返回博客
行业洞察•2026-11-16•约 12 分钟 阅读

实时翻译和语音转写有什么区别?延迟、误差与选择

实时翻译和语音转写有什么区别?延迟、误差与选择
TL
Team Laxis
Laxis 团队 @ Laxis

在一场电话会议上,一位供应商用葡萄牙语说了几句话。你的会议工具一字不差地记了下来:每个词都拼写正确,打上了时间戳,说话人也标得准确无误。可你还是完全不知道,刚才到底谈定了什么。

两者的区别,全在这一刻。这也是为什么两个在价格页上看起来几乎一样的功能,一到真实的会议里就完全是两回事。一个改变的是信息的形式,另一个改变的是信息的语言。明明需要后者,却为前者付了钱,这种错误,团队每拓展一次海外市场,差不多就会犯一次。

四种工作,两个问题就能分清

这个领域的每款产品,做的都是四件事中的一件。要分清是哪一件,只需问两个问题:语言变了没有?结果是否必须在大家还在说话时就出来?

转写保留语言,改变形式:把说出来的话变成文字,而读这份文字的人,本来用耳朵听就能听懂。仅此而已。转写是怎么做出来的、要花多少钱、人工在哪些地方仍胜过机器,这些都值得单独讲,我们另写了一篇语音转写的原理。

翻译保留形式,改变语言:输入的是源语言文字,输出的是目标语言文字。它处理的通常是已经存在的文本,所以翻译和转写常常是前后衔接,而不是二选一。

口译改变语言,但仍停留在口头,现场进行,由人来完成。培训不同,行业组织不同,收费也不同。

CC 字幕和字幕根本不算第五种工作,它们只是一种呈现形式:与视频时间轴同步的文字。字幕里放的可以是转写(同一种语言),也可以是翻译(另一种语言),正因如此,意思完全相反的人才会把这几个词混着用。如果你在纠结文件格式和规范,可以看看CC 字幕和字幕有什么区别,那篇讲的是文档这一面。

模式语言变吗?实时进行吗?最终得到什么由谁完成典型用途
转写不变都可以:实时或事后原语言的可搜索文字记录软件、人工,或两者结合会议记录、访谈、合规存档
翻译变通常在事后同一份文档,换成另一种语言也能读软件或人工译者合同、技术文档、对外发布的内容
实时翻译变是,按定义就是实时比说话人晚几秒出现的译文几乎都是软件跨语言通话、现场活动、客服聊天
口译变是当场用口头传达的意思,默认不留任何记录有资质的口译员谈判、法庭、诊所、外交
CC 字幕 / 字幕都有可能都有可能叠在视频上的定时文字,长度适合屏幕显示软件、人工编辑,或两者结合无障碍、静音观看、海外发行

“实时”说的是延迟,不是“尽快”

厂商只要不是隔夜批量处理,就都敢叫“实时”。不附上一个具体数字,这个词几乎没有意义。所以先来看看,“实时”必须跑赢的是哪个数字。

对话的节奏比大多数人以为的紧得多。语言学家测量了全球 10 种语言里话轮之间的间隔,发现每种语言最常见的间隔都在 0 到 200 毫秒之间,整个数据集的平均值约为 208 毫秒,差不多就是说一个音节的时间(Stivers 等,2009)。轮流说话不是礼貌地停顿,而是一场赛跑:对话中的每个人都在预判你这句话何时说完,好马上接上自己的话。

拿实时翻译跟这个数字一比,档次自然就分出来了:

  • 1 秒以内。快到足以成为对话的一部分。你读完一行,还来得及接上这句话引出的话头。
  • 1 到 3 秒。这是如今译文比较现实的水平,也确实有用。你会慢半拍,而用第二语言听会的人,本来就差不多慢这么多。
  • 5 秒以上。已经谈不上什么实时了。这只是分批送达的转写稿,等你读完一行,大家已经表决完了。

