谷歌表示當(dāng)前的翻譯系統(tǒng)分為三個步驟：自動語音識別，將語音轉(zhuǎn)換為文本；機器翻譯，將文本轉(zhuǎn)換為另一種語言；***是文本轉(zhuǎn)語音（TTS）合成，也就是將翻譯好的文本生成語音。在這三個步驟衍生出了Google Translate等服務(wù)，不過這家科技巨頭希望通過一個模型就實現(xiàn)語音的翻譯，而不再需要借助文本這個中間步驟。

Google AI軟件工程師Ye Jia和Ron Weiss表示：“該系統(tǒng)名為Translatotron，這個系統(tǒng)避免了將任務(wù)分成不同的階段。”谷歌表示這意味著更快的翻譯速度和更少的轉(zhuǎn)譯錯誤。該系統(tǒng)使用頻譜圖作為輸入并生成頻譜圖，同樣依賴于神經(jīng)聲碼器和揚聲器編碼器，這意味著系統(tǒng)在翻譯后保留說話者的聲音特征。