長久以來，人類都含有一個共同的夙愿：發(fā)明一個機器，實現(xiàn)全世界之間毫無障礙的自由交流。而毫無疑問，自由交流，在一個宣稱為自由連接的互聯(lián)網(wǎng)時代，更能夠彰顯它的價值。畢竟，同是地球人，同住地球村，當你我覓得彼此，卻聽不懂彼此的語言，實在有些尷尬
長久以來，人類都含有一個共同的夙愿：發(fā)明一個機器，實現(xiàn)全世界之間毫無障礙的自由交流。而毫無疑問，自由交流，在一個宣稱為自由連接的互聯(lián)網(wǎng)時代，更能夠彰顯它的價值。畢竟，同是地球人，同住地球村，當你我覓得彼此，卻聽不懂彼此的語言，實在有些尷尬。
微軟旗下的Skype進行宣布，具備了實時語音翻譯的翻譯器Skype Translator中文預(yù)覽版已經(jīng)正式在中國的市場上推出了。其實，不同于母語間的人直接對話，讓機器實時翻譯，這些技術(shù)微軟早在去年的時候就已經(jīng)與公眾見面了，只是那個時候還不支持中文。你知道，哪怕是對于機器，有大約一萬個常用漢字以及各種語音語調(diào)的中文也頗具挑戰(zhàn)性。但如今，包括微軟和谷歌在內(nèi)的科技巨頭的發(fā)力，使得地球上使用人數(shù)最多的語言與使用最廣泛的語言能夠直接開展對話了。
Skype的翻譯系統(tǒng)主要是分個三步驟：首先，把你的實時語音翻譯成文字；然后，再把文字翻譯成為另外一種語言的文字；最后，把文字轉(zhuǎn)換成語音。其中，識別實時語音并轉(zhuǎn)換成文字，一直是最棘手的部分。
如你所知，精準的實時語音翻譯，有賴于強大的機器學(xué)習，也就是軟件學(xué)習訓(xùn)練數(shù)據(jù)的能力。這些訓(xùn)練數(shù)據(jù)包括翻譯的網(wǎng)頁，配有字幕的視頻，以及預(yù)先翻譯且轉(zhuǎn)錄成文字的一對一談話。Skype Translator通過記錄對話來分析文本并且訓(xùn)練系統(tǒng)能夠更好地“學(xué)習”語言——當準備好的數(shù)據(jù)錄入系統(tǒng)后，機器學(xué)習軟件會在這些對話和環(huán)境涉及到的單詞中搭建一個統(tǒng)計模型，當你說話時，軟件會在統(tǒng)計模型中尋找相似內(nèi)容，然后應(yīng)用到預(yù)先“學(xué)到”的轉(zhuǎn)化程序中，得以讓語音轉(zhuǎn)換為文本，再從文本轉(zhuǎn)換成另一種語言。
值得一提的是，與程序設(shè)定一般的朗誦不同，人會一邊思考一邊說話，會犯錯，這種犯錯在口語表達中的體現(xiàn)就是打磕巴，停頓，重復(fù)，或者頻頻出現(xiàn)如“嗯”“啊”“呃”之類的語氣助詞，針對于此，Skype Translator的機器學(xué)習模型也會處理這些停頓。在預(yù)覽版中，用戶可以看到部分語氣詞停頓被移除，而未被移除的部分則可能通過用戶反饋進行再優(yōu)化。
在數(shù)據(jù)進入系統(tǒng)之后，機器學(xué)習軟件會為對話中的單詞建立統(tǒng)計模型，當你說到某一個東西時，系統(tǒng)會在統(tǒng)計模型里尋找類似的單詞，并響應(yīng)之前做過的類似的翻譯。實時語音翻譯對用戶對話的環(huán)境很敏感，稍有噪音干擾可能準確度就會降低很多。這一方面，深度神經(jīng)網(wǎng)絡(luò)有效的減少識別錯誤率，改善了系統(tǒng)的健壯性，讓實時翻譯能夠有更大的應(yīng)用范圍。
不過，作為一項不斷優(yōu)化的技術(shù)，無論是微軟的Skype Translator還是“老對手”谷歌的Google Translate，至少在現(xiàn)階段，實時語音翻譯技術(shù)應(yīng)該還是談不上完美的，系統(tǒng)對語音的識別準確率也有待完善。要知道，語言如同一只野獸，時刻都在變化，哪怕同一國家，因地域不同也有不同口音與俚語文化。這些問題可以通過更大范圍的數(shù)據(jù)解決么？也許能，但還需要時間。
然而無論怎樣，就像一位評測者所言：“整個體驗就像是兩名電話銷售員在使用對講機，不過在使用過程中，這樣的抱怨將會被‘奇跡’帶來的震驚所取代。”
Skype的機器學(xué)習原型通過預(yù)覽階段的大量數(shù)據(jù)進行訓(xùn)練，并優(yōu)化語音識別（SR）和自動化機器翻譯（MT）任務(wù)，這些優(yōu)化包括去除語句中的不流利成分（比如“ahs”、“umms”和重復(fù)性的語言）、把文本分段成句子、增加標點符號、文本的大小寫等等。
至于不同語言的文本翻譯，Skype利用的則是和Bing翻譯一樣的引擎技術(shù)：語法和統(tǒng)計模型的結(jié)合使用，同時為特定語言進行特殊的訓(xùn)練。普通的文本翻譯往往要求使用規(guī)范正確的書面語言，而Skype翻譯系統(tǒng)不僅包括Bing翻譯的引擎技術(shù)，還額外增加了一層口語化的語言業(yè)務(wù)。
此外，Skype還建立了一套自定義的串連整個流程的架構(gòu)，以協(xié)調(diào)系統(tǒng)里多個部分間的運作。如何簡單又高效的運作整個系統(tǒng)，也是一門不小的學(xué)問。
Skype的實時語音翻譯系統(tǒng)還面臨著很多挑戰(zhàn)，比如語言的變化的速度很快，每個人說話的方式又很獨特，這些都會為實時翻譯造成不少的麻煩。但是，對于這一種可能會真正改變?nèi)藗兘涣鞣绞降目萍籍a(chǎn)品，越來越多的人都為之激動。相信全人類的夙愿終會實現(xiàn)。
