日常沟通与文字最大的不同点在于我们拥有的语调与节奏，而谷歌最新的人工智能翻译原型不仅能翻译书面上的意思，连声音的音调与节奏也能一并拿下。

这个系统被称为Translatotron，谷歌的研究人员在最近的一篇博客中详细介绍了它的工作原理。他们并没有表示Translatotron很快就会进入商业领域，但这很可能会实现。正如谷歌的翻译主管今年早些时候向The Verge解释的那样，该公司目前的目标是为其翻译工具添加更多的细微差别，创造更逼真的语音。

虽然捕捉人类声音的变化对外行人来说是最令人印象深刻的，但Translatotron对人工智能工程师的吸引力在于，它可以直接将语音从音频输入转换为音频输出，而无需将其转换为通常的中间文本。

这种人工智能模型被称为端到端系统，因为辅助任务或操作没有停止。谷歌说，让端到端的翻译更快地产生结果，同时避免了在多个翻译步骤中引入错误的风险。

更有趣的是，模型处理的数据不是原始音频。相反，它使用光谱图数据，或声音的可视化详情。从本质上说，这意味着我们相当于在用图片的形式把一种语言翻译成另一种语言，这令人难以置信。

尽管谷歌经常推出新语言和翻译工具，但它们的表现往往不如预期那样，包括现在这个人工智能模型，其适应性和准确性仍有待考究，但人工智能一直在前进，未来也将会越来越好。