電影《銀河系漫游指南》中的巴別魚

科幻小說《銀河系漫游指南》里面有種叫巴別魚的生物，可以突破傳統(tǒng)翻譯工具的物理限制，通過解析腦電波實現(xiàn)跨物種語言的即時互譯。這個看似遙不可及的幻想，如今在深圳一家名為時空壺的公司手中，正逐步走向現(xiàn)實。

時空壺是全球首創(chuàng)AI同傳翻譯耳機的公司，他們正在用技術(shù)打破人類之間的語言壁壘，讓跨語言交流變得如同說同一種母語一樣自然。從2016年創(chuàng)立至今，他們的產(chǎn)品已銷往全球170多個國家，并且在北美市場占據(jù)了40%的份額，用戶突破百萬。今年初，中國海關(guān)總署甚至將時空湖的W4 Pro同傳翻譯耳機作為中國從“制造”到“智造”轉(zhuǎn)型的代表展示給全世界。

隨著大模型技術(shù)的發(fā)展，AI翻譯正從簡單的“直譯”進化為理解語境、把握情感的"意譯"。年初在拉斯維加斯舉辦的消費電子展（CES）上，時空壺發(fā)布了翻譯行業(yè)的首個人工智能同聲傳譯系統(tǒng)Timekettle Babel OS （The Road to Babel Fish 通往巴別魚之路），首次將大語言模型作為AI翻譯的底層能力，打造逼近母語的自然交流體驗，賦能時空壺各終端硬件和軟件應(yīng)用。

其中“Babel”在希伯來語中的原意是“混亂”。《圣經(jīng)》中有一個“巴別塔”（Tower of Babel）的故事。根據(jù)這個故事，人類原本說同一種語言，并試圖建造一座通天塔。上帝為了阻止這一計劃，讓人類說不同的語言，相互無法理解，從而使塔無法完成。

在跟時空壺創(chuàng)始人田力的對話中，他提到當美國一位牧師使用時空壺的產(chǎn)品讓說不同語言的教徒能在同一次禮拜中交流時，牧師感嘆道：“上帝要愛世人，但是你們這個產(chǎn)品幫助我們把不同的族裔的人聚在了一起……宗教還沒做到這一點，科技產(chǎn)品幫我們做到這一點。”

在一個日益全球化但語言障礙依然存在的世界，科技能否真正打破人類交流的最后屏障？我跟田力探討了時空壺面臨和克服的技術(shù)挑戰(zhàn)：從雙向收音的藍牙通信難題，到無需喚醒詞的語音識別，再到真正意義上的雙向同聲傳譯。時空壺的技術(shù)壁壘到底在哪里？為什么連蘋果、科大訊飛這樣的科技巨頭也難以復(fù)制他們的核心功能？在AI時代，語言翻譯技術(shù)的未來在哪里？

存在于科幻小說中的“巴別魚”如何在現(xiàn)實中逐步成形，以及它將如何改變我們理解與交流的方式，這是本期播客的主要內(nèi)容。

以下為節(jié)選。

品牌淵源與科幻DNA

潘亂：“時空壺”這個名字聽起來像科幻小說中的裝置，它有什么來源或典故嗎？

田力：這個淵源很有意思。我是科幻迷，最喜歡的作家之一是阿西莫夫。他有本被譽為歷史上最偉大的中篇科幻之一《永恒的終結(jié)》，里面有個懸浮在空中的時間機器叫”時空壺”。我們公司前臺就做了這么一個裝置，公司名字就這么來的。

潘亂：貝佐斯曾表示《星際迷航》影響了Alexa的設(shè)計，馬斯克則稱《銀河系漫游指南》啟發(fā)了他的太空探索。我看你們公司會議室也都是用科幻元素的名字命名的，時空壺還有哪些元素是直接從科幻作品中獲得靈感的？

田力：我們的會議室都是以著名科幻作家或作品命名的。我們現(xiàn)在所在的會議室叫“三體”。我們即將建設(shè)的聲學實驗室很可能會叫“42實驗室”，取自《銀河系漫游指南》中“宇宙的終極答案”。

還有一個會議室叫“巴別魚”，也來自《銀河系漫游指南》。主角在宇宙飛船上聽不懂外星人說話，就塞了一只魚在耳朵里，就能聽懂外星人說話。這個形象在英美國家非常深入人心，知名度接近西游記在中國的地位。

