“实时翻译耳机”横空出世，深度剖析三大核心技术 | 独家

原标题：“实时翻译耳机”横空出世，深度剖析三大核心技术 | 独家实际上，耳机是一个非常成熟的产业，全球一年市场销售量超过 3.3 亿对，每年维持稳定的成长。根据调研机构 Statista 预估，2016 年全球耳机销量约 3.34 亿对，预估 2017 年会成长到 3.68 亿对。其成长可以解释的成因除了真正无线（True Wireless）之外，再有的就是智能功能了。同时，耳机产品也是一个相当分众的市场，追求音质的用户或是电竞玩家往往愿意付大钱购买具有高音质、立体声、高舒适度的产品，运动族群更在乎的则是防水、减少汗水或运动造成耳机掉落、或是具有生理量测的产品，另外也一群人是追求时尚、品牌而购买昂贵的耳机，例如 Apple 收购的 BEATS 。不可否认的是，消费者可能每天会戴耳机听音乐，但不会每天都有跟外国人对话的需求，这让实时翻译成为一种有也不错而非必须性的附加性功能，因此耳机业者多会将其与更多功能结合，包括无线、智能语音助理等，因此实时翻译耳机虽后端整合了许多深度学习的技术，目前看来仍是话题性远高于实用性。今年 Google 发表了一系列的硬件产品，其中 Pixel Buds 蓝牙耳机除了可以呼叫 Google Assistant 外，最吸睛的就是结合自家 Google 翻译可支持 40 种语言实时翻译的功能。不久之前，韩国最大搜索引擎 NAVER 旗下的通讯软件 LINE 也推出 MARS 翻译耳机，对话的两个人各自使用一个耳塞，就能立即从耳机中听到翻译的语音，背后同样是仰仗自家的 AI 平台 Clova 及 Papago 即时翻译服务，目前可支持 10 种语言。图｜LINE 的 MARS 翻译耳机获得 CES 2018 最佳创新奖。（图片来源：LINE）图｜LINE 的 MARS 翻译耳机是一人使用一个耳塞，让说不同语言的两个人也能沟通。（图片来源：LINE）总部位于深圳的耳机公司万魔（1more）声学海外事业部总经理陈颖达接受 DT 君采访时分析，耳机的新趋势就是真正无线（True Wireless Earbuds）蓝牙耳机＋智能功能。在苹果推出 AirPods 之后，True Wireless 的趋势就确立下来了，音源与耳机或是左右耳的相通，完全不需要线路连接，跟过去蓝牙耳机的左右耳还是有线相连不同。在智能功能方面有三大块，首先是支持生物识别运动追踪（biometric sports tracking）的运动耳机，例如可监测用户心率、计算运动过程中燃烧的卡路里等，市场需求看好；第二则是整合语音助理如 Apple Siri、Google Assistant ；第三就是实时翻译。耳机的优势在于普及性及方便性，是启动个人化智能服务、翻译对话最直观的第一个入口，除了大企业，不少初创或音响公司都看好这块市场，例如德国品牌 Bragi 继推出防水（可于游泳使用）、测量心跳的产品，又进一步推出结合 AI 技术及 iTranslate 应用，可实时翻译的 The Dash Pro 耳机，另外英国的 Mymanu Clik 耳机也可支持 37 种语言即时翻译。虽然说在市场层面还存在疑问，实时翻译耳机在技术上确实已经取得较大的进展。那么，这些强调利用 AI 技术的实时翻译耳机背后究竟是如何运作的呢？“三大核心：语音识别＋机器翻译＋语音合成，”台湾的中研院资讯科技创新研究中心副研究员曹昱清楚点出关键。整个流程就是，耳机听到对方讲话的内容，识别出这是什么语言如英文、西班牙文等，并且把语音变成文字，第二步骤以翻译引擎进行文字对文字的翻译，最后就是把翻译结果做语音合成，播放出来。可以想成这是集合了听写员、翻译员、朗读员三个角色于一身。只不过，实际上每一个核心涉及的技术多且复杂。图｜实时翻译耳机三核心：语音识别、语言翻译、语音合成（图片来源：微软研究院）一、语音识别首先使用的技术就是语音识别，Speech Recognition、自动语音识别（ASR，Automatic Speech Recognition）等都是常见的技术词汇，目的就是把说话者的语音内容转变为文字，目前多是以使用深度神经网络（DNN，Deep Neural Network）、递归神经网络（RNN，Recurrent Neural Network）为主。图｜语音识别的主要流程。（数据来源：Amazon）语音识别的应用场景相当广泛，像是车内互动控制、智能助理、智能音箱、居家机器人等，主要的研究方向包括降噪、长距离识别等，目的都是为了提升识别度，例如居家机器人的问题就必须突破长距离语音识别的问题。无线耳机有四个关键零组件：喇吧单体、麦克风、蓝牙晶片以及电池。一家外商声学公司对 DT 君表示，要支持实时翻译，麦克风就很关键，收音要够清楚，语音识别度才会高，在硬件上多会使用指向性麦克风，并且搭配语音识别算法，判断声音是来自讲话者或环境，进而强化人声，降低环境噪音的干扰。过去语音识别主要是采用高斯混合模型（GMM，Gaussian Mixture Model）＋隐马尔科夫模型（HMM，Hidden Markov Model）、支持向量机（SVM，Support Vector Machine）算法等，一直到神经网络之父 Geoffrey Hinton 提出深度信念网络（DBN，Deep Belief Network），促使了深度神经网路研究的复苏，并且将 DNN 应用于语音的声学建模，获得更好的表现，之后微软研究院也对外展示出利用 DNN 在大规模语音识别取得显著的效果提升，大量的研究陆续转向了 DNN，近来又有不少基于递归神经网络开发的语音识别系统，例如 Amazon Echo 就使用了 RNN 架构。二、机器翻译从规则、SMT 走向 NMT第二个阶段就是翻译，在人工智能中，机器翻译一直是许多人想突破的领域，概念就是通过分析原始语言（Source Language）找出其结构，并将此结构转换成目标语言（Target Language）的结构，再产生出目标语言。初期多是采取把语言规则写进系统的方式，但这种以规则为主的机器翻译（RBMT，Rule-based Machine Translation）是将人类译者或是语言学家建构的词汇、文法、语意等规则写成计算机程序，但语言规则难以穷尽，而且例外、俚语也不少，除了耗费人力，翻译结果的准确性也遭人诟病，使得机器翻译的发展一度被打入冷宫。到了 80 年代晚期，IBM 率先展开并提出统计式机器翻译（SMT，Statistical Machine Translation）理论，主要的研究人员 Peter Brown 、 Robert Mercer 等陆续发表《A Statistical Approach to Machine Translation》、《The Mathematics of Machine Translation: Parameter Estimation》论文，不仅被视为是该领域的开山之作，也再次引爆了机器翻译的热潮。SMT 主要是通过搜