原文摘要

中英同传翻译质量达到业界SOTA，同时实现了极低的语音延迟水平。

原文链接

进一步信息揣测

• 真实准确率可能低于宣传：虽然宣称“接近真人同传水平”，但实际复杂场景（如多人会议）准确率仅70%，单人演讲80%，专业译员通常要求90%以上，可能存在特定场景下的性能衰减。
• 延迟优化的代价：2-3秒延迟虽为行业突破，但可能牺牲了部分语义完整性（如长句拆分或省略），传统系统延迟高是因需更多上下文分析。
• 声音复刻的隐私风险：零样本音色复刻依赖实时语音采样，未明确说明用户数据如何存储或脱敏，存在声音被滥用的潜在法律隐患。
• 硬件合作的商业动机：Ola耳机首发接入或为商业捆绑策略，可能通过硬件销售分摊模型研发成本，而非纯粹技术合作。
• “全双工框架”的局限性：未提及高噪声环境（如线下会议）下的表现，实际应用可能需额外降噪技术支持，非实验室理想条件。
• 未公开的算力需求：模型虽开放，但未提及其运行所需的GPU/TPU资源，企业级部署可能隐含高昂算力成本。
• 语种覆盖的隐藏短板：仅强调中英互译，未提及其他语种进展，可能反映模型在多语种泛化能力上的不足。
• “0样本”复刻的真实性：需验证是否完全无需预训练数据，或实际依赖内部未公开的通用音色库。