字节跳动推出Seed LiveInterpret 2.0 同声传译模型

快速阅读: 相关媒体消息，字节跳动发布Seed LiveInterpret 2.0，实现中英同声传译接近专业水平，延迟仅3秒，支持音色复刻，提升交流自然度。

据字节跳动官方消息，8月15日，北京，字节跳动Seed团队正式发布了最新研发成果——Seed LiveInterpret2.0端到端同声传译大模型。这款模型的问世，标志着机器同声传译技术取得了重大突破，其翻译准确率接近专业同传译员水平，且延迟时间极低，仅需3秒，同时具备实时声音复刻功能，能够以说话者的音色输出翻译后的语音，大大提升了跨语言交流的自然度和流畅性。

同声传译一直被视为翻译领域的巅峰技能，要求译者在极短时间内完成语言转换，边听边说，对翻译技术研究者来说极具挑战性。Seed LiveInterpret2.0不仅在中英同传翻译质量上达到了行业顶尖水平，还实现了极低的语音延迟，为同声传译领域树立了新的技术标杆。

Seed LiveInterpret2.0基于全双工端到端语音生成理解框架，支持中英互译，并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。此外，该模型还支持零样本声音复刻，无需提前采集声音样本，仅通过实时对话即可合成“原声”语音翻译，使沟通更加流畅自然。

在测试中，Seed LiveInterpret2.0展现了强大的能力。面对40秒的大段中文表达，该模型能够低延迟地输出同款音色的英语翻译。不仅如此，它还能快速学习音色，无论是《西游记》里的猪八戒，还是《红楼梦》中的林黛玉，即便此前未“听”过角色的声音，依然能通过实时交互进行现场演绎。

与传统机器同传系统相比，Seed LiveInterpret2.0在多个方面表现出显著优势。首先，它具备接近真人同传的翻译准确率，精准的语音理解能力确保了翻译的准确性，在多人会议等复杂场景中英双向翻译准确率超过70%，单人演讲翻译准确率超过80%，接近专业同传水平。其次，其极低延迟的“边听边说”能力采用全双工语音理解生成框架，翻译延迟可低至2-3秒，较传统系统降低超过60%，实现了真正的“边听边说”翻译。此外，零样本声音复刻功能让模型能够以说话人的音色特质实时“说出”外语，提升交流的沉浸感和亲和力。最后，该模型还能智能平衡翻译质量、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，适应不同语言特性，即使面对超长信息，也能保证传译语音节奏的自然流畅。

在专业人工评测中，Seed LiveInterpret2.0的表现尤为突出。评测基于RealSI数据集，这是一个包含中英双向各10个领域的公开测试集。人工评测团队以传达有效信息的占比为指标，测试了多个业界领先的同传系统。结果显示，在语音到文本的同传任务中，Seed LiveInterpret2.0中英互译平均翻译质量的人类评分达到74.8（满分100），较排名第二的基准系统高出58%。在语音到语音中英同传任务中，仅3个测评的翻译系统支持该能力，其中Seed LiveInterpret2.0中英互译平均翻译质量达到66.3分，远超其他基准系统，接近专业真人同传水平。同时，大部分基准系统不支持声音复刻功能。

在延迟表现上，Seed LiveInterpret2.0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，实现了对翻译质量和时延的均衡。

(以上内容均由AI生成)