在第三屆世界互聯網大會烏鎮峰會上，搜狗在會上的一場語音實時翻譯“表演”引起了人們的關注。11月21日，搜狗正式推出了這個基于語音交互引擎“知音”的實時翻譯技術。

據介紹，搜狗語音實時翻譯技術是搜狗自研的機器同聲傳譯技術。基于大數據和深度學習，該技術涵蓋了搜狗自主研發的語音識別、機器翻譯兩項重要技術，其準確率能夠達到97%，支持最快400字每秒的高速聽寫，語音輸入日頻次可高達1.9億次。

搜狗機器翻譯融合端到端神經機器翻譯技術以及基于實例的翻譯技術，使用的端到端神經網絡翻譯模型通過編碼端獲取源端句子的分布式表示，利用注意力模型聚焦源端，使用循環神經網絡生成翻譯結果。

在搜狗的整個翻譯系統中，第一個系統的功能是語音斷句。當接受到一個特別長的語音信號時，系統通過機器學習自動判斷靜音與有效音；語音（1）與非語音（0）。判斷方法有兩種，第一是基于能量檢測的方式，能量小的是靜音，能量非常大的是有效音；第二就是基于深度學習模型的判斷，通過大量的數據進行建模，建模之后可以通過模型自動檢測，當檢測到這個地方是屬于非語音的概率更高，系統便認為它是非語音，當語音概率高的時候就判定為語音。

第二個系統功能是語音識別，目的是將語音信號轉化為文本。語音和文本之間的影射通過一種概率目標來描述，這個概率目標希望給定當前的語音信號，最大化輸出W的概率，輸出對應的W區別就是最優語音識別結果。

在語音識別整體框架下涉及到兩個非常重要的模型，一個是聲學模型，就是人在發音每個單元的時候這個模型和聲音信號之間的相似形；另一個是語言模型，描述的就是識別結果中詞和詞之間連接的可能性，從而更好地規范整個的輸出結果，更加通順、流暢。

整個翻譯運行結構是這樣的，第一部是編碼端的技術，基于神經網絡技術，系統將采集到的語音信號錄入到一個編碼器，編碼器具備語譯功能，能夠提取語音中的特征語句并翻譯成整句。之后是進入對齊模型，模型判斷哪些詞和哪些詞可以對應在一起，并把這些詞語的特征貢獻到解碼端得出文本，起到一個端到端的影射作用。

第二部分是Decoder技術，從準確率的實際評測來看，GRU的結構會更輕便，而且運算的速度更快，目前的同傳技術里面，搜狗使用雙向的GRU技術共同構建編碼端的結構。解碼端共同抽象以后接入到Softmax里面輸出結果。這便是整個搜狗實時翻譯的運行流程。

搜狗語音實時翻譯技術可謂是將語音識別與機器翻譯有效結合了起來。未來，在技術改變生活的道路上，也希望更多的語音翻譯軟件能優化語音實時翻譯的性能和效果，不斷給用戶帶來更加完善、實用的語音技術和產品，同時推動整個語音行業乃至人工智能領域的技術革新和進步。