DeepL 凭借在线文本翻译业务崭露头角，其声称该服务比 Google 等公司的服务更具细微差别和精确度。这一卖点使这家德国初创公司估值达到 20 亿美元，并拥有超过 10 万名付费客户。
如今，随着对 AI 服务的热潮持续升温，DeepL 正在为平台添加另一种模式：音频。用户现在可以使用 DeepL Voice 收听某人用一种语言说话，并实时将其自动翻译成另一种语言。
目前，DeepL 能够“听”懂的语言包括英语、德语、日语、韩语、瑞典语、荷兰语、法语、土耳其语、波兰语、葡萄牙语、俄语、西班牙语和意大利语。所有 DeepL Translator 目前支持的 33 种语言均提供翻译字幕。
DeepL Voice 目前尚未将结果以音频或视频文件的形式直接提供：该服务旨在用于实时对话和视频会议，并以文本形式呈现，而非音频。
在第一种场景中，你可以将翻译设置为出现在智能手机上的“镜像”——即在会议桌上将手机放在双方中间，以便各方都能看到翻译后的文字；或者作为转录内容，与对方并排共享。视频会议服务则将翻译结果显示为字幕。
语音产品布局与市场竞争
这种情况可能会随时间发生变化，该公司创始人兼首席执行官 Jarek Kutylowski 在一次采访中暗示。这是 DeepL 的首款语音产品，但很可能不会是最后一款。“[语音]是未来一年翻译技术发展的方向，”他补充道。
还有其他证据支持这一说法。Google——DeepL 最大的竞争对手之一——也开始在其 Meet 视频会议服务中整合实时翻译字幕。此外，还有众多 AI 初创公司在构建语音翻译服务，例如 AI 语音专家 ElevenLabs（ElevenLabs 配音）以及 Panjaya，它使用“深度伪造”声音和与音频匹配的视频来创建翻译。
后者使用了 ElevenLabs 的 API，据 Kutylowski 称，ElevenLabs 本身也在利用 DeepL 的技术来驱动其翻译服务。
功能现状与集成限制
音频输出并非唯一尚未推出的功能。目前也没有针对语音产品的 API。DeepL 的主要业务专注于 B2B 领域，Kutylowski 表示该公司正在直接与合作伙伴和客户合作。
集成选择也不广泛：目前支持 DeepL 字幕的视频通话服务只有 Teams，Kutylowski 称这“涵盖了我们要大部分客户”。至于 Zoom 或 Google Meet 何时或是否会整合 DeepL Voice，目前尚无消息。
自研模型与实时性优势
对于 DeepL 用户来说，这款产品的推出似乎姗姗来迟，这不仅是因为市场上充斥着大量旨在用于翻译的其他 AI 语音服务。Kutylowski 表示，自 2017 年 DeepL 成立以来，这一直是客户的头号需求。
等待的原因之一是，DeepL 在构建产品方面采取了相当谨慎的方法。与许多依赖并调整其他公司大型语言模型（LLM）的 AI 应用不同，DeepL 的目标是从头开始构建自己的服务。今年七月，该公司发布了一款专为翻译优化的新 LLM，据称其性能优于 GPT-4 以及来自 Google 和 Microsoft 的模型，主要原因在于其主要用途就是翻译。该公司还持续提升其书面输出质量和术语表。
同样，DeepL Voice 的独特卖点之一是它将实时工作，这一点很重要，因为市场上许多所谓的“AI 翻译”服务实际上存在延迟，这使得它们在需要现场使用的场景中难以甚至无法使用，而这正是 DeepL 所针对的使用场景。
Kutylowski 暗示，这也是新的语音处理产品专注于基于文本的翻译的另一个原因：文本可以非常快速地计算和生成，而处理和 AI 架构在能够像现在这样快速生成音频和视频方面还有很长的路要走。
应用场景与数据隐私
视频会议和会议可能是 DeepL Voice 的使用场景，但 Kutylowski 指出，该公司设想的另一个主要应用场景是服务业，例如餐厅的一线员工可以使用该服务来帮助更轻松地与客户沟通。
这可能很有用，但也凸显了该服务的一个棘手问题。在一个我们突然更加意识到数据保护，并担忧新服务和平台如何挪用私人或专有信息的时代，人们是否愿意让自己的声音被采集并以这种方式使用，仍有待观察。
Kutylowski 强调，虽然语音会被传输到其服务器进行翻译（处理过程不在设备端进行），但其系统不会保留任何数据，也不会用于训练其大语言模型。最终，DeepL 将与客户合作，确保他们不违反 GDPR 或其他任何数据保护法规。