用您自己的声音——说一种您不会的语言

实时翻译中有一个环节几乎所有人都搞错了，却几乎没人提起：您听到的声音。

您可以拥有出色的语音识别和出色的翻译，最终却还是一场像机器在朗读清单的会议。因为最后一步——把翻译后的文本重新变成声音——正是大多数工具悄悄地将您替换成一个通用的合成播报之声的地方。八个人在屋里，所有人共用同一个机器人嗓音。谁在说话、语气、个性——全部丢失。听得清，但不是对话。

InterMIND 对最后一步的处理与别人不同。当您发言时，其他参与者听到的翻译是能辨认出是您的声音——保留您的音色与说话方式——只是此刻说的话已变成他们的语言。这还不算完美复刻；重点是这是您，而不是一个模板旁白，并且还在持续改进。这对每一位参与者都成立，双向同步进行。

这篇文章是 Inside the four translation pipelines that run InterMIND 的补章：那篇解释了音频如何变成翻译后的音频，这篇讲的是另一端出来的是谁的声音。

大家都在用的默认方案，以及它为什么显得平淡

如果您在任何一个大型会议平台里用过实时翻译，您一定熟悉那种声音。一个中性的、语调均匀的声音朗读着翻译内容。无论说话的是在全员大会开场致词的 CEO，还是开了一句玩笑的同事，都是同一个声音。底层技术是文本转语音，只有一个固定的语音模型，设计假设是"听懂就够了"。

在真正的会议里，这并不够。一场会议传达的信息中，有一半是谁在说、怎么说。剥离声音，一场讨论就变成了一份恰好被大声朗读出来的文字记录。人们不再彼此回应，而是各自等着轮到自己发言。

InterMIND 的不同之处

翻译以级联管线运行——三个专门阶段顺序串联，而非由一个模型包揽一切。前两个阶段已在翻译管线文章中介绍过；本文要讲的是语音这一步：

ASR — 语音识别。 您的字词在您说话的同时被实时转写为您自己的语言，运行在我们自有的引擎——承载通话的媒体服务器（Mind API，OVH France）——上，因此翻译可以在句子结束之前就开始。
MT — 翻译。 转录文本被切分为稳定的短句片段——子句——这样翻译可以在您说出整句之前就开始；每个片段被逐步翻译为听者的语言。
Zero-shot TTS — 语音合成。 每个翻译后的片段用您自己声音的样本合成出来，并推流给听者。

正是第三阶段——ASR → MT → Zero-shot TTS——产生了这种效果。"Zero-shot" 意味着系统不需要为您的声音预先录制或进行训练。它直接从您正在进行的会议音频中对您的声音建模。

预热：如何这么快就听起来像您

"用一段您自己声音的样本"这句话背后藏着一个鸡生蛋、蛋生鸡的问题。通话刚开始时，系统还没有听够您的声音，无法很好地给您的声音建模。

InterMIND 用渐进式预热来处理这个问题：

在大约前 5–10 秒内——此时系统仍在收集足够的语音——每个翻译片段使用与您在源语言中刚说过的话相匹配的音频片段来合成。声源锚定在您真实的、即时的语音上。
**一旦样本足够长——也就是达到 5–10 秒标记——**系统锁定该样本，并用它为之后所有内容发声。

实际上您不会听到一个开关被拨动。随着对话展开，翻译声越来越像您——不是您声音的完美分身，但明显是您的而非机器的，并且随着模型听到更多内容持续改进。正是渐进式翻译（逐子句而非逐整句）加上渐进式发声，让整个流程在延迟预算之下还能保持听着像真人。

录一次音，跳过预热

上述预热是默认行为，无需任何设置。自 2026 年 9 月起，已登录用户有一条可选的第二路径：在 Settings → Your voice in translation 中保存一个语音样本。

录制只需一个动作。按下 录制我的声音，等待 现在请说话，然后用任意顺序说出一到十的数字。每一个数字在语音引擎听到时会在卡片上亮起；当十个数字都点亮后，样本会被自动校验并保存。无需回放或确认，也不倒计时：卡片自动保留您录制片段中包含这些数字的那段音频。安静的房间加上一副耳机效果最好。

保存样本会改变什么：从您的下一次会议起，合成器从第一个片段开始就用它来为您的翻译发声，于是对方听到的您从一开始就是"您本人"，而不用等预热完成。底层依然是同一种 Zero-shot 合成，只是起点更好；实时预热仍会在通话进行中继续精修声音。

录音在存储前会经过校验。必须是 3 到 10 秒的清晰语音（合成器的输入窗口）：太轻、被截断、几乎全是静音、或被背景噪声淹没——卡片会告诉您如何修正，并请您再录一次。用数字作为录制短语是有实际原因的：它简短、在全部 23 种语言中都易于辨识，而且引擎能确认它听到了全部十个数字——这把"录音成功了吗"变成了一个可见的"是"。

两个语音样本，两种生命周期

这是安全团队或法务团队会立刻追问的部分，所以这里直说。有两种不同的样本，存活方式也不一样。

实时样本——用于会议中预热——是瞬态的。它只为实时会议会话而存在，用以替翻译发声，并且不被存储在任何地方。支撑实时会话的 Mind API 和 SDK 不保留任何数据；会议会话结束时，所有临时数据一并消失。

已保存样本——来自 Settings——与您的账户一起存储，仅用于一个目的：每次您加入会议时，它被发送到翻译引擎，以便您的翻译语音借它发声。除此之外不做他用。它会一直保留，直到您在卡片上按下移除——这会让您立刻回到标准预热模式——并在删除账户时一同删除。访客无法录制；这是一项面向已登录用户的功能。

值得明确一下两种样本都不是什么：不是 InterMIND 的录像功能之一。录制会议的音视频是另一项需要您专门发起的、独立的操作，有自己独立的控件。语音样本是语音合成器的输入：实时样本是瞬态的，保存的样本则归您所有，由您保留或删除。

为什么没有别家做这件事

不是语音克隆是秘密。而是——实时、逐人、双向同时、在亚秒级延迟预算内、跨 23 种语言、且不存储任何您未要求它存储的内容——这跟离线为播客克隆一段声音是完全不同的问题。

大型平台为它们的翻译优化的是字幕覆盖率与一个安全旁白音——这在规模化下是便宜而稳健的默认方案。保留每位说话者自己的声音意味着合成阶段必须独立追踪每一位参与者，同时不超出管线其余部分所遵循的同一延迟预算。我们自己写了语音引擎，跑在我们自己的基础设施上——正因如此，这一取舍才由我们来做主。（更多关于引擎为何是我们自写的代码，见 What one InterMIND meeting is built from。）