封面圖片由AI生成

7 年前，作者還是一名職業(yè)翻譯，用著雅信 CAT 翻譯軟件，搭配谷歌翻譯和紙質(zhì)的大部頭柯林斯字典，做法律文書、技術(shù)資料的翻譯工作，偶爾也幫一些引進的英語電視節(jié)目配字幕。

轉(zhuǎn)行面試的時候，hr 問我為什么不干翻譯了，我回答說，感覺自己這個職業(yè)可能很快要被 AI 替代了。

當(dāng)時的 HR 可能以為這只是個隨口瞎編的理由，但身處行業(yè)中，我的體會真是這樣。

2017 年前后，作者明顯能感覺到，谷歌翻譯的準確率在大幅提升。雖然在一些專業(yè)領(lǐng)域，尤其句子結(jié)構(gòu)復(fù)雜的文本材料，機翻的結(jié)果仍存在很多錯誤，沒法直接采用。但對于一些基礎(chǔ)文本，翻譯結(jié)果已經(jīng)相當(dāng)準確、優(yōu)雅了。

因而行業(yè)內(nèi)也出現(xiàn)了個別譯員大范圍采納谷歌翻譯結(jié)果、敷衍交差的情況，在審校這類稿件時，一旦內(nèi)容涉及到陌生的專業(yè)領(lǐng)域，如果不細看原文，是不容易發(fā)現(xiàn)問題的。也就是說，這時候翻譯引擎的“智力”水平，只需配合少許“人工”，就能達到“即使胡說八道、也能自圓其說”的程度了。

當(dāng)時我還沒注意到，谷歌已經(jīng)推出了自有品牌手機 Google Pixel phone 和耳機 Pixel Buds，宣傳亮點之一，即是通過軟硬件結(jié)合的方式，讓“實時翻譯”這項專業(yè)級技能，走進普通消費者的日常生活中。只不過真正的翻譯任務(wù)，還是通過手機上深度集成的 Google Translate App 完成，Pixel Buds 本身不直接處理翻譯邏輯，只單純扮演一個“傳聲筒”的角色。而且，就網(wǎng)絡(luò)上留存的一些當(dāng)時的用戶反饋來看，產(chǎn)品使用流程比較繁瑣，高度依賴手機 APP 和手動操作，且翻譯質(zhì)量和交互體驗也差強人意。

左 Google Pixel phone，右 Pixel Buds | Alex Dobie 博客

彼時國內(nèi)同樣掀起了一波人工智能創(chuàng)業(yè)浪潮，翻譯領(lǐng)域自然也不乏軟、硬件科技巨頭推陳出新、試圖解決用戶跨語種交流問題。網(wǎng)易有道、百度翻譯陸續(xù)采用新的技術(shù)路線迭代自家翻譯引擎；被譽為“中國語音產(chǎn)業(yè)第一股”的科大訊飛，也于 2016 年年底推出了旗下首款消費級翻譯硬件——訊飛翻譯機，并迅速成為市場上的明星產(chǎn)品。

2017 年，一家位于深圳的智能硬件初創(chuàng)公司，更進一步提出“翻譯耳機” 概念，嘗試“把翻譯軟件直接裝入耳機”，讓用戶實現(xiàn)跨語言自由交流的目標。項目在北美科技眾籌平臺 Kickstarter 上冷啟動，以并不算便宜的價格 （ 超級早鳥價 99 美元 ），一舉收獲了 1640 位支持者。這就是如今 AI 同傳耳機頭部品牌——Timekettle 時空壺的起點。

圖：時空壺初代產(chǎn)品眾籌頁

幾乎每個跨語言交流場景，都有了專屬的“AI 翻譯官”

短短幾年，科技飛速發(fā)展，日常工作、生活中的大部分難題，似乎都有了產(chǎn)品化的解法，跨語言交流自然也不例外。大語言模型的出現(xiàn)，讓普通消費者需要翻譯技能的每一個高頻場景，都有了專屬的“翻譯官”。

翻譯工種的分類，幾個核心要素，一是準確性、二是即時性、三是結(jié)果展現(xiàn)的方式。

以作者曾經(jīng)從事的文本翻譯和聽譯工作為例，兩者的共同點，一是對“即時性”要求不高，工作時間相對充裕；二是都不涉及“開口講”，只需要把原文本、音視頻內(nèi)容，用另一種語言文字準確轉(zhuǎn)述出來即可。這也是普通消費者日常工作、生活中最常見的場景，包括瀏覽外文資料、網(wǎng)站，看外文影視節(jié)目等等。