让翻译偏向慢的那一端的,是结构上的原因,不是多买几台服务器就能解决的。语音识别系统只要对一个词有把握,就可以马上输出。翻译引擎做不到,因为它得看到足够多的内容,才知道这句话在说什么;而在德语或日语里,决定句意的动词可能要到句末才出现。所以它要么等,要么先给出译文、再回头修改,两种做法都有代价。为什么实时采集比处理录好的音频更难,我们在语音识别技术原理一文里讲过。

如果你的话要被翻译,请把每句话说完整。说话人能为实时翻译做的最重要的一件事,就是把一个意思干净利落地说完,再开始下一个。拖着尾巴的从句、说到一半就放弃的句子、“嗯,反正就是……”,都会让引擎攥着一个不完整的片段,只能靠猜。

口译员的办法是预判一句话的走向。软件不会预判,它只会等。句子短一点、完整一点,把关键动词放在前面,比 App 里任何设置都更能提升翻译质量。

多一种语言,就多一个出错的环节

如今市面上的很多实时翻译产品都是级联式的:先识别语音,再翻译识别出来的文字。两个模型串联,各有各的出错方式。

这笔账算起来毫不留情。两个环节各自有 95% 的时候是对的,合在一起大约只有 90% 的时候是对的。这个数字只是示意,不是实测,但重要的是方向:在流水线里,准确率不是取平均,而是相乘。

更值得注意的问题是:第二个环节根本不知道第一个环节出了错。翻译模型是一台“流畅机器”。你给它一个听错的专有名词,或者一句漏掉了否定词的话,它会毫不犹豫地把错误译成语法完美的西班牙语。输出里看不出任何破绽,这恰恰是它危险的地方。

而且翻译错误和识别错误给人的感觉不一样。听错一个词是局部的问题,一眼就能看出来,结合上下文也能补救。翻译出错则是语义层面的:否定变成了肯定,语气被说重了,“我们可以”变成了“我们会”,原文没有交代性别的代词被安上了性别。“Let's table it”在美式英语里是“先搁置”,在英式英语里却是“现在就讨论”,音质再好也帮不上忙。

就连质量的衡量方式也不一样。机器翻译的评分方法,是把输出和参考译文做对比:BLEU 是沿用已久的指标,COMET 这类基于学习的评分更接近人的判断。但这些分数都没法告诉你,会上最关键的那一句译对了没有。还有一条不那么显眼的研究路线,干脆跳过中间环节:训练模型直接从一种语言的音频生成另一种语言的文字,中间没有转写稿可以出错。环节越少,误差叠加的地方就越少。不过,很多已经上市的产品仍然是级联式的。

10 秒测出一个工具是不是真的实时翻译。开一场会,用一种语言说两句话,说第三句时盯着屏幕。如果你还没说完,目标语言的译文就已经出现了,那就是实时翻译。如果要等通话结束、摘要出来才有东西,那就是事后处理:有用,但帮不了任何人参与讨论。

要在真实通话里测,别用演示录音。演示素材都是挑过的:音质干净,一次只有一个人说话,这种条件下哪个工具都表现不错。

为什么一个工具转写很强,实时翻译却不行

很多人都在这里栽跟头。这不是厂商之间的质量差距,而是底层根本就是不同的产品。

出色的转写可以批量完成:等通话结束,拿着完整的录音从容处理,想花多久就花多久。运行成本更低,也更容易做准,大多数 AI 会议记录工具正是为此优化的:它们的整个设计都假定,你在现场已经跟上了对话,只是事后想要一份记录。

实时翻译同时在三个地方打破了这个假设。第一,整场通话期间都要保持连接。第二,要在适合翻译的地方切分传进来的音频流,这是语言上的判断,不是定个计时器就行。第三,每个片段都要额外跑一个模型,会上有几种目标语言,就要跑几遍。一直保持音频流连接,本来就比最后一次性处理同样的音频更费钱;再叠加一轮翻译,很多产品路线图为什么那样排,账就算得清了。

