日常溝通與文字最大的不同點(diǎn)在于我們擁有的語調(diào)與節(jié)奏，而谷歌最新的人工智能翻譯原型不僅能翻譯書面上的意思，連聲音的音調(diào)與節(jié)奏也能一并拿下。

　　這個(gè)系統(tǒng)被稱為Translatotron，谷歌的研究人員在最近的一篇博客中詳細(xì)介紹了它的工作原理。他們并沒有表示Translatotron很快就會進(jìn)入商業(yè)領(lǐng)域，但這很可能會實(shí)現(xiàn)。正如谷歌的翻譯主管今年早些時(shí)候向The Verge解釋的那樣，該公司目前的目標(biāo)是為其翻譯工具添加更多的細(xì)微差別，創(chuàng)造更逼真的語音。

　　雖然捕捉人類聲音的變化對外行人來說是最令人印象深刻的，但Translatotron對人工智能工程師的吸引力在于，它可以直接將語音從音頻輸入轉(zhuǎn)換為音頻輸出，而無需將其轉(zhuǎn)換為通常的中間文本。

　　這種人工智能模型被稱為端到端系統(tǒng)，因?yàn)檩o助任務(wù)或操作沒有停止。谷歌說，讓端到端的翻譯更快地產(chǎn)生結(jié)果，同時(shí)避免了在多個(gè)翻譯步驟中引入錯(cuò)誤的風(fēng)險(xiǎn)。

　　更有趣的是，模型處理的數(shù)據(jù)不是原始音頻。相反，它使用光譜圖數(shù)據(jù)，或聲音的可視化詳情。從本質(zhì)上說，這意味著我們相當(dāng)于在用圖片的形式把一種語言翻譯成另一種語言，這令人難以置信。

　　盡管谷歌經(jīng)常推出新語言和翻譯工具，但它們的表現(xiàn)往往不如預(yù)期那樣，包括現(xiàn)在這個(gè)人工智能模型，其適應(yīng)性和準(zhǔn)確性仍有待考究，但人工智能一直在前進(jìn)，未來也將會越來越好。