首次正式亮相國際級會議的AI同傳，騰訊翻譯君不僅僅代表了自己，還代表了整個AI智能翻譯業(yè)界。近幾天AI同傳遭遇社會嘲笑，對此，騰訊翻譯君負責人李學(xué)朝，訊飛胡郁有話說。

這幾天又有一個AI火了。

沒錯，我們說的是在2018年博鰲論壇擔任同聲傳譯的騰訊同傳。

這個事件讓人想起了2017年“3·15晚會”打假人臉識別，讓人臉識別技術(shù)一夜走紅，也讓眾多人臉識別公司躺槍。一年后的今天，公眾對人臉識別的接受度已經(jīng)明顯提升，技術(shù)在不斷發(fā)展，人臉識別的商業(yè)化應(yīng)用在不斷產(chǎn)生。

當時，人臉識別公司云從科技用了題為“大勢所趨，豈會因噎廢食”的評論文章來表態(tài)，315晚會上的討論，從一定程度上折射出公眾對以人臉識別為代表的新興人工智能技術(shù)的擔憂。不過，任何新技術(shù)在剛剛萌芽時，都難免存在不完善的地方。而這，也將是AI同傳技術(shù)將會延續(xù)的歷程。

AI同傳，首次登上國際級會議的舞臺

2018年4月9日，博鰲亞洲論壇開幕，騰訊CEO馬化騰靜靜地發(fā)了一條朋友圈。

“新嘗試，多包涵。”

2018是博鰲論壇舉辦的第17年，這屆會議在技術(shù)上最大的不同，就是正式啟用AI作為同傳。承擔這個任務(wù)的，就是騰訊同傳，它代表了所有的AI同傳產(chǎn)品，首次站在了國際級會議的舞臺上供世人檢驗。

這次騰訊翻譯君將聯(lián)合微信智聆（“騰訊同傳”），為博鰲論壇的開幕式及部分核心論壇提供同聲傳譯支持，包括同傳雙語內(nèi)容會議現(xiàn)場投屏、同傳內(nèi)容手機小程序查看、翻譯結(jié)果語音收聽、同傳記錄回放等，服務(wù)的論壇主題涵蓋亞洲經(jīng)濟預(yù)測、未來的生產(chǎn)，全球化的“下半場”、新一輪技術(shù)革命等領(lǐng)域。

這次任務(wù)重要性高（首次在開幕式及部分主論壇現(xiàn)場使用機器同傳，一般都是人工和機器都有，以免在這些重要的場合機器出問題沒辦法救場）、難度高（首次公開支持討論型會議，事先拿不到講稿，全靠臨場應(yīng)對），開放程度也很高（支持多渠道查看和回放，包括小程序）。如果這顯示不了騰訊的技術(shù)實力，那么至少，充分展示了騰訊的技術(shù)自信。

“這次AI同傳的會議難度與可能出現(xiàn)壞的翻譯例子，我們在會前都有預(yù)期。騰訊同傳這套方案在博鰲之前已經(jīng)歷公司內(nèi)外部近百場實戰(zhàn)，技術(shù)持續(xù)升級，而且我們?yōu)椴椧沧隽顺浞值臏蕚?，并用往屆博鰲?a href="http://www.socialnewsupdate.com/v/" target="_blank">視頻進行回放測試驗證，才拿出來呈現(xiàn)?！膀v訊翻譯君負責人李學(xué)朝告訴新智元：“博鰲創(chuàng)新選擇AI同傳并篩選決定用我們，給了我們很大鼓勵，也體現(xiàn)出博鰲對創(chuàng)新的接受度。”

壞的翻譯例子確實出現(xiàn)了，而公眾和技術(shù)圈的反應(yīng)，可能比騰訊自己預(yù)期的，稍稍猛烈一點。

掉鏈子和擺烏龍

根據(jù)公眾號AI前線報道，本屆博鰲亞洲論壇首次啟用AI為現(xiàn)場嘉賓提供同傳服務(wù)，僅僅一天，騰訊翻譯君“掉鏈子”的消息就在網(wǎng)上散播開來。

“一帶一路”被翻譯成“一條公路和一條腰帶”等不恰當表述。但是，關(guān)于這個翻譯問題，騰訊官方給出了回應(yīng)，這里暫且不表，看看你能不能看出什么端倪。