所以你问“你们的工具能翻译吗?”,得到的回答常常含糊其辞。很多工具都能按需翻译一份已经完成的转写稿,但这和大家说话时就显示原文译文对照,确实是两种产品。我们就这个问题逐一核查过热门的会议记录工具,写成了哪些 AI 会议记录工具真的能翻译,结果远不像营销文案说的那样整齐划一。

字幕会消失,这正是字幕的用途

实时字幕是一种呈现,不是一份记录。它的存在就是让人读一遍,然后被下一行挤出屏幕。大多数会议平台对翻译字幕正是这样处理的:开会时有,散会就没了。

如果只是同步进度的会,这样没问题。但只要涉及钱或截止日期,真正要问的是:一周后还剩下什么?答案有三种。

什么都没有。翻译发生了,理解也发生了,但什么都没留下。没参加会的人,只能拿到一份别人凭记忆写的摘要。

原语言的转写稿。好一些,也是大多数工具的产出。你可以搜索、引用,前提是你看得懂那种语言。看不懂的话,你只是多走了一步,又回到了原点。

一份翻译过的记录。原文和译文都保留下来,摘要和待办事项也用每个人工作时用的语言呈现。能平息争议的,就是这个版本。六周之后,争的从来不是录音听起来怎样,而是当初承诺的是“14 日前交付”还是“14 日前审阅”。能解决争议的那份文档,必须双方都读得懂。

正因为有第三种结果,买工具之前才值得先看清它到底保留什么;也正因如此,在会议平台自带的字幕之外,再配一个能实时翻译的会议助手才有实际意义。以 Laxis 为例,大家还在说话时,它就会在每一行转写下方显示译文(Premium 功能,支持 60 多种语言);通话结束后,原始转写稿、摘要和后续步骤都保存在同一个地方。和任何工具一样,正式依赖之前,先在一次真实通话后检查实际保存了哪些内容。另外,谁按下录音键,谁就有责任告知参会者,并在法律要求时征得同意;我们的美国各州与各国录音同意指南可以作为起点,但不构成法律建议。

在真实通话里看看效果。在 Laxis 桌面应用里打开“翻译”(Translate),对话还在进行,每一行转写下方就会直接显示译文,60 多种语言任你选择。

14 天 Premium 试用,无需信用卡。免费试用 Laxis

口译不是同一款软件的升级版

第三种模式值得说清楚,因为很多人说“用 AI 就行了”的时候,并不知道自己放弃的是什么。

同声传译员边听边说,比说话人晚一两秒,在控制这段延迟的同时保证意思不走样,就是这门手艺的大部分功夫。交替传译走的是另一条路:说话人停下来,口译员把这一段译出来,会议进度慢一半,换来的是高得多的忠实度。

任何引擎都做不到的,是语言之外的那部分。口译员发现一句话有歧义,会开口问。直译会显得失礼时,他们会调整措辞的分寸。他们要为译得准不准承担职业责任,而在受监管的场合,你真正买的正是这份责任。

所以分界线在于后果,而不在难度。每周站会、项目评审、供应商例行沟通、内部培训,这些交给软件就行,没人会想念口译员。劳资谈判、门诊问诊、庭外取证、移民面谈,就请一位真人口译员。在这些场合,机器翻译只是兜底,不是替代品;而在九成“大致准确就够了”的对话里,它表现得非常出色。

怎么判断你真正需要哪一种

按顺序问四个问题。大多数团队问到第二个就有答案了。

  1. 参会的每个人都能轻松听懂会上说的语言吗?如果是,你只需要转写,别的都不需要;为翻译功能付费,买到的只是一个没人会打开的功能。
  2. 有人需要在对话进行中得到帮助,还是只需要事后补上?这是最花钱的岔路口。事后补课,一份翻译过的转写稿就能解决,便宜,也可以慢慢做。要在通话中参与讨论,就需要实时版本,延迟和价格上的种种代价也随之而来。
  3. 输出需要是语音吗?在商务场景里几乎从来不需要。合成的翻译语音进步很快,但文字更安静,可以快速浏览,不会和原声打架,还能留下记录。语音输出只在活动现场和实地考察时才重要,因为那时没人能盯着屏幕。
  4. 如果有一句话译错了,会怎样?如果答案牵涉到监管机构、法院、病人或一纸签名,那就到了必须请人工口译的门槛,任何准确率数字都改变不了这一点。