通用文本的翻譯，目前最佳解決方案，毫無疑問就是大語言模型，以及集成了大語言模型的翻譯引擎本身。ChatGPT、DeepSeek、元寶、豆包……現(xiàn)在任何一個大模型的文本翻譯質(zhì)量，基本上都達到了拿來就用的水平；谷歌、微軟 Edge 等主流瀏覽器也提供類似于“翻譯此頁面”這樣更大眾化的功能，為用戶瀏覽外文網(wǎng)站掃除障礙；外文影音內(nèi)容的翻譯，則幾乎從“源頭”上得到了解決——市場上主流的視頻編輯類產(chǎn)品，幾乎把“匹配字幕”、“字幕翻譯”做成了標配功能，有的甚至還免費。卡點依然在法律、金融、醫(yī)療等對準確度和專業(yè)性要求極高的垂直領(lǐng)域，作者就聽說過“花 5 萬塊買了一套 AI 智能合同審核工具，結(jié)果還得靠人工”的案例。

而常見的“聽譯”類產(chǎn)品，已經(jīng)被廣泛集成在了各類視頻會議、協(xié)同辦公軟件中，以語音轉(zhuǎn)寫、會議紀要、實時字幕等形式出現(xiàn)，例如騰訊會議中的“字幕和轉(zhuǎn)寫”，飛書“妙記”的實時字幕功能。就我個人使用體驗來看，語音識別的準確度，也就是“聽”的問題，反而比“譯”的問題要大得多。

圖：騰訊會議和飛書妙記集成的實時翻譯功能

在更專業(yè)、更正式、對于“即時性”要求也更高的視聽場景，例如公開演講、大會論壇，很多會議主辦方會將外文演講者的發(fā)言，以實時翻譯字幕的形式，投放到會場顯示屏上，同步呈現(xiàn)給聽眾。據(jù)作者最近幾次參會的切身體驗，AI 實時翻譯的專業(yè)性、準確性已經(jīng)非常高了，當(dāng)然也有可能跟預(yù)置了專業(yè)詞庫、甚至內(nèi)部預(yù)訓(xùn)練了垂直領(lǐng)域模型有關(guān)。

圖：Meta 電商海外營銷峰會現(xiàn)場，嘉賓用英文演講，大屏幕右側(cè)以中文同步展示中文字幕

總之，作者曾經(jīng)賴以謀生的飯碗，可以說是被 AI 砸得七七八八了，也不知當(dāng)年合作過的翻譯公司和同行小伙伴們是否還安好。

從“對講機”到“自由交流”，AI “嘴替”還在進化

在以上提到的各類場景中，用戶更多還是單方面的“接收”信息，而在需要“開口講外語”的場景，就涉及到更高階的翻譯技能——交替?zhèn)髯g和同聲傳譯。

交替?zhèn)髯g大多出現(xiàn)在外交會晤、外貿(mào)洽談等場景，就像我們常在電視里看到的那樣，A 講話人講一段，停下來，譯員翻譯給 B 講話人；B 講話人回復(fù)，譯員再翻譯給 A 講話人，也就是講話人和譯員“交替”說話。

圖：意大利總理梅洛尼與美國總統(tǒng)特朗普會面，兩人身側(cè)是雙方譯員 | 來源：新聞

同聲傳譯則常見于高端會議、一對多發(fā)言的場景，講話人幾乎不需要特意停頓，譯員通過專業(yè)設(shè)備收音 （ 除去講話人聲音之外的雜音 ），最多延遲幾秒，即開始同步翻譯，聲音再通過麥克風(fēng)，傳遞到現(xiàn)場佩戴同傳耳機的觀眾耳朵里。

圖：聯(lián)合國總部的全職同聲翻譯 CHEN JI | 來源：CHEN JI 的 YouTube 頻道

過去的同聲傳譯，需要最高級別的專業(yè)翻譯人才，輔以昂貴的專業(yè)設(shè)備提供支持。這里的同傳設(shè)備，主要解決的是通信問題，而非“翻譯”工作本身。而當(dāng)下火熱的 AI 翻譯耳機賽道，試圖攻克的，就是把同聲傳譯這項技能，從少數(shù)“高端場景”釋放，真正拉入到普通消費者的日常工作、生活場景中。

經(jīng)過 7、8 年的技術(shù)攻堅和產(chǎn)品迭代，AI 翻譯耳機已從概念階段真正落地，走向普惠化、消費級，應(yīng)用場景也從參觀訪問、商務(wù)會談、跨國會議等商業(yè)場景，擴展到了出境旅游、跨文化交流等領(lǐng)域。頭部 AI 翻譯耳機也由當(dāng)初“對講機”式的交替?zhèn)髯g模式，進化到了更接近“自由交流”式的同聲傳譯模式。

