同聲傳譯有多難?
同聲傳譯最早出現在一戰后的巴黎和會上，英法兩國代表借助同聲傳譯人員的幫助，完成了緊張的談判。
如今，該技術依然在國際會議上扮演著極其重要的角色。據統計，95%的國際會議都有專業同聲傳譯人員助力。
同傳翻譯員在臺上能夠將同傳能力運用自如，需要平時大量的艱苦練習，即使是雙語運用自如的專業人員，在實戰之前，也要進行數年的鍛煉。他們不僅需要事先學習、熟悉會議資料，還需要隨機應變的能力。同聲傳譯的工作方式也比較特殊，因為壓力巨大，一般多人協同，在一場數小時的過程中，每人輪流翻譯幾十分鐘。
相較之下，普通的口譯工作則要簡單不少。機器翻譯如能代替同聲傳譯無疑具有巨大的價值。
人工智能翻譯的水平如何?
那么，人工智能同傳翻譯的能力究竟怎樣?會不會搶走同傳翻譯員的飯碗呢?
今年上半年的博鰲亞洲論壇上，首次出現了AI同傳。然而，現場配備的系統卻掉了鏈子，鬧出詞匯翻譯不準確、重復等低級錯誤。
客觀來講，人工智能或機器翻譯技術在自然語言處理上，的確有許多突破。這些突破給人希望，讓人暢想未來，但是，短期內的價值，更多體現在輔助翻譯等領域。
當然，目前機器翻譯已經取得非常大的進步，在衣食住行等常用生活用語上的中英翻譯可以達到大學六級的水平，能夠幫助人們在一些場景處理語言交流的問題，但距離人工同傳以及高水平翻譯所講究的“信、達、雅”，還存在很大的差距。
目前的差距是由現有技術水平的限制決定的，機器翻譯，又稱為自動翻譯，是利用計算機將一種語言轉換為另一種語言，機器翻譯技術的發展與計算機技術、信息論、語言學等學科的發展緊密相關。從早期的詞典匹配，到結合語言學專家梳理的知識規則，再到基于語料庫的統計學方法，隨著計算能力的提升和多語言信息的積累，機器翻譯技術開始在一些場景中提供便捷的翻譯服務。
新世紀以來，隨著互聯網的普及，互聯網公司紛紛成立機器翻譯研究組，研發了基于互聯網大數據的機器翻譯系統，從而使機器翻譯真正走向實用，市場上開始出現比較成熟的自動翻譯產品。近年來，隨著深度學習的進展，機器翻譯技術得到了進一步的發展，促進了翻譯質量的提升，使得翻譯更加地道、流暢。
機器翻譯的難點在哪里?
這里，簡單介紹一下機器翻譯的難點。整個機器翻譯的過程，可以分為語音識別轉換、自然語言分析、譯文轉換和譯文生成等階段。在此，以比較典型的、基于規則的機器同傳翻譯為例(參見下圖)，模塊包含了：語音識別(語音轉換為文本)、自然語言處理(語法分析、語義分析)、譯文轉換、譯文生成和語音生成等模塊。其中的技術難點主要是：語音識別、自然語言處理和譯文轉換等步驟。
第一個技術難點是語音識別。近二十年來，語音識別技術取得了顯著進步，開始進入家電、汽車、醫療、家庭服務等各個領域。常見的應用系統有：
語音輸入系統，相對于鍵盤輸入方法，它更符合人的日常習慣，也更自然、更高效;
語音控制系統，即用語音來控制設備的運行，相對于手動控制來說更加快捷、方便，可以用在諸如工業控制、語音撥號系統、智能家電、聲控智能玩具等許多領域;
智能對話查詢系統，根據客戶的語音進行操作，為用戶提供自然、友好的數據庫檢索服務，例如家庭服務、旅行社服務系統、訂票系統、銀行服務等。
可以說，語音識別技術與其他自然語言處理技術相結合，可以構建出很多復雜的應用。
然而，語音識別的主要難點就是對自然語言的識別和理解。首先必須將連續的講話分解為詞、音素等單位，其次要建立一個理解語義的規則。由于語音信息量大，語音模式不僅對不同的說話人不同，對不同場景的同一說話人也是有差異的。
例如，一個人在隨意說話和認真說話時的語音特征是不同的。另外，說話者在講話時，不同的詞可能聽起來是相似的，這也是常見現象。單個字母或詞、字的語音特性，受上下文的影響，以致改變了重音、音調、音量和發音速度等。最后，環境噪聲和干擾對語音識別也有較大影響，致使識別率低。
第二個技術難點是語義解析，這是智能化的機器翻譯系統的核心部分。目前，機器翻譯系統可劃分為基于規則和基于語料庫兩大類。前者以詞典和語言知識規則庫為基礎;后者由經過劃分并具有標注的語料庫構成知識源，以統計學的算法為主。
機譯系統是隨著語料庫語言學的興起而發展起來的。目前，世界上絕大多數機譯系統都采用以規則庫為基礎的策略，一般分為語法型、語義型、知識型和智能型。不同類型的機譯系統，由不同的成分構成。抽象地說，所有機譯系統的處理過程都包括以下步驟：對源語言的分析或理解，在語言的語法、語義和語用等平面進行轉換，按目標語言結構規則生成目標語言。
當前，Google 的在線翻譯已經為人熟知，其第一代的技術即為基于統計的機器翻譯方法，基本原理是通過收集大量的雙語網頁作為語料庫，然后由計算機自動選取最為常見的詞與詞的對應關系，最后給出翻譯結果。
不過，采用該技術目前仍無法達到令人滿意的效果，經常鬧出各種翻譯笑話。因為，基于統計的方法，需要建立大規模的雙語語料庫，而翻譯模型、語言模型參數的準確性直接依賴于語料的規模及質量，翻譯質量直接取決于模型的質量和語料庫的覆蓋面。
除了上述傳統的方式，2013年以來，隨著深度學習的研究取得較大進展，基于人工神經網絡的機器翻譯逐漸興起。就當前而言，廣泛應用于機器翻譯的是長短時記憶循環神經網絡。該模型擅長對自然語言建模，把任意長度的句子轉化為特定維度的浮點數向量，同時“記住”句子中比較重要的單詞，讓“記憶”保存比較長的會話時間。該模型較好地解決了自然語言句子向量化的難題。
其技術核心是通過多層神經網絡，自動從語料庫中學習知識。一種語言的句子被向量化之后，在網絡中層層傳遞，經過多層復雜的傳導運算，生成譯文。這種翻譯方法最大的優勢在于譯文流暢，更加符合語法規范。相比之前的翻譯技術，質量有較高的提升。
智能同傳翻譯離我們還有多遠?
需要說明的是，很多人對機器翻譯有誤解，認為機器翻譯偏差大。其實，機器翻譯運用語言學知識，自動識別語法，模擬語義理解，進行對應翻譯，因語法、語義、語用的復雜性，出現錯誤是難免的。就已有的成果來看，全場景通用的機器翻譯，其翻譯質量離終極目標仍相差甚遠。
隨著全球化網絡時代的到來，語言障礙已經成為二十一世紀社會發展的重要瓶頸，實現任意時間、任意地點、任意語言的無障礙自由溝通是人類追求的一個夢想。這僅是全球化背景下的一個小縮影。在社會快速發展的進程中，機器翻譯將扮演越來越重要的角色。
京公網安備 11010502049343號