字节跳动正式发布端到端同声传译模型：准确率接近真人 3秒延迟

快科技7月24日消息，今日，字节跳动宣布正式发布端到端同声传译模型Seed LiveInterpret 2.0。

据介绍，这是首个延迟&准确率接近人类水平的产品级中英语音同传系统，在中英同传翻译质量达到业界SOTA的同时，实现了极低语音延迟水平。

字节跳动表示，该模型基于全双工端到端语音生成理解框架，支持中英互译。

可实时处理多人语音输入，像人类同传译员一样以极低的延迟"边听边说"，一边接收源语言语音输入，一边直接输出目标语言的翻译语音。

同时，Seed LiveInterpret 2.0还支持0样本声音复刻，沟通更流畅自然。

不过，目前模型主要支持中英互译。

相比传统机器同传系统，Seed LiveInterpret 2.0具有以下四大优势：

接近真人同传的翻译准确率

在多人会议等复杂场景中英双向翻译准确率超70%，单人演讲翻译准确率超80%，接近真人专业同传水平。

极低延迟的"边听边说"能力

翻译延迟可低至2-3秒，较传统机器同传系统降低超60%。

零样本声音复刻

只需采样实时语音信号，便能提取声音特征，用说话人的音色特质实时"说出"外语。

智能平衡翻译质量、延迟和语音输出节奏

根据语音清晰度、流畅度、复杂程度，调整输出节奏，并适配不同语言特性。

模型测评结果显示，在语音到文本同传任务中，Seed LiveInterpret 2.0中英互译平均翻译质量的人类评分达到74.8（评估译文准确率，满分100），较排名第二的基准系统（47.3分）超出58%。

在语音到语音任务中，业界仅3个翻译系统支持该能力，其中Seed LiveInterpret 2.0中英互译平均翻译质量达到66.3分（除评估译文准确率，还评估语音输出时延、语速、发音、流畅性等指标，满分100），远超其他基准系统，达到接近专业真人同传的水平。

同时，大部分基准系统也不支持声音复刻功能。

在延迟表现上，Seed LiveInterpret 2.0在语音到文本场景中，输出首字平均延迟仅2.21秒，在语音到语音场景中，输出延时仅2.53秒，做到了对翻译质量以及时延的均衡。