Skype 翻译

是什么

Skype 翻译（Skype Translator）是微软（Microsoft）的一项功能，它在同一场对话里同时处理两种翻译：通话中的说话，以及即时消息里的文字。微软自己的说法是，它在网络规模（web scale）上对语音和即时消息会话做自动、同步的翻译 ^[1]。它的目标并不是把一句话复制到另一个翻译窗口，而是让说不同语言的人能待在同一个对话里。

第一次公开预览

2014 年 12 月 15 日，微软第一次把 Skype 翻译的预览版开放给公众使用 ^[1]。第一阶段只覆盖两种口语：西班牙语和英语 ^[1]。文字这一侧的覆盖面要大得多——报名参加、并在桌面电脑或其他设备上运行 Windows 8.1 的用户，可以使用 40 多种即时消息语言 ^[1]。需要报名、并且绑定某一个版本的 Windows，说明这是一次受控的小范围试用，而不是发给所有人的成品。

两种口语对 40 多种文字语言，这个差距不是偶然的。文字消息到了机器面前已经是干净的字符，只需要处理词语和语法；语音则必须先经过语音识别（speech recognition）把声音变成文字，而口音、背景噪声、抢话都会让这一步出错，识别错了，翻译也跟着错。因此早期预览往往从很少的几种语言对做起。

技术从哪来

微软表示，这个预览版建立在十多年在语音识别、自动翻译和机器学习（machine learning）上的投入之上 ^[1]。这三件事正好对应一条流水线的三个环节：语音识别把声音转成文字，自动翻译把一种语言的文字转成另一种语言的文字，机器学习则让前两个环节靠数据来调整，而不是靠人一条条写规则——系统根据见过的例子改动内部参数，让输出更接近正确答案。

发布时的演示

预览版公布时配套做了一次课堂演示，把墨西哥城的一所学校与华盛顿州塔科马（Tacoma）的一所学校连接起来 ^[1]。选择课堂是有道理的：学生说话是即兴的，语速和用词都是自己的，不像录音室里念的稿子。两个课堂之间的对话，因此能暴露精心准备的句子所掩盖的问题。

用得越多越好

由于系统依赖机器学习，微软说随着使用人数增加，翻译质量会逐步提高 ^[1]。这是机器学习系统的常见逻辑：更多的使用带来更多真实的语音和真实的对话，这些材料可以用来调整模型，让下一轮识别和翻译更准确。代价是这类进步很少一步到位，而是随时间慢慢累积，早期版本必然是其中最弱的一个。

在发展中的位置

2014 年 12 月 19 日，微软官方博客在当周新闻汇总里把这次公开发布列了进去 ^[2]。从产品的角度看，Skype 翻译的意义在于它把语音识别、机器翻译和机器学习拼在一起，并直接放进人们平时用来聊天的工具里，而不是留在实验室的演示中。实时语音翻译长期以来被视作人工智能里公认难做的方向之一，任何公开可用的版本，既是一次技术展示，也是一次在真实条件下的大规模测试。