InterMIND 的多语言视频通话方法

大多数翻译工具都是为可等待的文本而设计的。一份文件发出，一份翻译返回，然后有人进行审阅。但实时对话并非如此。会议中的任何人都不会暂停，发送一句话进行翻译，然后等待翻译返回后再作答。翻译必须在对话内部进行，否则它就根本不属于对话的一部分。

这种限制改变了您可以构建的内容。本文将探讨 InterMIND 对多语言视频通话的看法，以及坦诚面对技术尚处于早期阶段的现实。

常见解决方案的问题

常见的解决方案都存在一些不足。

在异语通话之上叠加字幕。 您仍然听到对方说着您不理解的语言，同时阅读下方滚动的字幕。这种方式虽然可行，但会分散您的注意力。您在观看文字滚动的同时试图解读对方的表情，而两者很少能同步。这更像是带字幕的电影，而非一场对话。

逐字翻译。 字面翻译每个短语是最简单的方式，但也是信息损失最多的方式。真实对话的意义存在于语气中、在于某人试图通过一句话达成的目的中，以及在于特定领域使用的专业术语中。对词语进行字面翻译在技术上可能是正确的，但仍然会错过表达的重点，而在谈判或临床讨论中，这正是您无法承受的损失。

附加到现有平台的插件。 在一次只为一种语言设计的通话系统之上添加翻译层，意味着您必须接受该系统已确定的关于音频、时序和路由的一切。您只能获得其接口所允许的功能。

单一语言体验

我们努力实现的目标很简单：每个人都说自己的语言，并用自己的语言听到其他人的声音，而且应该感觉就像所有人都碰巧说同一种语言的通话。

这与字幕不同。字幕让您时刻意识到正在进行翻译。而我们的目标恰恰相反。InterMIND 试图让整个交流以您的语言呈现，而不是用文本覆盖异语对话，从而使您的注意力集中在交流对象和讨论本身上，而不是中间的机器设备。

实现这一目标意味着将忠实于意图的重要性置于忠实于单个词语之上。系统致力于传达语气、意图和领域术语，而不是进行词语的逐一替换。有时，一个句子最准确的翻译并非最字面的翻译，而这种区别在实时对话中最为重要。

为何选择独立平台，以及其代价

InterMIND 是一个独立的视频系统，而非 Teams 或 Zoom 的附加组件。这是一个真正的权衡，值得我们坦率地阐述其两面。

代价在于集成。如果您的组织使用现有的会议工具，那么一个独立的平台就意味着多了一个需要关注的地方，这种摩擦是真实存在的。我们不会假装它不存在。

我们之所以接受这个代价，是因为能够完全掌控从语音到声音的整个路径。当您端到端地拥有采集、转录、翻译和播放的控制权时，您可以调整它们之间的衔接方式。实时通话中的翻译质量在很大程度上取决于这些阶段如何协同工作——例如音频如何计时，以及翻译流程如何判断一个想法何时完整到足以进行翻译。拥有这条路径正是让单一语言体验感觉浑然一体，而非多个工具拼凑起来的关键。

当前技术的实际状况

InterMIND 是一个新产品，我们宁愿如实告知，也不愿粉饰其词。

实时语音翻译确实非常困难，并且质量并非一成不变。它取决于语言对——有些语言对的资源比其他语言对丰富得多——也取决于主题内容，因为通用模型处理日常闲聊比处理复杂的法律或医学术语更可靠。针对这种实时多语言翻译的独立基准测试仍然很少，因此目前还没有大量的外部证据可供参考。

因此，我们宁愿提供一种验证方法，而不是给您一个需要信任的数字。如果您想评估任何实时翻译产品，包括我们的产品，最诚实的方法是根据您自己的对话、您自己的语言，按照您自己的条件进行测试。我们撰写了更多关于 翻译准确性应如何实际衡量 的内容——简而言之，一个标题上的准确率数字在您了解衡量标准和方式之前，几乎没有任何参考价值。

在何处最为重要

实时多语言通话在语言障碍影响最严重的地方最具价值。

• 国际谈判，在此类场合，误解意图的代价高昂，而等待译员则会拖慢一切进程。
• 跨语言工作的分布式团队，他们每天都在进行跨语言协作，而默认使用无人以母语掌握的第二语言会带来一些损失。
• 受监管领域——法律、医学、金融——在这些领域，精确的术语至关重要，并且能够审查所说内容及其呈现方式是工作的一部分。

在这些场景中，单一语言体验才能真正发挥其价值，而正确传达意图，而不仅仅是词语，才是其核心要义。

我们的立场

InterMIND 坚信，跨语言的实时对话应享有比字幕或字面替换更好的体验，而实现这一目标的途径是掌控整个流程，而非依附于他人。我们认为这是一个正确的选择。我们也相信，对于一个新兴产品，最诚实的方式是告知您其优势所在、尚未成熟之处以及如何自行验证——并让其在您的语言和会议中展现的成果来证明一切。