音声翻訳機：フレーズ、対面、またはリアルタイムの会話

「音声翻訳機」という言葉は、3つの製品を同時に指しています。音声を聞き取って翻訳を読み上げるスマートフォンアプリ。目の前にいる人の翻訳をささやくイヤホン。そして、会話全体が複数の言語で瞬時に進行し、各参加者が自分の言語でそれを聞くリアルタイムのミーティング翻訳です。これらはすべて音声を翻訳します。しかし、すべてのやり取りを待ち時間にすることなく、瞬時に複数人の会話をスムーズに進められるのは最後のものだけです。

このガイドでは、これら3つを区別し、それぞれがどのように機能するかを説明し、あなたに必要なものを決めるための問いを提示します：フレーズ、対面でのやり取り、それとも会話？

3つの種類

スマートフォンアプリの音声翻訳機

アプリを開き、マイクをタップして話すと、翻訳が再生または表示されます。Google Translate、Apple Translate、Microsoft Translatorなど、多くの旅行アプリがあります。メニューの確認、タクシーの移動、ホテルのフロントなど、一度に1つの文をやり取りする場合には非常に便利です。

その仕組みはリレー式です。あなたが話す → 書き起こされる → 翻訳される → 読み上げられる、という流れで、相手が同じデバイスに向かって答えると、逆方向にリレーされます。やり取りが短く、スマートフォンを交互に渡すため機能します。しかし、本格的なやり取りにしようとすると、このリレーがボトルネックになります。話す代わりに、翻訳機を操作する順番を待つことになるのです。

イヤホン・デバイスの音声翻訳機

Live Translationを備えたAirPods、Pixel Buds、専用の翻訳イヤホンなどがあります。これらを装着すると、相手の言葉が耳元で翻訳されて聞こえます。画面を見るよりも快適ですが、1対1が前提であり、両者が互換性のある機器を装着している必要があります。 旅行者と現地の人のためのものであり、会議室での使用には向いていません。

リアルタイムのミーティング翻訳

より優れたアプリではなく、異なるアーキテクチャです。部屋全体が多言語になります。全員が自分の言語で話し、ミーティング全体を通して、他の全員の言葉を自分の言語で瞬時に聞くことができます。渡すスマートフォンも、互換性の必要なイヤホンもありません。複数人の即座な会話に対応できるのは、これだけです。

あなたに必要なのはどれ？

• フレーズ — メニュー、道順、見知らぬ人との一度きりのやり取り。スマートフォンアプリが最適です。過剰な投資は避けましょう。
• 両者が機器を装着した1対1の対面やり取り — イヤホンが最も快適な体験を提供します。
• 会話 — 通話、ミーティング、複数人での即座なやり取り — リアルタイムのミーティング翻訳です。他のツールはすべてのやり取りをリレー式にし、人数が増えるごとに崩壊してしまうからです。

落とし穴は、会話にフレーズツールを使ってしまうことです。技術的には「機能」しますが、リレーを待つばかりで話せなくなるため、会話のスピードは2倍に遅くなります。

「インスタント」と「リアルタイム」が本当に求めるもの

以下の3つの条件が同時に満たされる必要があります。そして、ほとんどのツールはここで密かに失敗しています：

• デバイス単位ではなく、リスナー単位であること。 すべての参加者が、自分で選んだ言語で部屋の音声を同時に聞けます。5人なら5つの言語、1つの通話です。部屋全体が全員に対して、それぞれの言語に翻訳されます。
• 1秒未満で、継続的であること。 話者が区切った後にしか翻訳が届かない場合、それは合成音声による逐次通訳であり、すべての間を感じることになります。真にインスタントな翻訳は、話すペースに追いつきます。
• 英語への依存もなく、地域制限もなく、5言語のベータ版もないこと。 あらゆる言語の組み合わせが、参加者間で直接翻訳されます。すべてが英語を経由したり、5言語限定のベータ版であったりしません。

それは、より大きなスマートフォンアプリではありません。リアルタイムのミーティング翻訳の背後にあるアーキテクチャであり、このカテゴリの基礎となるガイドです。

InterMINDの位置づけ

InterMINDは3番目の種類です。リアルタイムのミーティング翻訳として構築された、即座で実際の会話のための音声翻訳機です。

• 音声、チャット、共有ノートで22言語のライブ翻訳に対応 — あらゆる組み合わせ、英語への依存なし、地域制限なし、5言語のベータ版なし。（エンドツーエンドの完全な翻訳スタックについては、専用のページをご覧ください。）
• 1秒未満のリスナー単位の音声。 各参加者が、自分で選んだ言語でミーティングの音声を同時に聞けます。（詳しくは：4つの翻訳パイプラインの内部）
• ウェビナーとカンファレンスにも対応 — 最大1,500名の参加者が、それぞれ自身のリスニング言語で参加可能：ブースのない同時通訳。
• ドキュメントも対応 — PDFやDOCXをミーティングにドロップするだけで、各閲覧者が自身の言語で受け取れます。ファイルは30言語に対応しています。
• 監査可能な品質 — 実際のトラフィックに基づく言語ペアごとのスコアを/benchmarkで公開し、その方法論も明記しています。

スマートフォンアプリはフレーズに適しています。イヤホンは目の前にいる1人とのやり取りに適しています。しかし、複数人での即座な会話が必要な場合、それこそがInterMINDのために作られた仕事です。

試してみる

• /demo — あなた自身の音声で、22言語のいずれかでライブ音声パイプラインを実行し、読む代わりにリスナー単位の翻訳を聞いてみてください。
• /benchmark — 実際のトラフィックに基づく、月次・ペアごとの翻訳品質。方法論も記載されています。
• カテゴリガイドから始める：リアルタイムのミーティング翻訳

— The Mind.com Team