日常溝通與文字最大的不同點在于我們擁有的語調與節(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，連聲音的音調與節(jié)奏也能一并拿下。

　　這個系統(tǒng)被稱為Translatotron，谷歌的研究人員在最近的一篇博客中詳細介紹了它的工作原理。他們并沒有表示Translatotron很快就會進入商業(yè)領域，但這很可能會實現(xiàn)。正如谷歌的翻譯主管今年早些時候向The Verge解釋的那樣，該公司目前的目標是為其翻譯工具添加更多的細微差別，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換為音頻輸出，而無需將其轉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)，因為輔助任務或操作沒有停止。谷歌說，讓端到端的翻譯更快地產生結果，同時避免了在多個翻譯步驟中引入錯誤的風險。

　　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。從本質上說，這意味著我們相當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)往往不如預期那樣，包括現(xiàn)在這個人工智能模型，其適應性和準確性仍有待考究，但人工智能一直在前進，未來也將會越來越好。