在科幻世界中，翻譯設(shè)備的想象有兩個著名IP：一個是巴別魚，另一個是《星際迷航》里的宇宙翻譯器。這些科幻作品對我們的產(chǎn)品開發(fā)有天然的啟發(fā)。

創(chuàng)業(yè)初心與技術(shù)突破

潘亂：你大概是什么樣的從業(yè)背景，為什么會想到創(chuàng)業(yè)做AI同傳耳機這個方向？

田力：我并沒有一開始就想做這件事。我的性格比較喜歡折騰，不太喜歡做同質(zhì)化的事情。我從上一家硬件創(chuàng)業(yè)公司出來后，因為之前的工作關(guān)系，認識了很多AI公司的人，包括微軟、谷歌、科大訊飛等。

創(chuàng)業(yè)的契機源于三件事：

• 第一，當時我意識到2016年左右AI技術(shù)有了重大突破，但很多公司在做AI To B，做解決方案和項目，最后變成了軟件項目外包公司。很少有公司能做出產(chǎn)品讓普通消費者感受到AI的價值。

• 第二，我父母去歐洲旅游時，雖然我給他們下載了很多翻譯APP，但他們回來說連去便利店買水的勇氣都沒有。我媽媽在阿爾卑斯山突發(fā)高原反應(yīng)，但無法與說法語的醫(yī)生交流。他們覺得拿著手機那種尷尬的姿勢交流不符合習慣。

• 第三，我在深圳高交會親自嘗試用翻譯APP與外國展商交流，發(fā)現(xiàn)實際效果很差。需要按住說話、松開翻譯，對方要看屏幕，反應(yīng)遲鈍，還容易錯過對方的開頭幾句話。很難堅持超過一分鐘的交流。
  

這讓我認識到，雖然AI翻譯技術(shù)已經(jīng)較為成熟，但在現(xiàn)實中兩個不同語言的人很難像朋友聊天一樣自然交流。問題不在于翻譯技術(shù)本身，而是需要創(chuàng)造一個讓人們愿意交流的場景。

潘亂：你曾是華為中國區(qū)最年輕的金牌個人獲獎?wù)?，華為工作經(jīng)歷對你有什么幫助？

田力：華為對我是從0到1的歷練。它在中國可能是管理最好的公司，沒有之一。在華為我做市場工作，雖然學的是工科。華為教會我基本素養(yǎng)和思維方式的轉(zhuǎn)變。比如，做一個好的銷售，首先是利他而非利己的，需要關(guān)心對方的感受，理解對方的價值點。華為也教會我職業(yè)素養(yǎng)、如何與上下級同事合作、如何交付等基本訓練。

開拓新品類的挑戰(zhàn)與思考

潘亂：時空壺最近被《新聞聯(lián)播》深度報道了近四分鐘，這是很有含金量的認可。中國海關(guān)總署也認可它為代表中國從“制造”到“智能制造”轉(zhuǎn)型的典范。你如何看待中國在全球AI硬件行業(yè)中的地位演變，像時空壺這樣的公司能扮演什么角色？

田力：首先感謝CCTV和海關(guān)領(lǐng)導(dǎo)的認可。我們對自己定位很清晰，我們是產(chǎn)品公司，是小公司，在這個大潮中只是一朵小浪花，但努力成為“弄潮兒”。

從我的角度看，中國的基礎(chǔ)設(shè)施、技術(shù)和信息流動，已經(jīng)讓深圳的創(chuàng)業(yè)者，或中國任何角落的創(chuàng)業(yè)者能夠共享全球資源和視野。我們站在巨人肩膀上，以前是谷歌、微軟、科大訊飛，今天則是OpenAI、DeepSeek等。

就像從哈勃到韋伯望遠鏡，是有遞進關(guān)系的。我們享受了基礎(chǔ)設(shè)施的便利，包括物理和信息層面的，開發(fā)時可以利用大家的經(jīng)驗和教訓。

潘亂：為什么這波AI硬件公司大多聚集在深圳？

田力：硬件這塊主要是產(chǎn)業(yè)鏈便利。在深圳，打車半小時就能到達很多上下游合作伙伴，有很多交流活動。比如韶音在我們旁邊，大疆在15分鐘車程內(nèi)，還有很多優(yōu)秀硬件公司都在附近，方便交流。

