字节跳动发布 Seed LiveInterpret 2.0：首个中英同传延迟与准确率接近人类水平的端到端语音翻译系统

在跨语言实时沟通的长期挑战中，机器能否真正替代人类同声传译？字节跳动 Seed 团队给出了迄今为止最接近“是”的答案。

今日，字节跳动正式发布 Seed LiveInterpret 2.0 —— 一款端到端语音到语音同声传译模型，首次在翻译准确率与延迟表现上接近专业人类同传水平，并已具备产品级落地能力。

• 项目主页：https://seed.bytedance.com/zh/seed_liveinterpret
• API：https://console.volcengine.com/ark/region:ark+cn-beijing/experience/voice?type=SI

该模型支持中英互译，采用全双工“边听边说”架构，可在多人会议、演讲、对话等复杂场景下，实现低至 2–3 秒的语音到语音延迟，同时支持零样本声音复刻，让翻译输出听起来“像你自己在说外语”。

核心能力：像人类一样“边听边译”

传统机器同传系统通常采用“先听完整句，再翻译输出”的串行模式，导致延迟高、节奏僵硬。而 Seed LiveInterpret 2.0 借鉴人类同传工作方式，构建了全双工端到端语音生成理解框架：

• 实时接收源语言语音输入；
• 边理解、边生成目标语言语音；
• 无需等待完整语义结束即可开始翻译。

这意味着，当发言人讲出第一句话的前几个词时，系统已在准备输出对应的翻译语音，实现真正意义上的“同声”传译。

✅ 实测表现：面对长达 40 秒的中文演讲片段，系统可丝滑输出英语翻译，延迟稳定在 2–3 秒，流畅度接近人类译员。

技术突破：三大核心优势

1. 接近真人水平的翻译准确率

在多轮测试中，Seed LiveInterpret 2.0 展现出卓越的语义理解与翻译能力：

在语音到文本同传任务中，其平均得分为 74.8 分，较第二名基准系统（47.3 分）高出 58%。

💡 评估维度包括：语义完整性、术语准确性、文化适配性（如诗词、绕口令、饮食文化等）。

2. 超低延迟：2–3 秒实现“边听边说”

相比传统系统动辄 5–10 秒的延迟，Seed LiveInterpret 2.0 将语音到语音延迟压缩至：

• 语音→文本：首字输出平均延迟 2.21 秒
• 语音→语音：完整输出延迟 2.53 秒

这一表现较传统机器同传降低超 60%，已达到高水平人类同传的响应节奏。

⚙️ 技术支撑：全双工建模 + 动态语义切分 + 流式解码策略，确保在不牺牲质量的前提下最小化延迟。

3. 零样本声音复刻：用你的声音“说外语”

这是 Seed LiveInterpret 2.0 最具突破性的功能之一。

无需预先训练或长时间录音，系统仅需实时采集几秒语音信号，即可提取说话人音色特征，并用该音色生成目标语言的翻译语音。

✅ 优势：

• 避免“机器人音”带来的疏离感；
• 在多人对话中清晰区分不同说话人身份；
• 提升跨语言沟通的亲和力与沉浸感。

该功能已在多人会议、访谈等场景中验证有效。

模型测评：全面领先现有系统

在语音到语音同传任务中，目前全球仅有 3 个系统具备类似能力。其中，Seed LiveInterpret 2.0 综合表现最优：

📌 注：其他系统普遍缺乏声音复刻能力，且延迟更高、流畅度不足。

🛠️ 智能节奏控制：适应复杂语言场景

为应对非流利语音、长句、口音等问题，模型内置动态节奏调节机制：

• 根据语音清晰度、语速、语法复杂度自动调整输出节奏；
• 在信息密集段落保持紧凑输出，在停顿或思考时适当放缓；
• 即使面对超长语段，也能保证翻译语音自然流畅，不卡顿、不抢话。

这一能力使其在真实会议、讲座等高要求场景中更具实用性。