语言隔阂是人类永远的遗憾。打从数千年以前，人类便为了跨越语言隔阂而尽心尽力，成效却不尽理想。千年后的现在，在 Google 与微软等科技大厂的努力下，翻译科技拥有长足进步，即时语音翻译也不再遥不可及，这是否意味着即时翻译的新时代即将到来呢？人类真的有办法突破语言的障碍吗？
▲ 理想的即时翻译功能。
自从电脑问世后，“即时翻译”就一直是人类的努力的目标，然而世界上的语言种类繁多，语言结构又不尽相同，即时翻译的实践难度远比想像中更加困难。即使是主流的英语，利用翻译软件将其翻译成其他国家的语言，仍然会出现不少错字与文法错误，结构复杂的中文就更不用说了。
纵然即时翻译目前的成果谈不上尽善尽美，还是比以前更为进步。对手机讲出一句话，Google 翻译就可以将其翻译成其他语言的语音或文字，用于旅游观光十分便利。微软则是于今年 5 月全面开放 Skype 即时口译功能，允许通话者将通话转换成其他语言，将来还能够支援德语与法语等主流语言。
▲ 伍尔弗汉普顿大学的计算语言学研究首席──罗斯兰．密克夫。
英国伍尔弗汉普顿大学的计算语言学研究首席，罗斯兰．密克夫（Ruslan Mitkov）指出，早在 70 年前的 1947 年，已故美国数学家，瓦伦．伟佛（Warren Weaver）就已经展开机械翻译的相关研究，可惜结果以失败收场。
伟佛之所以失败，症结在于他将语言翻译视为数学问题，问题是语言具有很大的不确定性，远比数学来得复杂，加上当时无论是科技或是观念都不甚成熟，失败的结果并不意外。
就这样，机械翻译的议题被搁置了十几年。到了 60 年代，计算机技术蓬勃发展，人类开始研究人工智能，机械翻译顺势成为研究主题，但是并没有值得一提的研究成果。直到 90 年代，计算机技术拥有长足进步，运算速度大幅提升，足以处理资料庞大的语言数据库，各种翻译概念与算法接连问世，机械翻译才正式崭露头角。
▲ 机械翻译的先驱者──瓦伦．伟佛。
“现在，统计机器翻译（Statistical Machine Translation）已经成为重要的科技领域。在几个知名大厂的积极投入下，机器翻译的成果突飞猛进，即时翻译也不再是遥不可及的梦想。”密克夫说。
谈到当今最负盛名的机器翻译，首推 Google 翻译。Google 翻译的效能与泛用性极高，几乎远远凌驾其他的竞争者，Google 究竟是怎么办到的？密克夫解释说，Google 利用将他们在自然语言领域与搜寻领域的优势来钻研即时翻译，经过长时间的研究，才能够获得现在的成就。
▲Google 翻译成就斐然。
现在的 Google 翻译平均每天处理 1 亿次翻译，而且从 2011 年起提供语音翻译服务。除了单纯的翻译功能外，Google 翻译能够扫描手机所拍摄的照片，辨识出其中的外国文字并加以翻译，用来翻译餐厅菜单或路牌非常实用。当然啦，用户也可以自行输入词汇或句子，将其翻译成对应的语言，或是利用语音翻译与外国人沟通，超酷的！
“我们早在数十年前，就殷切期盼这些翻译功能的问世。”Google 的产品管理员，巴洛克．图洛斯基（Barak Turovsky）表示，“在那之前，如果你告诉别人，你只靠一支手机，就能与讲外国语的外国人毫无障碍地对话交流，对方一定会说你疯了。”
▲ 在手机上使用 Google 翻译。
即使 Google 翻译的成就已经非常耀眼，他们仍旧有许多工作要做。图洛斯基指出，若要将语音翻译弄得尽善尽美，必须要有更多的语音资料，开发团队的工程师还得“煞费苦心”地从语音资料中撷取有效的语音样本，将其加入 Google 的语音数据库。
▲ 告示牌也能使用 Google 翻译阅读。
“要教导机器了解人类的语言，以及语言中的重音与发声习惯，无疑是一件复杂无比的事，我们每天都在努力改善机器的表现。若我们替机器加入更多的语音样本，人们使用 Google 翻译就能获得更正确、更有用的结果。”图洛斯基说。
图洛斯基点出 Google 翻译所碰上的难题：语音资料的不足。族群庞大的语言并没有这种问题，可是对于族群较小（如波斯语），或是不常使用语音翻译的族群（如许多亚洲国家），Google 翻译就显得力有未逮，正确率也不尽理想。Google 必须想办法鼓励用户使用他们的语音翻译，才能够带来更完美的翻译结果。
▲ 用德语和英语交谈也没问题。
2014 年 5 月，微软公开一段 Skype 的即时口译演出，让美国人与德国人借由即时口译来交谈。虽然口译结果并不十分正确，两位当事人还是能够畅谈甚欢。微软研发部门主管的彼得．李（Peter Lee）表示，Skype 口译的用法就和一般的 Skype 差不多，唯一的差别是彼此不需要会讲对方的语言。
“想像一下，你可以将口中的德语，转换成文法与意义皆正确无误的英语，Skype 口译就是你所期待的未来。借由 Skype 口译，你几乎可以跟世界上的任何一个人沟通。”李这么表示。
▲Skype 口译不完美，却极富潜力。
微软研究机器翻译已超过十年，Skype 口译是最近才展现的成果。工程师原本使用高斯混合模型（GMM，一种古典的语音辨识方法）来建构语音资料，属于静态的概率函数。几年前，工程师认为高斯混合模型的应用效果不佳，便改采类似人脑运作的深度神经网络（Deep Neuron Networks，DNN），成为微软的新标准。
2010 年，微软获得一次成功的技术跃进。开发部门的法兰克．赛迪（Frank Seide）等人开发出一套新技术“The Translating Telephone”，能够将语音即时翻译为文字，或是口译为对应的语言。后来微软便以该系统为基础，反复投注语音样本，使得系统效能提升了 42%，进而促成语音助手 Cortana，以及 Skype 口译的问世。
▲ 借由 Skype 口译与外国人沟通。
就和 Google 翻译一样，微软花了许多心思，搜集到数量庞大的语音样本，从社群网络中寻找用户书写文字的语言习惯，利用这些资料持续训练系统，才让 Skype 口译具备现在的表现。
文字和语音本质上仍是不同的东西，其中的差别在于语音具有不流畅的混沌本质。举例来说，我们说话时经常用到发语词“嗯”、“喔”、“那个”，系统必须将其视为发语词，避免将其视为口译目标。
“那些发语词不属于语音的字。”微软的机器翻译首席，艾卢．曼尼兹（Arul Menezes）在部落格上表示，“有时候，人们会讲几个字，随后又从头讲出完整的语句。对于几种特定的语言，像是西班牙语，这种状况可能正好符合文法架构，要过滤这种状况十分棘手。我们过去几年持续努力，部分理由就是为了厘清语言的矛盾，填补文字和语音之间的鸿沟。”
▲Skype 口译的运作流程图。
语言博大精深，利用机器即时翻译的难度颇高，却绝非不可能的任务。人类实际钻研即时翻译领域的时间不过区区 20 余年，能有现在的成果实属难能可贵。若能够照这种速度持续进步，或许在你我的有生之年里，就有机会使用趋近完美的即时翻译，终结人类自从巴比伦之塔以来的漫长语言隔阂，美好的愿景令人期待不已呢。
（本文由 T客邦 授权转载；首图来源：Flickr/Alan Levine CC BY 2.0）