上游如東莞、惠州有很多工廠，非常開放，即使我們是小公司，他們也愿意嘗試合作。我們第一代產(chǎn)品就是在一家上市公司的幾千人工廠生產(chǎn)的，很感謝他們。

深圳還有很多方案商，這在其他地方可能不是特色。想做產(chǎn)品時，不需要從零開始思考用什么芯片，而是可以找方案商，他們像導(dǎo)師一樣幫你完成市場認知建立、技術(shù)方案選擇、芯片選型等全流程，幾乎可以“拎包入駐”。

潘亂：作為新品類的開創(chuàng)者，時空壺最大的優(yōu)勢是什么？在沒有成熟市場參照的情況下，你如何判斷產(chǎn)品方向的正確性？

田力：正因為我們是新品類的開拓者，在無人區(qū)行走，就像發(fā)現(xiàn)新大陸一樣有先發(fā)優(yōu)勢。前提是你沒有“死在沙灘上”，而是真的登陸了。

關(guān)于如何判斷方向正確性，實事求是地說，最初我們并不確定。我們的第一代產(chǎn)品設(shè)計——兩個人各戴一只耳機交流——當時有很大爭議。大家認為陌生人很難接受這種方式。

但我們決定先做出我們設(shè)想中的體驗，再檢驗市場接受度。即使只有少部分人接受，只要他們的體驗被顛覆，那這個無人區(qū)的探索就算階段性成功。然后通過與用戶深度交流，發(fā)現(xiàn)產(chǎn)品問題，進一步改進。

我們的終極目標很清晰：就是讓人們像我們現(xiàn)在這樣自然交流。蘋果產(chǎn)品的目標是“disappear”，讓用戶幾乎感覺不到它的存在。我們也一樣，希望最終的體驗不需要規(guī)劃、不需要教育，就像人類上百萬年的自然交流方式——看著對方的眼睛，張口說話，不需要做操作，像朋友一樣聊天。

技術(shù)突破：從無到有的探索

潘亂：“把翻譯軟件塞進藍牙耳機”這事難在哪里？

田力：最初我以為很簡單，找人開發(fā)翻譯軟件，找個藍牙耳機和它結(jié)合就完了。但我找遍了很多方案商，都說做不了。

為什么？我們設(shè)想的場景是兩個人各帶一個耳機進行交流。但標準的藍牙耳機在錄音時只有一只耳機在工作。雖然播放音樂是左右聲道立體聲，但錄音時變成了單通道，像單行道一樣。這就導(dǎo)致兩人各戴一只耳機對話時，只有一人的聲音能被錄進來，給對方戴耳機就沒意義了。

這是我們首先遇到的挑戰(zhàn)，是通信技術(shù)問題，而不是AI技術(shù)問題。之前沒有人解決是因為沒有這個需求。過去人們可能會分享耳機聽音樂，但很少有人想分享耳機一起通話。所以從藍牙協(xié)議1.0到現(xiàn)在，一直沒有解決多人錄音的問題。

作為創(chuàng)業(yè)公司，我們本想把現(xiàn)有技術(shù)組合起來，但立刻撞上第一堵墻。在深圳這樣的硬件之都都找不到解決方案，甚至咨詢了高通、海思等芯片廠商的工程師，他們都確認這個問題沒有現(xiàn)成解決方案。

所以我們只能自己搞。雖然公司2016年成立，但真正作為正式項目開始是2017年，第一代產(chǎn)品到2019年才出來。當時我預(yù)計三個月能出產(chǎn)品，結(jié)果搞了一年半才做出來，而且只能算40分的產(chǎn)品。

潘亂：在對話過程中如何確保只收錄我們兩個人的對話，過濾掉背景噪音？

田力：解決了通信問題后，我們面臨的第二個挑戰(zhàn)是語音識別問題。人與人的對話與人機對話不同，不能有喚醒詞。我們需要開發(fā)一套算法，不需要喚醒詞但能檢測說話的開始和結(jié)束。

