为了赶翻译下岗，微软又向前走了一步

—— 你这是什么意思啊？

—— 没什么，意思意思。

一名新入职场的翻译员，担心越来越厉害的机器翻译抢了自己饭碗，于是在知乎上发问，“这个行业还有没有前途？”老司机们纷纷上前安慰，其中一位说，年轻人你兔样兔森破，让机器翻译一下上面这个对话，看能不能搞定，再来担心吧。

不知道“年轻人”有没有去试。雷锋网去试了试，发现行业公认最厉害的 Google 翻译和微软翻译（Microsoft Translator），确实都搞不定这个极具中国特色的语音对话。但两者的表现，又是不一样的。

同一段语音，这是 Google 的结果：

这是微软的结果：

具体来说。使用语音翻译，Google 会完整保留所有字；微软则会把第一句中的语气词“啊”字省略掉，把第二句中的“意思”省略掉一个（可判定为误伤）。为什么？

TrueText：去掉“哼哼哈嘿”

微软告诉雷锋网，之所以省略掉“啊”以及误伤一个“意思”，是因为他们在语音翻译中运用了一项独门绝技——TrueText（智能文本校正）。在一份官方文档中，微软这么解释 TureText 的作用：

这个过程包括去除造成不流利的字词（例如“啊”“嗯”以及重复措辞）、将文本分解成句子、添加标点符号和大小写识别。

这就是微软的语音翻译技术，为“口头语”所做的优化之一。Olivier Fontana 是微软研究院 Microsoft Translator 产品战略总监，在八月中旬的一次沟通中，他告诉雷锋网，我们平时说话，说出来的和写下来的表达方式是不一样的（口头语和书面语），TrueText 可以把语音识别出的文字，变成机器更容易理解的、有意义的内容，这一技术微软在全球范围内是独一无二的。

因为工作关系，本文作者日常要处理不少采访速记，尽管文本经过速录员的“人工优化”——去掉了不少语气词，但通篇文档中找到几个连续的完整句子，几乎是不可能的。除了准备好的演讲稿，很少有人平时说话的时候可以用连贯的语句，表达自己的意思。人在说话时，本来就是磕磕绊绊的，是“话中有话”的，是“不言而喻”的，机器理解人的本意，再转换成另一种语言，更是难上加难。TrueText 技术相当于用机器做了口语文本内容的整理。

语音翻译：为对话而优化

很多人认为，语音翻译就是先把语音识别为文本，再把文本翻译为另一种语言的过程。其实不是这样。

Olivier Fontana 告诉雷锋网，微软尝试过这种简单拼接的方式，但翻译质量无法令人满意。最终微软的方案是，在语音识别阶段就为口语的识别做了特殊的输入优化，识别之后的文本经过 TrueText 技术的处理，再进入文本翻译阶段，文本翻译的输出结果也要为口语做优化，最终通过成熟的 TTS 技术让机器“读出来”翻译结果。

Olivier Fontana 说，在“实时对话场景”的翻译模型研发过程中，微软面临着三项关键的挑战：

1. 收集口语语料。需要大量时间和金钱，来收集口语化的语料数据。

2. 训练这些语料。这一项的运算成本非常高，需要大量的运算能力和硬件加速系统。

3. 开发口语模型。每一种语言的口语表达方式和发音方法都不一样，同一种语言不同年级的人声音、俚语、语速和表达方式也不一样，很难用同一种模型去实现。

微软介绍，针对口语的翻译优化，尤其是针对聊天对话内容的优化，以及 TrueText 技术，微软在业界都是唯一的。

Olivier Fontana 表示，传统机器翻译都是基于比较正式的文本翻译，微软则加入了大量基于口语对话的语料库。他透露，微软甚至还花钱请了很多人到 Skype Translator 上聊天，谈他们的假期，日常生活，作为口语数据进行搜集。

“对话即平台”

Skype Translator 的实时语音翻译技术，一经问世，就引发了行业关注。这是一项让两个不同语言的人，可以实时通过自己的母语进行语音进行沟通的“黑科技”（见视频）。微软最早在 2012 年天津的一次学术活动上展示了这项技术。2014年12月，这项技术在 Skype Translator 应用上实现商用，之后陆续运用到桌面版 Skype Translator 和 Microsoft Translator 手机App中。今年上半年，这项技术迎来新的里程碑，微软将 API 开放给所有人，方便开发者将其集成到自己的应用中。

微软翻译针对语音“对话”进行的种种优化，很容易让人联想到，这家公司在年初 Build 大会上公布的战略“对话即平台”。他们还透露，在今年年底前，将为Office 365企业用户提供 Skype Meeting Broadcast 服务。通过该服务，可以自动为网络会议添加字幕，并将会议实时地翻译成不同语言展现出来。 

注：本文曾用标题《微软翻译：别人还在为“书面语”奋斗，我们已经为“口头语”优化》