科大讯飞突破端到端语音同传，国内首发星火语音同传大模型

近日来，社交平台上的英语密集程度远超以往，大量TikTok创作者蜂拥进入国内的社交App。随便打开软件首页，一个个全是英文内容。不少外国人还总是喜欢“怼脸自拍”，举着手机就是一串英文，让当下热衷于网上冲浪的年轻人惊呼，玩手机也成了练习英语听力。

当下机器翻译技术的进步，已经可以让不同语言的人们进行交流。但这种交流远称不上是流畅。比如，市面上流行的机器翻译大多数还是交传技术，很难实现真正端到端的语音同传。也就是说，简单的文字沟通或许还可以借助简单的翻译机器来解决，但要无障碍地与外国友人视频连线、语音通话，当下的机器翻译还不太能支持。

过去两年大模型技术的进步让机器翻译有了突破口。1月15日，科大讯飞对外发布了星火语音同传大模型。这是国内首个具备到端到端语音同传能力的大模型，将机器语音同传的效果提升至媲美人类专家译员的水平。

和过去惯常采用交传技术的机器翻译相比，拥有端到端能力的语音同传大模型最大的特点是变得“更像人类”了。事实上，它本身就是通过模仿人类同传译员的思维链路进行训练而成，具备实时意群理解和切分、上下文语境精准选词以及碎片化信息重组的能力，这一特性使得星火语音同传大模型在处理复杂句式和语境时表现出色，能够迅速准确地传达原意。

发布会上，上海外国语大学高级翻译院院长张爱玲教授专门介绍了过去机器翻译在同传领域面临的问题。比如同传时延，机器翻译的速度往往跟不上说话者的语速，翻译存在较大延迟。

更关键的还在于人类口语交流的复杂性。张爱玲教授介绍，源语发言，往往会逻辑复杂、层层嵌套，口译员必须具备超高的信息提取能力，才能在繁杂的线索中锁定关键信息，确保信息的完整和可靠。不同语言的表达方式、音节长度也不一样。如果只是机械式地照搬原意，往往无法流畅地跟上口译速度。

也正因此，虽然过去几年机器翻译普及迅速，但在同传领域，机器翻译相较于人类专业口译员仍有不少劣势。

讯飞研究院研究员亚楠介绍，讯飞10年前就想去做语音同传，但当时技术难度太大。直到过去两年大模型技术的突破，他们结合讯飞在智能语音技术上的独特算法积累，才终于实现了端到端的语音同传。

底层技术的不同，让星火语音同传大模型实现了对传统机器翻译的降维打击。据介绍，相较讯飞之前的翻译技术，星火语音同传大模型的全场景效果提升30%以上，端到端响应时间最快可以达到平均5s以内。和国外最优竞品的交传技术相比，讯飞语音同传在内容完整度、信息准确度以及语言质量上也都处于领先水平。

不过，如果你只是想当然地认为，在大模型技术的加持下，其他厂商也能实现端到端语音同传的突破，这就完全低估了智能翻译的难度。

科大讯飞专门将星火语音同传大模型与国外的主流大模型进行了对比测试，在长达5H的音视频测试中，8s时延模式在内容完整度、信息准确度等评价维度超过了Gemini2.0、GPT-4o等国外主流大模型。

这背后，离不开科大讯飞多年来的积累。事实上，科大讯飞是国内智能翻译及语音识别领域积累最深、研究时间最长的龙头企业。科大讯飞不仅拥有在业内率先通过全国翻译专业资格考试的机器翻译系统，且在最近连续3届IWSLT国际口语机器翻译比赛都获得了冠军。

和大模型浪潮来临前各家厂商尚处在同一起跑线上不同，语音识别与翻译技术更是考验技术积累与应用经验的领域。

在技术上，科大讯飞多年来围绕语音及翻译取得了多项核心专利技术突破，曾多次获得国家科学技术进步奖一等奖、中国专利金奖等多项荣誉。目前，科大讯飞已累计获得国内外有效专利4000余件。

应用层面，国内外诸多行业论坛、国际会议中都有讯飞翻译的身影，包括进博会、世界人工智能大会、中关村论坛、联合国教科文会议等。迄今为止，科大讯飞已累计服务了50多个国家和地区，支撑了40万场会议，覆盖全球4亿观众。

正是这些多年来在语音识别与智能翻译领域的积累与探索，才让科大讯飞在大模型技术加持下率先突破了端到端语音同传的难题。这是其他大模型厂商难以做到，同时也几乎无法追赶的核心技术突破。

更关键的是，自然语言交互已成为当下AI智能体应用最广的交互方式，未来人类与机器的互动将更多的依靠语音进行，科大讯飞过去多年积累的深厚技术有望在人工智能时代进一步释放。

发布会上，科大讯飞同时介绍了集成了最新同传技术的讯飞翻译机。无论是海外旅游场景中的景点介绍，还是国际展会上的专业产品介绍，翻译机能在短时间内完成高质量的英到中和中到英的双向同传任务。

科大讯飞透露，针对语音到语音的同传场景，讯飞翻译机将会配置耳机、音箱、麦克风，在2025年推出商务套装，满足用户在不同的商务洽谈场景的使用需求。