反應(yīng)最大的，當然是受AI同傳沖擊最大的翻譯界，有人慶幸，也不乏自嘲，“飯碗終于暫時保住了”。

從事翻譯的知乎用戶“翻一姐”道出了一部分翻譯人士的心聲。來源：AI前線

此外，還有消息傳出，騰訊翻譯團隊不得不現(xiàn)場請求人類譯員來救場。

對此，騰訊翻譯君團隊回應(yīng)稱這是一個“烏龍”：一直忙不迭的精心備考，哪有時間去請外援。

騰訊翻譯君團隊官方回應(yīng)，外界提及的邀請人工同傳是烏龍事件

騰訊官方回應(yīng)：確實出現(xiàn)了錯誤，答錯了幾道題

騰訊翻譯君官方也就本次一些翻譯案例的技術(shù)問題進行了解讀，表示“面對博鰲亞洲論壇復(fù)雜的語言環(huán)境和高大上的專業(yè)內(nèi)容”，騰訊同傳“確實出現(xiàn)了錯誤”，“答錯了幾道題”。

首先是以下流傳最廣的小程序截圖，騰訊方面將其稱之為“大面積單詞無意義重復(fù)、大小寫及字符混亂”現(xiàn)象。

出現(xiàn)這個問題，主要是中英雙語切換頻率的問題。當聲源在兩種語言之間不斷轉(zhuǎn)換時，后臺中、英文識別引擎就會同時開始工作，這會導(dǎo)致兩種識別引擎互相“掐架”，而翻譯結(jié)果卻只能選擇一種語言進行輸出，再加上對嘉賓每個語氣詞也做了精準的啊啊啊翻譯，導(dǎo)致引發(fā)錯誤。

另一個需要承認的錯誤是下圖中出現(xiàn)的“for for for × n”現(xiàn)象。

出現(xiàn)這種情況，主要是包括神經(jīng)網(wǎng)絡(luò)機器翻譯在內(nèi)的深度學(xué)習(xí)算法，在原理上或多或少都有一定不確定性，在特定的情況下有一定的概率引發(fā)翻譯偏差。

嘉賓演講內(nèi)容中出現(xiàn)了口語中常見的重復(fù)內(nèi)容，比如“for for for for”、 “that’s that’s that” ，相當于中文的“嗯嗯嗯嗯”“那個那個那個”，而翻譯引擎恰好放大了這個重復(fù)，導(dǎo)致了翻譯結(jié)果出現(xiàn)錯誤。

最后，對于上文提到的“一帶一路”翻譯，騰訊翻譯君的錯誤也情有可原。騰訊方面表示，從直播截屏可以看出，發(fā)言者說的是“the road and belt”，而“一帶一路”的正確說法應(yīng)該是“the belt and road”，順序不同，這才導(dǎo)致機器翻譯按照字面意思進行解釋了。

“對固定的詞組，AI同傳可以準確翻譯發(fā)言者正確的表達，但是如果發(fā)言者的表達有偏差，機器翻譯的準確度就要大打折扣。”騰訊翻譯君團隊告訴新智元。

后期重新驗證，當提供正確表述時，騰訊翻譯君給出了正確的翻譯（右圖）

AI同傳：人工智能的圣杯

同聲傳譯被譽為人工智能的圣杯，因為這項任務(wù)需要極高的認知能力，就連人類也需要大量的訓(xùn)練和學(xué)習(xí)，付出艱苦卓絕的努力才能掌握。

在口譯釋意派學(xué)者塞萊斯科維奇和勒代雷寫的書《釋意翻譯》中，他們將口譯描述一個涉及意義理解、詮釋和言語轉(zhuǎn)化的三角過程。在口譯過程當中，口譯員需要理解源語言的意思，找到目標語言中具有相同含義的解釋，并將其重新表達出來。而源語言的“意思”，是由說話者的聲音所產(chǎn)生的語言涵義（linguistic meaning）和口譯員自己對這一涵義進行的認知補充構(gòu)成。

口譯三角模型。來源：譯聚網(wǎng)

塞萊斯科維奇提出了“口譯三角模型”的假設(shè)：口譯是一個三元過程：首先對源語言進行聆聽，然后感知理解話語的意義，之后是對目標語言中所獲意義進行重新表達，這也是口譯中最重要的階段。顯然，口譯的過程不是直截了當?shù)?，而是先“理解”后“重新表達”，是一個有不同階段的連續(xù)過程。

一般而言，人類口譯員是兩人一組工作，一個人口譯時，另一個人負責支援，比如查詢文件和專業(yè)術(shù)語，跟蹤前文提到的內(nèi)容?？谧g要求高度的專注力，極其耗費腦力，因此每30分鐘就會換人。良好的工作也取決于配合。

此次騰訊AI同傳解決方案由兩部分組成：騰訊翻譯君+微信智聆。

其中，微信智聆團隊成立于2011年，致力于開發(fā)語音人工智能技術(shù)，包括語音識別，語音合成，聲紋認證，語音喚醒，遠場陣列拾音等領(lǐng)域。目前公布的語音識別正確率可達到97%。