當時智能音箱流行，都需要喚醒詞。還有耳機可以用“嘿，Siri！”喚醒。但我們的產(chǎn)品不能有喚醒詞，因為這不符合人類交流習慣。

這需要先降噪，然后檢測說話的開始和結(jié)束，專業(yè)術(shù)語叫VAD（Voice Activity Detection））檢測。目的是解放雙手，讓兩個人交流時能自由自在地溝通，不需要每次都點一下按鈕。我們的目標是“想說就說，想停就?！保踔量梢源驍鄬Ψ?，像正常人類交流一樣。

我們解決了通信問題、喚醒問題后，終于達到了兩個人可以相對自在地交流的程度。但那時還是“單向同傳”——我說話你可以邊聽翻譯，但你說話必須等我說完。下一步挑戰(zhàn)是實現(xiàn)兩個人可以同時說話。

W4 Pro的設(shè)計理念

潘亂：時空壺W4 Pro的外觀與普通TWS耳機有明顯區(qū)別，為什么選擇這種形狀？它如何支持你們的技術(shù)需求？

田力：我們做W4 Pro是想嘗試開放式耳機設(shè)計，有些用戶覺得這種設(shè)計長時間佩戴更舒適。其次，我們希望在上面展現(xiàn)更好的技術(shù)，比如三麥克風陣列算法，形成更強的降噪效果。

這對我們的場景非常關(guān)鍵，因為兩個人各戴一個耳機交流時，我的聲音很容易串到你的耳機里。普通耳機場景不存在這個問題，因為人們通常不會在旁邊有人說話時打電話。但我們的產(chǎn)品恰恰是兩個人戴著耳機互相對話，兩個耳機都在收音。

我們必須屏蔽掉對方的聲音，只收集佩戴者的聲音。普通耳機很難做到這一點。而且我們對聲音質(zhì)量的要求更高，因為這個聲音最終要給機器識別并翻譯。機器對錯誤的容忍度比人耳低，因為人有大腦可以自行腦補。所以我們使用三麥克風和更先進的技術(shù)來更好地屏蔽周圍聲音，包括對話對象的聲音。

從挫折中重生

潘亂：新聞聯(lián)播報道提到2019年時空壺面臨重大挫折。你們的復(fù)盤結(jié)果是什么，之后做了哪些調(diào)整？

田力：這像是技術(shù)拼圖。就像大疆要實現(xiàn)航拍，先要做飛控，然后是遠程圖傳系統(tǒng)，再到自己做攝像頭、云臺等，一點點拼成完整技術(shù)鏈條。

我們也是如此。當你戴上我們的耳機時，從錄音到傳輸?shù)皆贫颂幚碓俜祷囟鷻C，整個過程延遲要控制在幾百毫秒內(nèi)，是一個完整技術(shù)鏈條。翻譯部分主要在云端，包含語音識別、機器翻譯、語音合成三個步驟。

2019-2020年時，我們沒有能力自己做這些AI引擎，因為燒錢且有些是“重復(fù)造輪子”。我們與翻譯引擎的關(guān)系像滴滴與地圖的關(guān)系—滴滴需要地圖，但不必從創(chuàng)業(yè)第一天就自己做地圖。當時幾乎所有互聯(lián)網(wǎng)公司都做翻譯和識別，而且差別不大，成本也低。

所以我們更關(guān)注當時業(yè)界未解決的問題—真正沉浸式的交流場景，而翻譯只是整個過程中的一個環(huán)節(jié)。直到最近我們才開始自己做引擎。

差異化競爭優(yōu)勢

潘亂：蘋果為AirPods增加了實時翻譯功能，科大訊飛也推出支持40多種語言的翻譯耳機。時空壺與它們相比有何獨特之處？為什么這些擁有強大語音識別和AI技術(shù)的公司不能簡單復(fù)制你們的雙向同聲傳譯能力？

田力：最初他們可能看不上這個市場。我們?yōu)榱私鉀Q通信問題，犧牲了聽音樂功能。這部分是技術(shù)限制，也是戰(zhàn)略決策。我們希望消費者把我們的產(chǎn)品視為可穿戴的翻譯設(shè)備，而不是能翻譯的音樂耳機。

其實早在2018-2019年，谷歌的Pixel Buds配合Pixel手機已能進行翻譯，但交流方式是戴耳機的人把手機湊到對方面前，像采訪一樣。對陌生人來說挺尷尬的。

