黃浦同聲翻譯系統(tǒng)，基于NMT的智能化，同傳方案

在過去70年的發(fā)展歷程里，機器翻譯經(jīng)歷了從興起到高峰，從低迷到打開新研究思路的種種變化。當下，當5G的瞬時鏈接速度達到驚人的千分之三秒，我們又看到了同聲傳譯的機器化是否有可能？

早在1949年，美國科學家 Warren Weaver 就首次提出 “使用計算機進行翻譯” 的思想，他也被公認為是機器實現(xiàn)同聲傳譯的先驅者之一。1952 年，以色列著名哲學家、語言學家和數(shù)學家 Yehoshua Bar-Hillel 組織召開了第一次機器翻譯大會。

此后，由于機器翻譯質(zhì)量難以達到要求，其發(fā)展在長達 30 年間始終緩慢，直到 1990 年之后，大量的雙語、多語語料庫給機器翻譯注入新鮮血液，統(tǒng)計機器翻譯（SMT）應運而生。這期間 IBM 研究人員也發(fā)表論文，詳細論述了基于詞典和轉換規(guī)則的機器翻譯方法和基于平行語料庫的實例機器翻譯方法。

（來源：GPI 同聲傳譯）

近些年，基于深度學習的神經(jīng)機器翻譯技術（neural machine translation，簡稱 NMT）發(fā)展迅猛。深度學習由圖靈獎得主 Geoffrey Hinton 等人在 2006 年提出，是一種深層的非線性數(shù)據(jù)處理技術，與傳統(tǒng)的淺層次線性處理相比，同聲傳譯是基于高品質(zhì)翻譯能力的支持，它在處理模型分析和分類問題上更準確，性能更高。

NMT 與以前的機器翻譯方法完全不同，一方面，NMT 在 SMT 中采用連續(xù)表示而不是離散符號表示；另一方面，NMT 使用單個大型神經(jīng)網(wǎng)絡對整個同聲翻譯過程進行建模，從而無需進行過多的特征工程。而且，NMT 的訓練是端到端的（end-to-end），不像 SMT 中需要單獨調(diào)整組件。除了簡單之外，NMT 可適應多種語言之間的同傳翻譯，實現(xiàn)先進的性能對會議現(xiàn)場的二次處理。