騰訊翻譯君在2016年成立，是由騰訊MIG內(nèi)部孵化的一個項目。騰訊翻譯君與微信智聆結(jié)合成為騰訊同傳是在2017年。

李學(xué)朝介紹說，博鰲亞洲論壇上實際的同傳實現(xiàn)原理是，微信智聆把人聲識別為文字，騰訊翻譯君再把文本翻譯成目標語言，再通過語音合成進行播報。

語音識別、機器翻譯，單獨拆開看，都已經(jīng)出現(xiàn)了超越人類的結(jié)果。

2016年9月14日，微軟語音團隊在產(chǎn)業(yè)標準 Switchboard 語音識別基準測試中，實現(xiàn)了對話語音識別詞錯率（word error rate, 簡稱WER）低至6.3%的突破 ，創(chuàng)造當時該領(lǐng)域內(nèi)錯誤率最低紀錄。一個月后的10月18日，他們進一步將詞錯率降低至 5.9%，首次達成與專業(yè)速記員持平而優(yōu)于絕大多數(shù)人的表現(xiàn)。這被認為是人工智能領(lǐng)域 2016年最大的突破性進展之一。

2017年，IBM和微軟團隊再次先后將語音識別的詞錯率降低至5.1%。如今，以智能音箱為代表，語音識別的商業(yè)化應(yīng)用也迎來了一個爆發(fā)期。

機器翻譯的拐點則發(fā)生在2016年底。谷歌宣布推出商用的谷歌神經(jīng)網(wǎng)絡(luò)機器翻譯系統(tǒng)（GNMT），采用神經(jīng)網(wǎng)絡(luò)機器翻譯（NMT）技術(shù)，大幅提升機器翻譯的水平，最高將翻譯準確率提高到 87%。這件事情的意義在于“商業(yè)部署”，意味著神經(jīng)機器翻譯技術(shù)投入大規(guī)模實用。

在剛剛過去的2018年3月，微軟在機器翻譯領(lǐng)域取得突破。他們研發(fā)的機器翻譯系統(tǒng)在通用新聞報道的中譯英測試集上，達到了人類專業(yè)譯者水平。這是首個在新聞報道的翻譯質(zhì)量和準確率上媲美人類專業(yè)譯者的翻譯系統(tǒng)。微軟的這個系統(tǒng)也采用了神經(jīng)機器翻譯技術(shù)。

至于語音合成，舉一個比較有代表性的例子。2016年，谷歌DeepMind提出了一個叫做WaveNet的模型，采用深度學(xué)習(xí)方法，能夠產(chǎn)生十分逼真的聲音語音，聽起來感覺與真人幾乎無異。在訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)會提取語音的基本結(jié)構(gòu)，輸入給定文本后，訓(xùn)練好的WaveNet模型會生成相應(yīng)的語音波形，一次一個樣本，從而實現(xiàn)比其他方法更高的精度。

2017年底，這項技術(shù)的改進版，被應(yīng)用到了谷歌的智能助理Google Assistant（英語和日語）中。2018年3月，谷歌云平臺推出云端 TTS（Cloud Text-to-Speech）功能，用戶在文字轉(zhuǎn)語音過程中，可以選擇由 DeepMind 的 WaveNet 生成的高保真音頻。

WaveNet深度生成模型，從頭開始創(chuàng)建單個波形，每次生成一個樣本，每秒生成16000個樣本，各個聲音之間無縫轉(zhuǎn)換。

2018年3月，微軟語音語言團隊負責人、微軟全球技術(shù)院士黃學(xué)東在接受新智元采訪時表示，微軟最新機器翻譯系統(tǒng)“既是技術(shù)上的突破，也是工程上的突破，是技術(shù)和工程的完美結(jié)合，只有把過程中的每一件事情都做好，才能得到這樣的結(jié)果?！?/p>

“接下來我們要做的，就是把語音識別和機器翻譯結(jié)合到一起，在同聲傳譯上取得突破?！?/p>

訊飛胡郁有話說

2016年，在烏鎮(zhèn)舉行的第三屆世界互聯(lián)網(wǎng)大會上，搜狗公司的CEO王小川就搜索引擎的未來發(fā)表了演講。在演講過程中，他演示了顯示在屏幕上的實時機器翻譯（如圖所示），包括中文語音轉(zhuǎn)錄和英文翻譯。

王小川說：“未來，同聲傳譯員可能失業(yè)！”

然而諷刺的是，如上圖所示，根據(jù)中文轉(zhuǎn)錄翻譯成的英文似乎沒有意義，看起來像機械地逐字翻譯產(chǎn)生的亂碼。

王小川給出了一個在安靜的環(huán)境中搜狗語音識別技術(shù)可以達到的效果，也談到了目前的“短板”：安靜環(huán)境下可以實現(xiàn) 95％的準確度，甚至97％，但一旦出現(xiàn)噪音，例如當兩個人同時說話時，準確度會大大下降。

