日本DeepL公司于4月16日正式发布了实时AI语音翻译系统“DeepL Voice-to-Voice”。该系统能够实时将说出的语言通过AI翻译后，以语音形式输出。在发布会上，DeepL的首席产品官冈萨罗·盖奥拉斯（Gonzalo Gayolaz）进行了演讲，系统实时翻译他的发言并显示字幕，同时通过接收设备播放翻译后的语音。
“Voice-to-Voice”产品线包括：
- 适用于Microsoft Teams、Zoom等会议平台的“Voice for Meeting”，提供实时语音翻译服务；
- 支持移动设备和网页端使用的“Voice for Conversations”；
- 适合培训、辅导等多语言多人数场景的“Group Conversations”，可多设备同步接收翻译语音；
- 以及面向开发者的“Voice-to-Voice API”。
此外，系统将于5月7日开始提供新功能，支持根据说话速度、专业术语及产品名称等自定义翻译内容，进一步提升翻译质量。
关于产品发布时间：
- “Voice for Conversations”已于当天开始提供；
- “Voice for Meeting”计划于6月启动早期访问，目前开放注册；
- “Group Conversations”预计4月30日上线；
- “Voice-to-Voice API”已开放早期访问，接受注册。
此前，DeepL主要专注于将语音翻译成文本的解决方案。此次则重点拓展实时语音翻译及语音输出领域。在面向媒体的说明会上，DeepL指出语言障碍不仅导致沟通困难，还会增加理解时间，甚至让员工不敢发言，带来显著的心理成本和经济损失，影响业务机会和客户关系。
发布会上通过模拟会议、多语言员工培训及客服中心海外客户咨询等场景，展示了“Voice-to-Voice”的实际应用效果。会议中，日语与韩语参与者通过系统实现顺畅交流，加快决策速度；培训中，多语言员工实时沟通保障了危险作业信息的及时共享；客服中心演示则提升了客户满意度。DeepL强调，招聘全语言员工不现实，翻译解决方案的重要性日益凸显。
体验中发现，作为开发阶段产品，系统偶尔会出现发音错误，如将“みっつ（三个）”误读为“さんつ”，“だいきぎょう（大企业）”读成“おおきぎょう”，“こうはんい（广范围）”读成“ひろはんい”。当说话速度过快时，翻译延迟也会增加。
不过，实时字幕翻译准确且易于理解，有些语音翻译甚至比字幕更自然流畅，能够更好地传达说话者的情感和意图，如“希望大家积极参与”等表达，显示出较高的翻译精度。
冈萨罗·盖奥拉斯表示，目前产品在质量上仍有不足，但团队正专注于提升质量，优先于成本和延迟。他预计今年下半年至明年初将实现技术突破，开发出将语音到语音翻译整合为单一模型的技术。
此外，DeepL还在研究复制说话者声纹、翻译后以相似声音输出的技术。针对移动端离线使用，因质量、精度、模型大小之间的权衡，产品化存在挑战，未来将考虑简化模型以实现相关产品。
