DeepL发布语音翻译模型Aure，可随语气和语速实时调整译文

返回新闻稿 DeepL 发布 Aure，迄今为止最逼真的语音 AI 翻译模型 2026-11-11 德国科隆 – 2026年11月11日 – 全球语言 AI 领导者 DeepL 今日发布 Aure，这是其迄今为止最具动态表现力、最逼真的语音 AI 模型，在实时跨语言翻译人类表达方式上迈出了重大一步。Aure 为 DeepL 的实时 AI 语音翻译产品 DeepL Voice 提供支持，能够持续调整翻译后的语音，以反映说话者语气、情绪、重音和语速的变化。由此实现的语音翻译捕捉的不只是说出的字词，还保留了更多让人类对话自然且有感染力的人格特质、细微差别和表达方式。

“我们的声音决定了我们是谁，以及我们如何表达情感、协作和与他人建立联系。而声音从来不是一成不变的。我们会不断调整语气、语速和表达方式，这些调整可能完全改变别人对我们话语的理解。”DeepL 首席执行官兼创始人 Jarek Kutylowski 表示，“长期以来，跨语言沟通一直意味着要在自我表达上做出妥协。借助 DeepL Voice，我们正在彻底扭转这一局面——去适应人们自然的说话方式，而不是要求人们改变。现在有了 Aure，我们能够捕捉表达中最细微的即时变化，并将其带入另一种语言，用说话者自己的声音、实时呈现。这是迈向这样一个世界的重要一步：语言变了，但语言背后的人没有变。”

Aure 建立在 DeepL 近期推出的声音保留技术之上，该技术让人们能够用自己的、可辨识的声音而非通用的合成声音进行跨语言沟通。那项进展保留了说话者声音的身份特征，而 Aure 则更进一步：捕捉这一声音在对话过程中如何变化和回应，将更多人类言语中的自发性和真实表达带入实时翻译。

实时语音翻译的新方法 要实现这一点，DeepL 的语音 AI 模型在处理语音时需要一种根本不同的方法。此前，DeepL Voice 可以从一个静态样本生成自然、富有表现力的声音，但这依赖对话开头片刻来确定一个人的翻译后声音应该是什么样。这捕捉到了“谁在说话”，却没有捕捉到“怎么说的”——一张固定的快照无法跟随情绪、重音或语速的变化，也无法传达与字面意思相矛盾的表达方式，比如讽刺。

Aure 超越了这一方法，利用翻译后的文字和源音频持续分析输入的语音，以此塑造一句话的表达方式。这使得翻译后的声音不仅能反映某人说了什么，还能反映他是怎么说的。

这带来了多项技术挑战。真实对话充满噪声，因此 Aure 需要分离出说话者的声音身份和韵律，同时过滤掉背景噪声、回声和音频失真。将一种声音跨语言迁移也远比在单一语言内复杂得多，尤其要在不夸张口音、不扭曲某人音色的前提下做到。

DeepL Voice 可用来学习的、同一说话者跨语言讲话的真实世界数据也很有限——该技术不会永久存储会议转录或翻译内容，并会在会话结束时将这些数据从内存中删除。因此，Aure 必须在说话者甚至还没说完一句话之前，就实时适应每一位说话者；既要识别出使某人声音独一无二的特征，又要考虑这些特征如何自然地因对话而异。一个人可能今天听起来疲惫，明天兴致勃勃，或者在压力下说话方式不同。Aure 能够区分这些变化，并让翻译后的语音适应当下这一刻的音色。

为应对这些挑战，DeepL 结合了多种训练技术，将说话者的声音身份、韵律和口语内容分离开来，使每一项都能独立地迁移到新语言中。强化学习进一步优化输出，在保证翻译准确性和语音质量的同时，生成自然流畅、不带口音的语音。同时解决这三大挑战，正是 Aure 的与众不同之处。

为多语言对话赋予更多意义 声音不仅仅是传达文字的方式。它是我们表达个性、传递自信与权威、建立信任并与他人建立联系的方式。在重要的对话中，说话的方式可能与话语本身同样重要。

对于 DeepL Voice 用户而言，Aure 让更多这样的表达得以跨语言传递。一个人可能在发布重要消息前停顿一下，在关键谈判中带着重音和紧迫感说话，或在向全球团队分享好消息时从严肃转为热情。借助 Aure，这些变化会实时反映在翻译后的语音中，让人们跨语言沟通时，能带来更多用母语对话时的那种自发性、个性和细微差别。

对全球企业而言，其意义不止于听起来更自然的翻译。自信、可信且有个人风格地沟通，对于建立客户关系、应对复杂谈判以及建设国际团队等方方面面都至关重要。通过保留更多让每个人的声音成为其独有的特质，Aure 让我们更接近这样一个世界：人们可以用任何语言充分参与任何对话。

在此了解更多关于 Aure 的信息并亲自试用。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）