Tala med din egen röst – på ett språk du inte talar

Här kommer den del av översättning i realtid som nästan alla missar och som nästan ingen pratar om: rösten du hör.

Du kan ha utmärkt taligenkänning och utmärkt översättning och ändå sitta i ett möte som känns som en maskin som läser upp en lista. Det sista steget, där den översatta texten blir ljud igen, är nämligen det som de flesta verktyg i det tysta ersätter dig med en enda generisk syntetisk uppläsare. Åtta personer i rummet, en robotröst för dem alla. Du förlorar vem som talar, betoningen och personligheten. Det blir begripligt, men inte ett samtal.

InterMIND gör det sista steget annorlunda. När du talar hör de andra deltagarna översättningen med en röst som är igenkännbart din. Den har din klang och ditt sätt att tala, men säger nu orden på deras språk. Det är ännu inte ett felfritt imitationsverk. Poängen är att det är du och inte en standarduppläsare, och det blir bättre hela tiden. Det fungerar för varje deltagare, i båda riktningarna, samtidigt.

Det här inlägget är det saknade kapitlet i Inuti de fyra översättningspipelines som driver InterMIND. Det inlägget förklarade hur ljud blir översatt ljud. Det här handlar om vems röst som kommer ut i andra änden.

Standardlösningen som alla levererar, och varför den blir platt

Har du använt live-översättning i någon av de stora mötesplattformarna känner du igen ljudet. En neutral röst med jämn takt läser upp översättningen. Det är samma röst oavsett om talaren är din vd som inleder ett allmänt möte eller en kollega som drar ett skämt. Tekniken under ytan är text-till-tal med en enda fast röstmodell, och antagandet bakom designen är att begriplighet räcker.

I ett riktigt möte gör den inte det. Hälften av det ett möte förmedlar är vem som säger något och hur. Tar du bort rösten har du förvandlat en diskussion till ett transkript som råkar läsas upp högt. Människor slutar reagera på varandra och börjar vänta på sin tur.

Vad InterMIND gör i stället

Översättningen körs som en kaskadpipeline, alltså tre specialiserade steg i följd i stället för en enda modell som försöker göra allt. De två första stegen beskrivs i inlägget om pipelines. Röststeget är det som det här inlägget handlar om:

ASR – taligenkänning. Dina ord transkriberas på ditt eget språk medan du talar, på vår egen motor, nämligen mediaservern som bär samtalet (Mind API, OVH Frankrike). Därför kan översättningen börja innan meningen är slut.
MT – översättning. Transkriptet grupperas i stabila meningsfragment, satser, så att översättningen kan börja innan du har sagt klart meningen. Varje fragment översätts successivt till lyssnarens språk.
Zero-shot TTS – talsyntes. Varje översatt fragment talas upp med ett prov av din egen röst och strömmas till lyssnaren.

Det är det tredje steget, ASR → MT → zero-shot TTS, som ger effekten. ”Zero-shot” betyder att systemet inte behöver någon förinspelad registrering eller något träningspass för din röst. Det modellerar din röst utifrån ljudet från mötet du redan sitter i.

Uppvärmningen: så låter det som du så snabbt

Det finns ett hönan-och-ägget-problem gömt i ”använd ett prov av din egen röst”. I början av ett samtal har systemet ännu inte hört tillräckligt av dig för att modellera din röst väl.

InterMIND hanterar det med en gradvis uppvärmning:

Under ungefär de första 5–10 sekunderna, medan systemet fortfarande samlar tillräckligt med ditt tal, syntetiseras varje översatt fragment med det ljudfragment som motsvarar det du just sagt på ditt källspråk. Rösten förankras i ditt verkliga, omedelbara tal.
När det finns ett tillräckligt långt prov, vid 5–10-sekundersgränsen, låser sig systemet vid det och använder det för att ge röst åt allt som kommer därefter.

I praktiken hör du ingen omkoppling. Översättningen låter mer som du ju längre samtalet pågår. Det är ingen perfekt kopia av din röst, men tydligt din och inte en maskins, och den förbättras ju mer modellen hör. Kombinationen av successiv översättning (sats för sats, inte mening för mening) och successiv röstsättning gör att det hela håller sig inom latensbudgeten och ändå låter mänskligt.

Spela in din röst en gång och hoppa över uppvärmningen

Uppvärmningen ovan är det som händer som standard, utan att du ställt in något. Sedan september 2026 finns en valfri andra väg för inloggade användare: ett sparat röstprov i Settings → Your voice in translation.

Att spela in det är en enda handling. Tryck på Record my voice, vänta på Speak now och säg siffrorna från ett till tio i valfri ordning. Varje siffra lyser upp på kortet när taligenkänningen hör den. När alla tio lyser kontrolleras och sparas provet av sig självt. Du behöver varken lyssna igen eller bekräfta något, och det finns ingen nedräkning: kortet behåller den del av ditt tagande som innehåller siffrorna. Ett tyst rum och ett headset ger bäst resultat.

