Google 日前公布新的 Translatotron 翻譯模型，除了直接聲音對聲音的翻譯方式，節省翻譯時間，還能保留原講者的聲音。
Google 展示新的聲音對聲音翻譯流程，想要打破傳統三階段瀑布流方式的問題：時間長、每步驟會累積錯誤導致整體翻譯出問題。Translatotron 提出片段對片段的網路模型來處理資料，維持講者的聲音和韻律，並且提高翻譯內容準確度。
Google Research 表示，新的翻譯演算模型翻譯準確性，仍比不上傳統的瀑布流流程。但是新模式有運作更快的好處，還能避免機器產生語音時，生硬的機器音。
▲ Google Research 提出的 Translatotron 翻譯流程。 (Source：Google)
Translatotron 的技術部分有發表論文，詳細分享如何實作。有興趣的人，可以到 Google Research 的 GitHub 頁面體驗不同語音翻譯方式，還有 Translatotron 採用模式，比較實際翻譯的語音的差異。
- 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
(首圖來源：pixabay)