作者測試了時空壺最新一代產(chǎn)品 TimeKettle W4 Pro，發(fā)現(xiàn)它已經(jīng)完全可以應(yīng)付需要“開口講外語”的大部分場景。

這是時空壺 YouTube 官方賬號發(fā)布的 W4 Pro 的宣傳片，很好地展示了在商務(wù)場景中，W4 Pro 如何作為跨語言交流的 AI “嘴替”發(fā)揮作用。

W4 Pro 提供 5 種工作模式，適配不同的應(yīng)用場景，可供用戶自由切換。這 5 種模式涵蓋了上文中提到的所有場景：

1. 影音模式——為音、視頻內(nèi)容實時提供字幕和翻譯；

2. 傾聽模式——對方說外語，耳機翻譯給我聽；

3. 發(fā)言模式——我說中文，手機外放翻譯給對方聽；

4. 通話模式——我說中文，電話/IM 軟件對方聽到外語翻譯；對方說外語，耳機翻譯中文給我聽；

5. 1v1 雙向?qū)υ捘Ｊ健獙υ掚p方一人佩戴一只耳機自由交流，耳機同步翻譯，更貼近面對面日常交談的場景。

圖：從左至右依次是影音模式、傾聽/發(fā)言模式、通話模式

作為一名前英語筆譯，作者雖然可以應(yīng)付日常英語交流，但在開會、與不同國籍、不同口音的外國朋友交流時，英語能力仍是明顯的限制，更不用說遇到其他語種的情況了。如今，AI 翻譯耳機這個“外掛”，給了我這樣的跨語言工作者極大的信心和助力。

跨語言交流沒有 one for all 的最佳解

底層技術(shù)的躍遷提升了終端產(chǎn)品的用戶體驗，也降低了應(yīng)用落地的門檻。如今市場上涌現(xiàn)出更多 AI 翻譯軟硬件設(shè)備：

許多大廠和初創(chuàng)品牌切入 AI 翻譯耳機賽道；讓普通藍牙耳機秒變“AI 翻譯耳機”的軟件模塊驚現(xiàn)華強北；專為翻譯設(shè)計的各類手持設(shè)備、手機、平板陸續(xù)上市；AI 翻譯眼鏡乃至腦機接口等更多創(chuàng)新形態(tài)的產(chǎn)品還在路上……

作者贊同時空壺創(chuàng)始人田力的觀點：“跨語言痛點是非常大的，散落在非常多的產(chǎn)品里，市場是非常大的，但目前還沒出現(xiàn)一個通用型方案，適合所有場景?！?/p>

作為最早突破“雙向同傳”技術(shù)的 AI 翻譯耳機產(chǎn)品，時空壺的技術(shù)優(yōu)勢在“通話模式”和“1v1 雙向?qū)υ捘Ｊ健敝械捏w驗最好，而在“影音模式”下，同聲傳譯的幾秒延遲可能造成的視頻“音畫不同步”，給用戶的體驗，肯定是不及內(nèi)容供給側(cè)的“原生配音”的。

此外，已有的解決方案還遠談不上“完美”，就如同考試成績一樣，從 90 分提升到 95 分的難度，可能遠大于從 60 分提升到 90 分。

比如，如何在在線翻譯網(wǎng)絡(luò)信號不好和離線翻譯質(zhì)量不好之間平衡？如何突破 1v1 場景限制，實現(xiàn)多人流暢地跨語言交流？耳機的形態(tài)如何突破“私人物品共享”的社交障礙？眼鏡的形態(tài)如何解決不識字的問題……

這其中，有的是技術(shù)問題，有的可能是工程問題，還有的甚至無關(guān)“跨語言”，而是純粹的“交流”習(xí)慣問題。

田力在近期一次公開談話中表示，“因為人的交流的形式，在時間、空間和對象上，就是非常多元和豐富的。不同場景其實是排列組合的一個網(wǎng)，我們從一開始做產(chǎn)品設(shè)計的時候就很明確了，時空壺不是為所有的場景服務(wù)的。當(dāng)前為止，其實我們解決的，只是這個排列組合中的一個點，未來，可能是一個產(chǎn)品組合。我期待在未來解決所有場景問題的選手中，時空壺是幾個主要的貢獻者之一?！?/p>

也許未來會像電影《降臨》里描繪的那樣，有新的文字系統(tǒng)出現(xiàn)，亦或者像小說《三體》中三體文明設(shè)定的那樣，直接通過“思維交流”，從而徹底顛覆掉人類跨語言交流的模式。但在那之前，作為曾經(jīng)的翻譯從業(yè)者、如今的 AI 翻譯產(chǎn)品用戶，作者自然期待時空壺的使命無限接近于完成——讓所有語言不通的人，都可以用母語自然交流、互相理解。