DeepL 推出 DeepL Voice：支援 13 種語言即時語音轉文字翻譯

很多人跨國開會或者出國問路時，最怕的不是對方語速快，而是手裡的翻譯工具卡殼兩三秒。

做文本翻譯起家的德國獨角獸 DeepL，終於把手伸向了聲音。11 月 13 日，DeepL 正式上線了首款語音翻譯產品 DeepL Voice。它能在你說話的同時，把語音即時轉寫並翻譯成文字。

不過，它目前不做聲音克隆，也不輸出合成語音，給出的全部是文字字幕。

手機對摺放桌上，兩人各看一邊

DeepL Voice 這次瞄準了兩個非常具體的場景：面對面聊天和線上開會。

在面對面場景下，你可以掏出手機開啟映象模式，把手機平放在桌子中間。螢幕兩頭分別朝向兩個人，各自對著手機說話，螢幕上就會即時顯示對方母語翻譯過來的文字。

線上會議方面，它目前只接入了微軟的 Microsoft Teams，參會者說話時螢幕下方會直接滾出即時翻譯字幕。至於大家常用的 Zoom 或 Google Meet，官方目前還沒給出明確的接入時間表。

在輸入端，DeepL Voice 目前能聽懂 13 種語言，包括英語、德語、日語、韓語、法語、西班牙語等；而輸出的翻譯字幕，則支援 DeepL 翻譯器現有的全部 33 種語言。

很多人好奇為什麼不出聲音。DeepL 創始人兼 CEO Jarek Kutylowski 解釋得很直接：要想做到真正的零延遲即時對話，文字計算是目前最快的方案。一旦加上音訊生成，延遲就會被拉長，現場溝通的節奏立刻就斷了。

雖然語音資料必須上傳到雲端伺服器處理，不能在手機本地跑，但 DeepL 強調，系統不會保留任何錄音，也不會拿這些聲音資料去訓練自己的大模型，完全符合歐洲嚴苛的 GDPR 規定。

為什麼重要

對普通使用者和跨國團隊來說，DeepL Voice 最大的價值就是穩和快。如果你經常要和海外同事在 Teams 上開會，或者需要在前臺、展會和外國客戶面對面溝通，它提供了一個延遲極低且翻譯質量有保障的選擇。不過目前它沒有開放公開 API，也沒支援微信或 Zoom，個人開發者和非 Teams 使用者暫時還得等等。

對整個 AI 翻譯行業來說，這也挑明瞭技術路線的分野。像 ElevenLabs 或 Panjaya 都在卷擬真配音和口型對齊，甚至 Kutylowski 透露 ElevenLabs 自己的翻譯服務背後用的其實就是 DeepL。但 DeepL 並沒有盲目去追聲音克隆的時髦，而是先把文本字幕的低延遲和準確度做到極致。

我們認為，DeepL 的做法非常務實。語音翻譯最核心的痛點永遠是聽得懂和接得上話，在跨語言會議裡，沒人願意為了聽一句逼真的 AI 假聲音而多等兩三秒。先把 Teams 企業市場吃透，再用自己專門最佳化過的翻譯大模型築牢壁壘，看起來比什麼都想做要聰明得多。