Google 提出实时端到端语音互译技术，实现保留原声与 2 秒低延迟

Google 推出基于流式架构的端到端实时语音到语音翻译（S2ST）模型，将传统级联系统的 4–5 秒延迟缩短至 2 秒，并在翻译中保留原说话人的声音特征。该架构基于 AudioLM 与 SpectroStream 编解码技术构建，配合时间同步数据获取管线训练，目前已部署于云端 Google Meet 与 Pixel 10 端侧设备中。