字節跳動 Seed 團隊正式對外發布其最新研發成果——Seed LiveInterpret2.0端到端同聲傳譯大模型。這一模型的發佈標誌着機器同聲傳譯技術取得了重大突破，其翻譯準確率接近專業同傳譯員水平，且延遲時間極低，僅需3秒，同時還具備實時聲音復刻功能，能夠以說話者的音色輸出翻譯後的語音，極大地提升了跨語言交流的自然度和流暢性。

同聲傳譯一直被視爲翻譯領域的巔峯技能，它要求譯者在極短時間內完成語言轉換，邊聽邊說，對翻譯技術研究者來說極具挑戰性。Seed LiveInterpret2.0的出現，不僅在中英同傳翻譯質量上達到了業界頂尖水平（SOTA），更實現了極低的語音延遲，爲同聲傳譯領域帶來了新的技術標杆。

Seed LiveInterpret2.0基於全雙工端到端語音生成理解框架，支持中英互譯，並可實時處理多人語音輸入，像人類同傳譯員一樣以極低的延遲 “邊聽邊說”，一邊接收源語言語音輸入，一邊直接輸出目標語言的翻譯語音。此外，該模型還支持零樣本聲音復刻，無需提前採集聲音樣本，僅通過實時對話即可合成“原聲”語音翻譯，讓溝通更加流暢自然。

微信截圖_20250724134449.png

在測試中，Seed LiveInterpret2.0展示了其強大的能力。面對40秒的大段中文表達，該模型能夠低延遲地絲滑輸出同款音色的英語翻譯。不僅如此，它還能快速學習音色，無論是《西遊記》裏的豬八戒，還是《紅樓夢》中的林黛玉，即便此前未“聽”過角色的聲音，依然能通過實時交互進行現場演繹。

相比傳統機器同傳系統，Seed LiveInterpret2.0在多個方面展現出顯著優勢。首先，它具備接近真人同傳的翻譯準確率，精準的語音理解能力保障了翻譯準確度，在多人會議等複雜場景中英雙向翻譯準確率超70%，單人演講翻譯準確率超80%，接近真人專業同傳水平。其次，其極低延遲的 “邊聽邊說” 能力採用全雙工語音理解生成框架，翻譯延遲可低至2-3秒，較傳統機器同傳系統降低超60%，實現了真正的 “邊聽邊說” 翻譯。此外，零樣本聲音復刻功能讓模型能夠以說話人的音色特質實時 “說出” 外語，提升交流的沉浸感和親和力。最後，該模型還能智能平衡翻譯質量、延遲和語音輸出節奏，根據語音清晰度、流暢度、複雜程度，調整輸出節奏，並適配不同語言特性，即使面對超長信息，也能保證傳譯語音節奏的自然流暢。

在專業人工評測中，Seed LiveInterpret2.0的表現尤爲突出。評測基於 RealSI 數據集，這是一個包含中英雙向各10個領域的公開測試集。人工評測團隊以傳達有效信息的佔比（Valid Information Proportion）爲指標，在中英方向上測試了包括 Seed LiveInterpret2.0在內的多個業界領先的同傳系統。評測結果顯示，在語音到文本的同傳任務中，Seed LiveInterpret2.0中英互譯平均翻譯質量的人類評分達到74.8(滿分100，評估譯文準確率)，較排名第二的基準系統(47.3分)超出58%。在語音到語音中英同傳任務中，僅3個測評的翻譯系統支持該能力，其中 Seed LiveInterpret2.0中英互譯平均翻譯質量達到66.3分(滿分100，除評估譯文準確率，還評估語音輸出時延、語速、發音、流暢性等指標)，遠超其他基準系統，達到接近專業真人同傳的水平。同時，大部分基準系統也不支持聲音復刻功能。

在延遲表現上，Seed LiveInterpret2.0在語音到文本場景中，輸出首字平均延遲僅2.21秒，在語音到語音場景中，輸出延時僅2.53秒，做到了對翻譯質量以及時延的均衡。

技術報告:

https://arxiv.org/pdf/2507.17527

項目主頁:

https://seed.bytedance.com/seed_liveinterpret