人工智能技术的突破，让Google Meet的实时语音翻译功能成为现实。Meet音频工程团队负责人Fredric表示，两年前团队开始研发语音翻译功能时，现有模型只能实现离线翻译，无法满足实时通话需求。他们意识到，若要实现面对面的跨语言即时交流，必须突破延迟瓶颈。于是，团队与谷歌DeepMind展开合作，共同推进技术进展。 过去，语音翻译依赖“转写—翻译—合成”三步流程，导致延迟高达10到20秒，严重干扰自然对话。此外，合成语音缺乏原声特征，听起来机械且不真实。真正的突破来自“大模型”技术的应用——并非传统的大语言模型，而是能实现“端到端”一次完成的语音翻译模型。正如产品管理负责人Huib所言：“输入语音，几乎立即就能输出翻译后的语音。”这一技术将延迟压缩至2至3秒，恰好达到人类听觉自然反应的“甜点区间”——太快难以理解，太慢又影响交流节奏。 实现这一目标并非易事。团队面临诸多挑战，包括不同口音、背景噪音和网络波动对翻译质量的影响。为此，Meet与DeepMind团队携手，通过大量真实场景测试不断优化模型。他们还邀请语言学家参与，深入理解语言间的细微差异。例如，西班牙语、意大利语、葡萄牙语和法语因语系相近，整合相对顺利；而德语等结构差异较大的语言则因语法、习语和表达习惯不同，面临更大挑战。 目前系统仍以直译为主，有时会引发幽默或误解。但团队相信，随着更先进的大语言模型融入，未来将能更精准地捕捉语气、情感和讽刺意味，实现真正自然、智能的跨语言实时对话。这一进展标志着AI在语音处理领域的重大飞跃，也正在重塑全球协作的沟通方式。