門頭溝同聲翻譯系統，基于NMT的智能化，同傳方案

在過去70年的發展歷程里，機器翻譯經歷了從興起到高峰，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，由于機器翻譯質量難以達到要求，其發展在長達 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，統計機器翻譯（SMT）應運而生。這期間 IBM 研究人員也發表論文，詳細論述了基于詞典和轉換規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機器翻譯技術（neural machine translation，簡稱 NMT）發展迅猛。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據處理技術，與傳統的淺層次線性處理相比，同聲傳譯是基于高品質翻譯能力的支持，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 中采用連續表示而不是離散符號表示；另一方面，NMT 使用單個大型神經網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，實現先進的性能對會議現場的二次處理。