我們與大公司相比的最大優(yōu)勢是專注。這是我們看好但別人不看好的領(lǐng)域，我們投入大量精力、技術(shù)和know-how，形成了今天的壁壘。但必須承認，創(chuàng)業(yè)公司的壁壘大多是動態(tài)的，不是靜態(tài)的。就像特斯拉如果停止創(chuàng)新，其他公司可能三年內(nèi)就能追上。

我們的領(lǐng)先窗口期可能只有半年。我們的優(yōu)勢是在這個領(lǐng)域的專注積累，以及解決通信技術(shù)、降噪技術(shù)上的突破。這些技術(shù)是為特定交流場景服務(wù)的，不一定適用于其他領(lǐng)域。

用戶體驗與場景拓展

潘亂：讓陌生人愿意戴耳機交流有難度。你有沒有想過開發(fā)不需要對方佩戴但仍可轉(zhuǎn)化為語音的產(chǎn)品形式？

田力：耳機對我們來說不是最重要的，重要的是場景。我們希望提供自由、沉浸式的跨語言交流體驗。

很顯然，在路上隨便問路這種簡單交流，給陌生人分享耳機不方便。所以我們最初設(shè)計就明確，這不是為所有場景設(shè)計的產(chǎn)品。

人類交流在時間、空間和對象上非常多元豐富。今天我們一對一交流是一種場景；爬山時遇到背包客想邊走邊聊是另一種場景；開會時一對多又是另一種場景...這是一個排列組合的網(wǎng)絡(luò)，我們目前只解決了其中一個點。

我們有其他模式，比如我戴耳機通過外設(shè)收音，適合聽會為主不需要交流的場景；或者通過手機外放讓對方聽到翻譯，交流不那么自由但更簡便。

至于不需要對方佩戴的交流方式，我們在研究。眼鏡可以快速看到翻譯結(jié)果，但對方是否有眼鏡？除非全世界都有你的眼鏡，這需要難以想象的市場占有率。

全球反饋與獨特使用案例

潘亂：你們的產(chǎn)品已銷往170多個國家，有哪些使用方式讓你印象深刻？

田力：因為我們在無人區(qū)探索，看到的風景總是不一樣的。最初我們以為產(chǎn)品主要用于旅行，但發(fā)現(xiàn)很多意想不到的使用方式。

舉兩個例子：在英國，家長買我們的產(chǎn)品與孩子練習外語。比如，中國家長英語不好但想和孩子練習，他們接孩子放學路上，家長戴一只耳機說中文“我們?nèi)コ邪伞保⒆哟髁硪恢宦牭健癓et's go to supermarket”，可以用英語回答。普通翻譯APP也能做，但沒有這種沉浸感。

另一個是美國一個教堂的神父。他的教堂有講西班牙語的墨西哥信眾，他本會說西班牙語，但要做兩次禮拜，一次英語一次西班牙語。他用我們的產(chǎn)品，讓墨西哥信眾戴耳機，自己用英語布道，聽不懂英語的人戴耳機聽西班牙語。神父反饋說：“上帝要愛世人，你們的產(chǎn)品幫助我們把不同族裔的人聚在一起（bring people together）?！边@正好對應(yīng)圣經(jīng)中巴別塔的故事—上帝讓人類說不同語言使他們無法合作。

這些使用方式表明，人們渴望更親密的關(guān)系，渴望更自然的交流狀態(tài)，超越了翻譯技術(shù)本身。

潘亂：你們的產(chǎn)品能用于跨國戀愛或家庭交流嗎？

田力：這是很經(jīng)典的使用場景，尤其在美國和歐洲。今年1月在美國時，我約了一位用戶吃飯，他是拉斯維加斯曼達里灣酒店的調(diào)酒師，在哥倫比亞有個女朋友。他們語言不通，有時她來美國找他，有時他去哥倫比亞。他們用我們的產(chǎn)品交流。

還有使用場景是與外國親屬溝通。比如與岳父母交流，過去總要讓配偶充當翻譯，現(xiàn)在可以直接交流，建立更好的關(guān)系。所有這些都指向一件事：更好的人際關(guān)系。

AI與翻譯技術(shù)進化

潘亂：你們的產(chǎn)品支持40種語言和93種口音，準確率達95-96%。哪些語言最難準確翻譯，你們?nèi)绾魏饬糠g的“準確性”？

田力：翻譯不存在絕對的準確性問題。有人說“翻譯是遺憾的藝術(shù)”，因為你永遠不能完全理解一個民族的思想。語言背后是文化、是文明的思考，中英文有很多無法完全準確還原的內(nèi)容。

