字节跳动Seed团队重磅发布其最新研发成果——Seed LiveInterpret 2.0端到端同声传译大模型，这一突破性进展标志着机器同声传译技术迈入全新纪元。该模型不仅实现了接近专业同传译员水平的翻译准确率，更将延迟时间压缩至惊人的3秒，同时具备实时声音复刻功能，能够精准还原说话者的音色特质，极大地提升了跨语言交流的自然度和沉浸感。
同声传译作为翻译领域的巅峰技能，要求译者在极短的时间内完成语言转换，边听边说，这对翻译技术研究者而言始终是一项巨大挑战。Seed LiveInterpret 2.0的出现，不仅在中英同传翻译质量上达到了业界顶尖水平（SOTA），更实现了前所未有的低语音延迟，为同声传译领域树立了新的技术标杆。该模型基于全双工端到端语音生成理解框架，支持中英互译，并能实时处理多人语音输入，如同人类同传译员一般以极低的延迟“边听边说”，一边接收源语言语音输入，一边直接输出目标语言的翻译语音。此外，该模型还支持零样本声音复刻，无需提前采集声音样本，仅通过实时对话即可合成“原声”语音翻译，让沟通更加流畅自然。
在测试中，Seed LiveInterpret 2.0展现了惊人的能力。面对40秒的大段中文表达，该模型能够低延迟地丝滑输出同款音色的英语翻译。不仅如此，它还能快速学习音色，无论是《西游记》里的猪八戒，还是《红楼梦》中的林黛玉，即便此前未“听”过角色的声音，依然能通过实时交互进行现场演绎，令人惊叹。
相比传统机器同传系统，Seed LiveInterpret 2.0在多个方面展现出显著优势。首先，它具备接近真人同传的翻译准确率，精准的语音理解能力保障了翻译准确度，在多人会议等复杂场景中英双向翻译准确率超70%，单人演讲翻译准确率超80%，接近真人专业同传水平。其次，其极低延迟的“边听边说”能力采用全双工语音理解生成框架，翻译延迟可低至2-3秒，较传统机器同传系统降低超60%，实现了真正的“边听边说”翻译。此外，零样本声音复刻功能让模型能够以说话人的音色特质实时“说出”外语，提升交流的沉浸感和亲和力。最后，该模型还能智能平衡翻译质量、延迟和语音输出节奏，根据语音清晰度、流畅度、复杂程度，调整输出节奏，并适配不同语言特性，即使面对超长信息，也能保证传译语音节奏的自然流畅。
在专业人工评测中，Seed LiveInterpret 2.0的表现尤为突出。评测基于RealSI数据集，这是一个包含中英双向各10个领域的公开测试集。人工评测团队以传达有效信息的占比（Valid Information Proportion）为指标，在中英方向上测试了包括Seed LiveInterpret 2.0在内的多个业界领先的同传系统。评测结果显示，在语音到文本的同传任务中，Seed LiveInterpret 2.0中英互译平均翻译质量的人类评分达到74.8（满分100，评估译文准确率），较排名第二的基准系统（47.3分）超出58%。在语音到语音中英同传任务中，仅3个测评的翻译系统支持该能力，其中Seed LiveInterpret 2.0中英互译平均翻译质量达到66.3分（满分100，除评估译文准确率，还评估语音输出时延、语速、发音、流畅性等指标），远超其他基准系统，达到接近专业真人同传的水平。同时，大部分基准系统也不支持声音复刻功能。在延迟表现上，Seed LiveInterpret 2.0在语音到文本场景中，输出首字平均延迟仅2.21秒，在语音到语音场景中，输出延时仅2.53秒，做到了对翻译质量以及时延的均衡。
Seed LiveInterpret 2.0的技术突破不仅为跨语言交流带来了革命性变化，更展现了字节跳动在人工智能领域的深厚实力。该模型的技术报告已发布于https://arxiv.org/pdf/2507.17527，项目主页位于https://seed.bytedance.com/seed_liveinterpret，欢迎业界人士进一步了解和探索这一创新成果。
