DeepL 推出 DeepL Voice：支持 13 种语言实时语音转文字翻译

很多人跨国开会或者出国问路时，最怕的不是对方语速快，而是手里的翻译工具卡壳两三秒。

做文本翻译起家的德国独角兽 DeepL，终于把手伸向了声音。11 月 13 日，DeepL 正式上线了首款语音翻译产品 DeepL Voice。它能在你说话的同时，把语音实时转写并翻译成文字。

不过，它目前不做声音克隆，也不输出合成语音，给出的全部是文字字幕。

手机对折放桌上，两人各看一边

DeepL Voice 这次瞄准了两个非常具体的场景：面对面聊天和线上开会。

在面对面场景下，你可以掏出手机打开镜像模式，把手机平放在桌子中间。屏幕两头分别朝向两个人，各自对着手机说话，屏幕上就会实时显示对方母语翻译过来的文字。

线上会议方面，它目前只接入了微软的 Microsoft Teams，参会者说话时屏幕下方会直接滚出实时翻译字幕。至于大家常用的 Zoom 或 Google Meet，官方目前还没给出明确的接入时间表。

在输入端，DeepL Voice 目前能听懂 13 种语言，包括英语、德语、日语、韩语、法语、西班牙语等；而输出的翻译字幕，则支持 DeepL 翻译器现有的全部 33 种语言。

很多人好奇为什么不出声音。DeepL 创始人兼 CEO Jarek Kutylowski 解释得很直接：要想做到真正的零延迟实时对话，文字计算是目前最快的方案。一旦加上音频生成，延迟就会被拉长，现场沟通的节奏立刻就断了。

虽然语音数据必须上传到云端服务器处理，不能在手机本地跑，但 DeepL 强调，系统不会保留任何录音，也不会拿这些声音数据去训练自己的大模型，完全符合欧洲严苛的 GDPR 规定。

为什么重要

对普通用户和跨国团队来说，DeepL Voice 最大的价值就是稳和快。如果你经常要和海外同事在 Teams 上开会，或者需要在前台、展会和外国客户面对面沟通，它提供了一个延迟极低且翻译质量有保障的选择。不过目前它没有开放公开 API，也没支持微信或 Zoom，个人开发者和非 Teams 用户暂时还得等等。

对整个 AI 翻译行业来说，这也挑明了技术路线的分野。像 ElevenLabs 或 Panjaya 都在卷拟真配音和口型对齐，甚至 Kutylowski 透露 ElevenLabs 自己的翻译服务背后用的其实就是 DeepL。但 DeepL 并没有盲目去追声音克隆的时髦，而是先把文本字幕的低延迟和准确度做到极致。

我们认为，DeepL 的做法非常务实。语音翻译最核心的痛点永远是听得懂和接得上话，在跨语言会议里，没人愿意为了听一句逼真的 AI 假声音而多等两三秒。先把 Teams 企业市场吃透，再用自己专门优化过的翻译大模型筑牢壁垒，看起来比什么都想做要聪明得多。