一般來說，中英德日法西這些大語種翻譯準確率相對較高。小語種如印尼語、馬來語，甚至阿拉伯語（雖不算小語種）的識別和翻譯準確率都不高。

部分原因是語言結(jié)構(gòu)不同，但很大原因是這些語言為主的國家在AI投入和人才密集度較低。阿拉伯世界在AI上的投入、積累的數(shù)據(jù)比中美差很遠?；A(chǔ)設(shè)施差一點，使用體驗就會與中英文翻譯相距甚遠。

這也是我們在研究的方向—大廠關(guān)注的大語種之外，很多角落被遺忘，但實際痛點依然存在。

潘亂：在翻譯過程中，如何處理語氣詞、停頓詞、重復(fù)詞？

田力：這涉及直譯和意譯的區(qū)別。絕大多數(shù)情況下人們需要的是意譯。所以語氣詞等是否保留取決于目的—有人希望保留因為它表達了情緒，而不僅是把口語表達變成新聞稿。

大模型時代的翻譯正逐漸從直譯向意譯進化，這更符合人類表達習慣，尤其對口語化溝通更有價值。

大模型時代的翻譯革命

潘亂：用戶反饋中提到翻譯錯誤、語種不全、延遲高、易掉線等問題。大型語言模型的出現(xiàn)會如何改變這些問題？

田力：首先討論“快”（延遲）和“準”（準確率）。關(guān)于延遲，我們需要理解體驗變化—從過去按住說完放開等翻譯的交替?zhèn)髯g，到現(xiàn)在邊說邊聽到翻譯的同聲傳譯，用戶感知的延遲概念已經(jīng)變了。

現(xiàn)在的挑戰(zhàn)不是說完一句話到翻譯出來的延遲，而是開始說話到開始翻譯的延遲。對人類同傳譯員的要求是兩三秒內(nèi)開始翻譯，無論句子多長，這要求更高。

關(guān)于準確率，大模型時代確實有顯著改善。它更容易理解真實意思，而不是逐字直譯。它能去掉廢話語氣詞，糾正語法錯誤，使表達更清晰。

潘亂：與傳統(tǒng)生硬翻譯相比，時空壺結(jié)合大模型的翻譯有何改進？

田力：這就像人類頂級同傳譯員的能力。一個頂級譯員能在你開始說話后兩三秒內(nèi)開始翻譯，即使你的句子很長或有轉(zhuǎn)折。

他們?nèi)绾巫龅?？首先會提前了解會議主題背景，分析講話主旨。他們能從上下文理解避免低級錯誤—比如在金融論壇，如果聽到“披薩”一詞可能會自動忽略或糾正，因為背景是金融概念。

他們關(guān)注的是傳達概念而非逐字翻譯。這正是大模型時代AI能做到的—更深刻理解主旨，這是我們正在做的。

潘亂：時空壺開發(fā)的Babel OS系統(tǒng)是業(yè)界首個AI同傳翻譯大模型，它與通用大模型在翻譯場景下有何專業(yè)優(yōu)勢？

田力：我們的Babel OS不僅是語言模型，而是包含整套技術(shù)的系統(tǒng)。它服務(wù)于完整交流場景，包含翻譯引擎和前端技術(shù)。

在大模型時代，最直接的變化是在“快”和“準”兩方面。從技術(shù)角度，過去是從識別到翻譯到語音合成的級聯(lián)式模型，現(xiàn)在大模型正向端到端模型發(fā)展—中文語音進，英文語音出（speech to speech translation）。

這像是多語言精通者的思維方式—不是先翻譯再理解，而是直接理解后用另一種語言表達。當AI通過這種方式處理時，能更精準傳達意思。

此外，當一個模型處理多種語言時，可以利用語言間的相通性，提高效率和準確率。當然，即使是OpenAI、微軟、谷歌也難以覆蓋所有語種（全球有4000多種定義語言）。我們可以在某些小語種發(fā)揮優(yōu)勢，大語種則采用大公司已做好的部分。從終極角度看，翻譯能力不可能被一家公司壟斷，一定是博采眾長的過程。

