Gummy – 通义推出的端到端语音翻译大模型，能实时流式生成结果

Gummy是通义实验室于2024年云栖大会上发布的一款创新型端到端语音翻译大模型。其独特之处在于能够实时流式生成语音识别与翻译结果，支持包括中文、英语、粤语、日语、韩语、法语、德语、俄语、意大利语、西班牙语等十余种语言的语音输入，轻松转换为目标语言。Gummy利用先进的技术，显著降低翻译延迟，并提升翻译质量，已在多个测试集上取得尖端的成果。同时，该模型具备多语言混合翻译、术语干预及领域提示等多种商业化应用能力，能够在跨国会议等多样化场景中无缝翻译各国语言。

Gummy是什么

Gummy是通义实验室在2024年云栖大会上推出的一个全新端到端语音翻译大模型。该模型的设计旨在实时生成语音识别与翻译结果，支持多达十几种语言的语音输入，并将其流畅地翻译成所需目标语言。Gummy通过端到端架构有效减少了翻译延迟，提高了翻译质量，取得了在多个标准测试集上的SOTA（State of the Art）表现。其多语言混合翻译及术语调整能力，使其在国际场合中表现出色，无需提前指定源语种即可实现高效翻译。

Gummy的主要功能

• 多语言支持：Gummy能够处理包括中文、英语、粤语、日语、韩语、法语、德语、俄语、意大利语和西班牙语等多种语言的语音输入，实时翻译成目标语言。
• 端到端翻译：Gummy采用了端到端的设计，直接将语音转换为目标语言，简化了传统翻译系统的复杂流程。
• 低延迟翻译：该模型的翻译延迟低于0.5秒，速度甚至超过人类同声传译的反应时间。
• 高质量翻译：在多个公认的开源测试集上，Gummy展现出顶尖的翻译质量，达到SOTA水平。
• 流式翻译：Gummy支持实时逐句翻译，适合各种实时交流场景。

Gummy的技术原理

• 端到端设计：Gummy通过端到端架构将源语言的语音直接映射为目标语言的文本输出，极大地简化了开发流程，提升了系统性能。
• 深度神经网络：基于深度学习技术，尤其是深度神经网络，Gummy能够高效地学习语音与文本之间的复杂关系。
• 实时流式处理：支持同步进行语音识别和翻译，以实现边听边翻译的功能。
• wait & predict机制：模型内部采用独特机制，自动判断翻译时机，以优化翻译质量和延迟。

Gummy的项目地址

• 项目官网：tongyi.aliyun.com，目前Gummy的部分功能已在通义APP上上线，用户可下载体验。

Gummy的应用场景

• 实时语音翻译：Gummy能够在会议中实时翻译发言，为国际会议和多语言谈判提供同声传译服务。
• 教育和培训：在教育领域，Gummy辅助语言学习，实时翻译多语言教学内容，帮助师生克服语言障碍。
• 旅游和导航：为旅行者提供实时语音翻译，助力他们与不同语言的当地人进行交流，或在导航过程中提供多语言指引。
• 客户服务：在客户服务领域，Gummy作为多语言客服助手，提供快速而准确的语言支持，提升客户的满意度。
• 医疗咨询：在医疗领域，Gummy提供多语言的医疗咨询翻译服务，促进医生与患者之间的有效沟通。