機器似乎不知道如何識別噪音，今天的學(xué)術(shù)界也還沒有找到解決辦法。畢竟，對于理解語氣的細微差別、諷刺、暗示、情感等等，人類的智能是不可或缺的，所有這些都超出了依賴大數(shù)據(jù)喂的、基于規(guī)則的算法。

科大訊飛執(zhí)行總裁胡郁表示，這次騰訊AI同傳的翻譯結(jié)果，再次說明現(xiàn)在機器翻譯離最終的理想情況，從核心技術(shù)上來說確實是有一定距離的。

“這些差距，是要通過好的產(chǎn)品設(shè)計來規(guī)避的?！焙粽f：“同時，這也證明了語音翻譯絕對不是簡簡單單把語音識別文本、翻譯、語音合成這幾步簡單組合在一起，就能得出一個很好的方案。”

要從問題的本質(zhì)出發(fā)，真正理解翻譯所面臨的情況，設(shè)計真正將語音識別、文本翻譯和語音合成融合在一起的、新的問題定義方式，才有可能解決這些對人類看來比較容易，是對機器來說很難的問題。

“其實我覺得這不僅僅是騰訊的問題，也是現(xiàn)在所有做翻譯，包括科大訊飛在內(nèi)，面臨的最大的挑戰(zhàn)。”胡郁說。

他還表示，從另外一個觀點來看，當我們將很多技術(shù)應(yīng)用在實際場景中時，不能再簡單的利用互聯(lián)網(wǎng)思維，用那些免費服務(wù)，用一開始效果比較差的產(chǎn)品來再逐步改進的方式來進行，因為很多時候在一開始，直接使用效果不好的人工智能，會導(dǎo)致大家對人工智能的懷疑，我們整個行業(yè)經(jīng)不起這種錯誤的傷害。

“要把翻譯服務(wù)的體驗做好主要就是兩個方面的因素，一個方面的就是整體的算法和數(shù)據(jù)，也就是我說的源頭核心技術(shù)系統(tǒng)創(chuàng)新要是最好的。另外一個呢，就是在這樣的情況下，要用很多的產(chǎn)品創(chuàng)新、微創(chuàng)新和應(yīng)用創(chuàng)新來解決?！?/p>

“但是，我覺得最重要的，是要重新定義人工智能翻譯的過程，絕對不能簡簡單單理解成，語音識別加文本翻譯加語音合成這樣功能的直接的疊加?！焙粽f：“我們正在嘗試重新定義這個問題，希望從根本上解決這樣的潛在的風險。只有加強機器對它所在，進行事情的理解能力，才有可能把這些問題徹底解決掉?！?/p>

“比如說機器要知道，那些口頭的，各種嗯嗯啊啊的東西，不是需要翻譯的內(nèi)容，這樣自然而然就不會產(chǎn)生這樣的錯誤。”

小米旗下生態(tài)鏈企業(yè)香蕉出行的于亮表示，現(xiàn)場環(huán)境復(fù)雜，實驗室環(huán)境永遠無法模擬真正的現(xiàn)場環(huán)境。像口語、拾音、噪聲、回聲等問題，是實驗室很難真實模擬的?！斑@些問題和挑戰(zhàn)不是騰訊同傳的問題，而是整個行業(yè)要面臨和解決的問題，暴露出的問題越多，反而是好事。開拓、迭代、共享、包容也是互聯(lián)網(wǎng)的精神。”

任重道遠，繼續(xù)前行

2017年中旬，牛津大學(xué)面向機器學(xué)習(xí)研究人員做了一次大規(guī)模調(diào)查，調(diào)查的內(nèi)容是他們對 AI 進展的看法。這些研究人員預(yù)測，未來10年，AI 將在許多活動中超過人類，具體預(yù)測見下表：

其中，紅框標出了在復(fù)雜環(huán)境中進行AI同傳的幾項。機器學(xué)習(xí)研究人員的預(yù)測，相關(guān)技術(shù)超越人類還有7年的時間（預(yù)測是2017年中旬進行的）。

李學(xué)朝表示，有許多網(wǎng)友拿騰訊同傳跟人工同傳比較，這是不準確的，將騰訊同傳與其他AI同傳方案相比才有可比性。

也有媒體發(fā)出AI同傳替代人工同傳的觀點，之前也看到同行有“同聲傳譯終結(jié)者”的理念，“我們并不認為AI同傳要消滅人工，而是認為兩者是共同存在的，適用不同場景?！崩顚W(xué)朝說。

“我更贊同AI同傳與人工同傳可以更好的人機協(xié)同，發(fā)揮各自所長幫助參會者更好理解多語會議內(nèi)容?！?/p>

技術(shù)不斷發(fā)展，AI同傳與人類口譯員并肩的那一天，終會到來。