翻譯技術(shù)的分級標準

潘亂：現(xiàn)在很多產(chǎn)品宣稱能實現(xiàn)實時翻譯，但它們之間有何區(qū)別？可以定量分析嗎？

田力：我們現(xiàn)在自己有時會拿自動駕駛作參照物，就比方自動駕駛的分級，你看它是從 L1 到L5，那我們其實也同樣可以對標。比方說什么是L1？就是當年大家拿一個電子詞典，或者一個手機 APP 去打字給對方看的翻譯，這是一個文本翻譯，它的效率是最低的。然后到了進化到 L2 的時代的時候，它更像是接近于那種終于可以從逐字逐句的翻譯變成我說話，他幫我語音的翻譯了。

我們給自己定義成我們當前處于 L3，就是類似于那種語音的同傳翻譯，比方說我邊說你會邊聽到，而且你也可以就是雙向同傳的這種交流，正常的交流不會變成了我說話的時候你就被禁言了，你想補充一個什么事兒想說就說，想停就停。所以 L3 我們定義是類似于語音同傳的這種翻譯，這是我們現(xiàn)在能做到的事兒，但這個還僅僅只是在翻譯的交互模式上的一個進化。

L3 到 L4 的本質(zhì)的最大的區(qū)別是在于從直譯到意譯的質(zhì)變。L4 可能就能從捕捉你的聲音的語氣、情緒的很多東西，包括你的意思的一些真實的表達的意圖的東西，和人類的水平是同樣了。L3 可能只能說你接近于人，但是 L4 你就能達到和人的水平是一致了。比方說你說話時是疑問的，是質(zhì)問的、是憤怒的還是愉悅的，都可以在翻譯過程中把這個結(jié)果進行修正。很多個性化的表達，習慣性的表達，很多的專業(yè)術(shù)語都能在 L4 這個檔位得到解決，也就是說它就可以等同于人類頂尖語言的水平。

L5就是超越人類的水平了。超越人類水平就是什么呢？它可以在一個多模態(tài)的層面上去觀察你想要表達的意思，比方說現(xiàn)在大家還是基于你說話的信息，但未來可能是你的表情，你的過去的積累的一些你的溝通習慣，這些東西就相當于你真的是有了一個私人秘書，對你“察言觀色”，理解你說話的“弦外之音”，甚至可以替你發(fā)言。

端側(cè)AI的未來

潘亂：考慮到網(wǎng)絡(luò)環(huán)境和隱私顧慮，你們是否計劃將翻譯處理從云端轉(zhuǎn)移到設(shè)備本地？

田力：這非常重要。由于網(wǎng)絡(luò)不穩(wěn)定和隱私需求，對端側(cè)處理的需求越來越大。我們正在開發(fā)端側(cè)方案，雖然有算力限制導(dǎo)致翻譯能力弱化的權(quán)衡。

人的交流對實時性要求非常高。網(wǎng)絡(luò)不好時，用戶會焦慮，甚至導(dǎo)致交流中斷。所以端側(cè)模型勢在必行。我們正研究如何用僅有過去1%參數(shù)量的模型在終端設(shè)備上實現(xiàn)翻譯體驗。大概今年下半年會發(fā)布相關(guān)消息。

未來展望

潘亂：耳機是一個自然的起點，但肯定不是跨語言交流的唯一解決方案。你們已經(jīng)推出了X1語音翻譯機等非耳機產(chǎn)品，未來還計劃開發(fā)哪些非耳機產(chǎn)品？針對不同的使用場景（例如旅游、會議、工廠、學校等），你對擴展到耳機之外的其他形態(tài)有什么愿景？

田力：無論是耳機還是其他形態(tài)，都只是一種介質(zhì)（手段），不是目的。我們的目標是讓不同場景中的人們能自然無障礙地交流。

介質(zhì)可能是眼鏡、領(lǐng)夾式麥克風、手表或純軟件（我們也有純軟件產(chǎn)品）。重要的是在特定場景下讓交流舒適自然。

比如X1的演講模式，臺下觀眾不需要我們的硬件產(chǎn)品，只需手機掃碼就能聽到自己語言的翻譯。這不會增加我們的硬件銷量，但能創(chuàng)造更好的體驗，讓人們眼睛一亮：“我終于能聽懂你說什么了！”