Det sparade provet ändrar följande: från och med ditt nästa möte röstsätter syntesen din översättning med det från första fragmentet, så att den andra sidan hör dig som dig själv redan i första meningen i stället för efter uppvärmningen. Under huven är det samma zero-shot-syntes men med en bättre utgångspunkt. Den live-baserade uppvärmningen fortsätter att förfina rösten medan samtalet pågår.

Tagandet kontrolleras innan det lagras. Det måste vara 3 till 10 sekunder tydligt tal (syntesens indatafönster). Är det för tyst, klippt, mest tystnad eller dränkt i bakgrundsljud talar kortet om vad som bör åtgärdas och ber om ett nytt tagande. Siffror valdes som fras av ett praktiskt skäl: de är korta, igenkännbara på vart och ett av de 23 språken, och motorn kan bekräfta att den hörde alla tio, vilket förvandlar ”fungerade inspelningen?” till ett synligt ja.

Två röstprover, två livslängder

Det här är den del som ett säkerhets- eller juridikteam frågar om direkt, så här är den rakt på sak. Det finns två olika prover, och de lever olika länge.

Live-provet som används för uppvärmningen under mötet är flyktigt. Det finns bara under själva konferenssessionen, för att ge röst åt översättningen, och det lagras ingenstans. Mind API och SDK som driver realtidssessionen behåller inga data. Allt tillfälligt försvinner när konferenssessionen avslutas.

Det sparade provet från Settings lagras på ditt konto, för ett enda ändamål: det skickas till översättningsmotorn varje gång du går med i ett möte så att ditt översatta tal kan röstsättas med det, och för ingenting annat. Det finns kvar tills du trycker på Remove på kortet, vilket direkt för dig tillbaka till standarduppvärmningen, och det raderas tillsammans med ditt konto. Gäster kan inte spela in något; det är en funktion för inloggade användare, av design.

Det är värt att vara exakt med vad inget av proverna är: de är inte en av InterMINDs inspelningsfunktioner. Att spela in ett mötes video och ljud är en separat, medveten handling som du gör med avsikt, med egna kontroller. Ett röstprov är en indata till talsyntesen: tillfälligt i live-fallet, och i det sparade fallet något du själv väljer att behålla eller radera.

Varför ingen annan levererar detta

Röstkloning är ingen hemlighet. Skillnaden är att göra det live, per deltagare, i båda riktningarna, i samtalstakt, på 23 språk, utan att lagra något du inte bett om är ett annat problem än att klona en röst i efterhand för en podd.

De stora plattformarna optimerar sin översättning för täckning av undertexter och en enda säker uppläsarröst, vilket är den billiga, robusta standarden i stor skala. Att behålla varje talares egen röst innebär att syntessteget måste följa varje deltagare oberoende och hålla sig inom samma latensbudget som resten av pipelinen. Vi byggde röstmotorn själva, på vår egen infrastruktur, och det är därför vi själva kan göra den avvägningen. (Mer om varför motorn är vår egen kod: Vad ett InterMIND-möte är byggt av.)

Dit det är på väg: läppsynk

Att behålla din röst är ena halvan av ett större mål. Den andra halvan är ditt ansikte.

Just nu hör du den andra personen med sin egen röst, men är du på kamera rör sig läpparna fortfarande efter de ord som faktiskt sades, på ett språk du inte läser. Nästa steg är läppsynk: att tidsjustera talarens mun efter det översatta ljudet så att det på din skärm ser ut som att personen talar ditt språk.

Sätter du ihop de två delarna blir hela poängen med arbetet tydlig. Två personer som inte delar något gemensamt språk sitter mitt emot varandra i ett videosamtal och ser och hör varandra som om var och en vore modersmålstalare av den andras språk: samma röst, samma ansikte, ingen tolk emellan och ingen robot som läser ett manus.

För att vara tydliga med status: rösten är live i dag, läppsynk finns på färdplanen men är inte levererad. Vi pekar ut målet eftersom det är därför röstarbetet spelar roll. Översättning med egen röst är inte själva funktionen, den är första halvan av ”prata med vem som helst, på vilket språk som helst, som dig själv”.

Där du kan höra det

Översättning med egen röst är live i dag, på alla 23 röstspråk, samma språk som listas i dokumentationen. Du behöver inte slå på något separat: när översättning är aktiverad i ett möte hör deltagarna automatiskt varandra med sina egna röster. Vi är ärliga med var det står: i dag är rösten redan igenkännbart du, och likheten är något vi aktivt arbetar på att få närmare. Gå och lyssna och bedöm själv.

Prova demon – kör den levande röstpipelinen mot ditt ljud på vilket som helst av de 23 språken.
Se kvalitetssiffrorna – samma produktionspipeline, poängsatt varje månad mot FLORES-200, med hela fördelningen publicerad per språkpar.
Spela in ditt röstprov – inloggad, ett tagande av siffrorna ett till tio, så röstsätts du som dig själv från första meningen.
Så fungerar det, i dokumentationen – den korta versionen av det här inlägget.
Se det tillsammans med undertexter och ett sökbart transkript – hur de tre delarna fungerar tillsammans i ett möte.