即時翻譯的新時代有機會到來嗎？

▲告示牌也能使用Google翻譯閱讀。

「要教導機器了解人類的語言，以及語言中的重音與發聲習慣，無疑是一件複雜無比的事，我們每天都在努力改善機器的表現。若我們替機器加入更多的語音樣本，人們使用Google翻譯就能獲得更正確、更有用的結果。」圖洛斯基說。

圖洛斯基點出Google翻譯所碰上的難題：語音資料的不足。族群龐大的語言並沒有這種問題，可是對於族群較小（如波斯語），或是不常使用語音翻譯的族群（如許多亞洲國家），Google翻譯就顯得力有未逮，正確率也不盡理想。Google必須想辦法鼓勵用戶使用他們的語音翻譯，才能夠帶來更完美的翻譯結果。

▲用德語和英語交談也沒問題。

2014年5月，微軟公開一段Skype的即時口譯演出，讓美國人與德國人藉由即時口譯來交談。雖然口譯結果並不十分正確，兩位當事人還是能夠暢談甚歡。微軟研發部門主管的彼得．李（Peter Lee）表示，Skype口譯的用法就和一般的Skype差不多，唯一的差別是彼此不需要會講對方的語言。

「想像一下，你可以將口中的德語，轉換成文法與意義皆正確無誤的英語，Skype口譯就是你所期待的未來。藉由Skype口譯，你幾乎可以跟世界上的任何一個人溝通。」李這麼表示。

▲Skype口譯不完美，卻極富潛力。

微軟研究機器翻譯已超過十年，Skype口譯是最近才展現的成果。工程師原本使用高斯混合模型（GMM，一種古典的語音辨識方法）來建構語音資料，屬於靜態的機率函數。幾年前，工程師認為高斯混合模型的應用效果不佳，便改採類似人腦運作的深度神經網絡（Deep Neuron Networks，DNN），成為微軟的新標準。

2010年，微軟獲得一次成功的技術躍進。開發部門的法蘭克．賽迪（Frank Seide）等人開發出一套新技術「The Translating Telephone」，能夠將語音即時翻譯為文字，或是口譯為對應的語言。後來微軟便以該系統為基礎，反覆投注語音樣本，使得系統效能提升了42%，進而促成語音助手Cortana，以及Skype口譯的問世。

▲藉由Skype口譯與外國人溝通。

就和Google翻譯一樣，微軟花了許多心思，蒐集到數量龐大的語音樣本，從社群網路中尋找用戶書寫文字的語言習慣，利用這些資料持續訓練系統，才讓Skype口譯具備現在的表現。

文字和語音本質上仍是不同的東西，其中的差別在於語音具有不流暢的混沌本質。舉例來說，我們說話時經常用到發語詞「嗯」、「喔」、「那個」，系統必須將其視為發語詞，避免將其視為口譯目標。

「那些發語詞不屬於語音的字。」微軟的機器翻譯首席，艾盧．曼尼茲（Arul Menezes）在部落格上表示，「有時候，人們會講幾個字，隨後又從頭講出完整的語句。對於幾種特定的語言，像是西班牙語，這種狀況可能正好符合文法架構，要過濾這種狀況十分棘手。我們過去幾年持續努力，部分理由就是為了釐清語言的矛盾，填補文字和語音之間的鴻溝。」

▲Skype口譯的運作流程圖。

語言博大精深，利用機器即時翻譯的難度頗高，卻絕非不可能的任務。人類實際鑽研即時翻譯領域的時間不過區區20餘年，能有現在的成果實屬難能可貴。若能夠照這種速度持續進步，或許在你我的有生之年裡，就有機會使用趨近完美的即時翻譯，終結人類自從巴比倫之塔以來的漫長語言隔閡，美好的願景令人期待不已呢。