我們的終極目標始終是做出現(xiàn)實版的“巴別魚”，在此過程中會嘗試各種形態(tài)。

潘亂：感覺你是一個非常謹慎的創(chuàng)業(yè)者，會把很多問題都前置思考，然后再去做決定，這會不會讓你在這個速度上產(chǎn)生一些問題？你怎么平衡這個事情的？

田力：這個問題其實你會發(fā)現(xiàn)其實它是一個雙向的，一方面我們確實是在做一個無人區(qū)的探索，但另一方面你也感覺到好像我們對這個事又比較謹慎。在你看來這兩個是矛盾的，但其實在我看起來它不算矛盾，是因為你本來就是在做一個新的東西，那新的東西你確實就要想清楚你到底在服務(wù)什么樣的人群，而不是擴大化的事情。

我們是希望你真的有需求的時候找我們，因為這個時候你的產(chǎn)品的方向，你的該迭代的東西，你才會看的更清楚。我覺得這個其實并不影響我們在往前進的速度，只不過我們要清晰的認知到現(xiàn)在的產(chǎn)品，在我的心目中，現(xiàn)在可能還沒有達到那種理想的狀態(tài)，還沒有達到那種真正的像科幻里邊那種，是一個珠穆朗瑪峰的東西。我們現(xiàn)在可能只是還達不到這個 8,800 多米的高度，我可能還在五六千米的位置，還在往上攀登，但是我們的慶幸之處在于，當我爬到五六千米的時候，其實已經(jīng)能滿足相當一部分人他的需求了，只是 8,000 多米的時候，是一個任何人都能感受到你這個產(chǎn)品魅力的時候，都能解決他的問題的時候。

潘亂：你給時空壺的產(chǎn)品打多少分？什么會代表“100分產(chǎn)品”？你覺得8 千米那時候是一個什么樣的產(chǎn)品形態(tài)？

田力：從產(chǎn)品適用范圍和細節(jié)改善角度，我給70分。這不是說質(zhì)量有問題，而是我們還不能解決所有語言障礙。語言障礙非常多，是個多維矩陣，我們只解決了一點點。

未來隨著AI模型進化，能更好傳遞意圖、情緒，體驗細節(jié)更實時、延遲更短，AI總結(jié)能讓交流更及時，就像從L3到L4自動駕駛，L3還需要人接管，L4就不用總是操心了。

那如果說到8,000米理想的狀態(tài)，理想狀態(tài)就是巴別魚—戴在耳朵里的設(shè)備，讓你不再擔心語言障礙。第一天就能看到遠方的大洋，但需要哪條河流能到達，你不知道，只知道一直向那個方向走。

潘亂：如果不考慮當前技術(shù)限制，你認為語言翻譯的終極形態(tài)是什么？

田力：我經(jīng)常問新同事：“30年后翻譯產(chǎn)品會變成什么樣？”有人說是腦機接口，如三體人用腦電波交流；有人提到《黑鏡》里的隱形眼鏡；《流浪地球》里吳京與俄羅斯人交流時各戴一個耳機。

郭帆導(dǎo)演曾在節(jié)目中用過我們的耳機，調(diào)侃說：現(xiàn)在科幻電影不好拍，還沒拍完，產(chǎn)品先做出來了。

終極狀態(tài)是你感受不到它的存在，像空氣一般無感。它可能在不同場景有不同形態(tài)—銀行或醫(yī)院里的固定裝置，戶外則是便攜設(shè)備。形態(tài)一定是多元化的。

最終這些分支是否會閉合成統(tǒng)一形態(tài)？

這是非常有趣的問題?？凑麄€產(chǎn)業(yè)的進化史會很有意思。我們希望活到那一天，成為基礎(chǔ)設(shè)施提供者之一。那時人們不再擔心語言障礙，像基礎(chǔ)設(shè)施一樣隨處可用，我們希望成為其中最重要的玩家之一。

結(jié)語

潘亂：在這個充滿不確定性的世界，語言障礙仍是人類連接的最大挑戰(zhàn)之一。時空壺正用科技力量打破這一障礙，讓我們距離科幻小說中描繪的無障礙交流未來更近一步。期待有朝一日，語言不再是人類溝通的障礙，希望時空壺能加速這一天的到來。

田力：謝謝。