大多数团队在“实时”上买多了,在“记录”上买少了。实时翻译演示效果好,所以评估时大家都盯着它。可在之后的几个月里,大家默默依赖的是那份翻译过的记录;等到有人要核对当初谈定了什么,缺的也正是它。

通话要翻译,也要留下记录。在 Zoom、Google Meet 或 Microsoft Teams 上开会时,用自己的语言实时阅读对话内容,会后再回来查看转写稿和摘要。实时翻译包含在 Laxis Premium 中。14 天 Premium 试用,无需信用卡。下载 Laxis

结论

这两种能力正在合并进同一款产品,对买家是好事,对把事情说清楚却是坏事。如今价格页上写的“翻译”,可能指实时的原文译文对照,可能是一条转眼就消失的字幕,可能是通话结束 20 分钟后才生成的摘要,也可能是一个按需把完成的转写稿丢进引擎的按钮。四种产品,同一个词。

真正值得记住的区别不在技术上。转写关乎记忆:确保这场对话明天还在。翻译关乎参与:确保今天每个人都真正身在其中。一个团队可能在前者上做得很好,在后者上却悄无声息地一塌糊涂。迹象总是一样的:每次通话里,总有一个人频频点头,却从不提出异议。

常见问题

翻译和转写有什么区别?

转写改变的是信息的形式,不改变语言:把说出来的话变成文字,懂这种语言的人本来就听得懂。翻译改变的是语言本身,把意思从源语言带到目标语言。能听懂原始对话的人,从翻译里得不到任何东西,而转写稿能给他们想要的一切。

实时翻译到底是什么意思?

实时翻译是指,对话还在进行时译文就已出现,而且紧跟在说话人后面,让听的人能借它参与讨论,而不是事后回看。实际中,这意味着大约 1 到 3 秒的延迟。只在通话结束后才生成译文的,不管多快,都属于事后处理。

实时翻译和口译是一回事吗?

不是。口译由有资质的人完成,以语音形式传达,处理的是说话人想表达的意思,所以口译员可以指出歧义、调整措辞的分寸,或者问说话人到底是什么意思。实时翻译软件自动生成文字,没有办法提出任何疑问。两者只是在时间上重合,除此之外毫无共同之处。

实时翻译为什么会比说话人慢?

因为翻译引擎要拿到一句话里足够长的一段,才能确定译文。不同语言的语序不同,所以翻译德语或日语的系统,可能要等一个到句末才出现的动词。这段等待时间,还要叠加在语音识别环节本来就有的延迟之上。

会议中的机器翻译准确吗?

应付日常商务对话足够,碰到边缘情况就不可靠。两个环节先后运行,识别错误会被当成正确内容交给翻译环节,于是输出依旧流畅,意思却已经跑偏。习语、内部简称、产品名,以及多人同时说话,是最容易明显出错的地方。

翻译字幕和翻译过的转写稿有什么区别?

翻译字幕是实时呈现的,读一遍就会被下一行替换,大多数平台在通话结束后什么都不保留。翻译过的转写稿则是一份存下来的文档,几周后还能搜索、引用、回看。字幕解决的是会议中的理解问题;转写稿解决的是会后的每一场争论。

国际会议该用转写还是翻译?

如果参会的每个人都能轻松听懂会上说的语言,普通转写就够了,加上翻译只会增加成本,不会增加理解。只要有一个人在用第二语言工作,就该加上翻译;而只有当这个人需要在通话中发言、而不是事后补课时,才需要实时翻译。

相关产品

Laxis 会议助手

今天就让笔记自动生成。

  • Zoom、Google Meet、Teams 和线下会议都能记,无需机器人入会
  • AI 摘要、待办和跟进邮件,支持 60 多种语言
  • Mac、Windows、iPhone、Android 全平台,有免费版

免费开始,无需绑卡。

了解更多 ▷