刘坚：火山翻译引领机器翻译新潮流

刘坚，字节跳动火山引擎生态伙伴产品经理（机器翻译方向），主要负责火山翻译算法的商业化和企业级应用。本科和硕士毕业于北京外国语大学，英语专业八级，俄语专业八级， 5年AI技术商业化经验，加入火山翻译团队后，参与了火山同传、火山翻译Studio等多项本地化及翻译相关产品的设计和研发工作，完成包括“村上隆中国直播首秀”、 “2021年北京智源大会”等数场线上线下会议的同传字幕支持。

刘坚经理：

首先，我想强调实习的重要性，它让我有机会观察并试验自己是否适合某些领域和岗位。我起步于内容运营，利用我所学的外语知识进行海外内容收集，并负责公众号相关工作。这段经历让我对互联网行业有了初步的认知和了解。之后，我开始探索其他的工作方向，如产品运营和商务岗位等。有幸进入大型互联网公司实习后，我发现，外语人在这些岗位上是可以发挥自身专业优势的。当时我主要负责国际商务岗，包括日常工作和产品推销。在产品商业化的过程中，我深入了解产品细节，尝试构建特定的商业模式，积累了丰富的实战经验。这三年的工作经历让我体验了如何从无到有构建产品。后来结合自身外语背景，我开始关注机器翻译，最终加入了字节跳动火山翻译团队。

如果打算进入互联网行业，我建议大家不要把互联网视为一个大一统的行业。互联网公司的类型和领域繁多，像BAT、字节、美团、小米等大家熟知的互联网公司，他们在互联网领域中的专注点各不相同，有的专注于游戏，有的专注于硬件，还有的提供搜索引擎、社交软件或电商服务。由于类型和领域差异巨大，各个公司的产品运营岗位差别也很大。因此，我建议在决定进入互联网公司之前，应该对领域进行细分研究，或者通过实习来深入了解互联网行业。

另外，我鼓励大家不要放弃任何机会，尽可能利用调研和面试。面试是一个很好的机会，可以让你深入了解企业或业务负责人的整体状况。无论你的学历如何，只要你能投递简历，对方愿意跟你面试，那就说明他们是真的有需求，有职位需要填补。这也意味着这家公司的业务发展得不错。所以，我们要抓住每一次机会，尤其是面试机会。写一份好的简历，表现出对岗位的深入研究和热情，这都是成功的关键。

刘坚经理：

机器翻译技术的商业化应用非常广泛。自我加入字节跳动以来，我亲身参与了从零到一的机器翻译产品线的梳理和落地。我们现有的产品线中，基于机器翻译模型的应用形态多种多样。按照模态来划分，大致可以分为以下几类：

（1）文本翻译：这是最基础的应用，包括提供API供其他程序调用，以及开发网页版翻译器、浏览器插件、小程序等。此外，如果我们把文本翻译模型部署到硬件设备上，还可以开发出各种硬件设备。

（2）视频翻译：这类应用主要包括音视频翻译和图片翻译。音视频翻译一般会采用语音识别技术，然后通过断句和翻译，实现视频或音频文件的批量翻译。图片翻译则是结合OCR文本识别和翻译，将原文贴回图片上。

（3）实时语音翻译：这类应用主要针对实时音频流，如电话或视频聊天等场景。实现这类应用需要流式语音识别和实时翻译，其技术难度较大，不能简单地串联两个接口实现。

（4）实时视频翻译：此类应用主要用于直播翻译，实时将音频和画面进行译文输出。这类应用也可以部署到小程序中，实现拍照翻译或电话翻译等场景。同时，音视频翻译也可以部署到硬件设备中，比如实时随身翻译机。这些都是基于机器翻译技术的主要应用形态。

接着，我们来谈谈火山翻译。火山翻译是我们的主打产品，主要包括网页版翻译、Chrome插件以及小程序。火山翻译的优势主要有三点：

（1）出色的翻译效果：火山翻译基于字节跳动的自有设备进行翻译，因此在日常场景的翻译效率和效果上都表现优秀。我们的底层数据主要来源于泛娱乐和短视频场景，因此翻译结果更接近人的口语表达。

（2）强大的算法团队：我们拥有国内规模最大的机器翻译算法团队之一，因此能够针对业务应用中的问题进行深度优化。

（3）丰富的领域涉猎：我们自身涉及的领域广泛，包括医疗、房产、电商、游戏、金融等，因此能够针对这些特定场景进行翻译优化。我们是最早推出垂类翻译模型的公司之一，因此在特定领域的翻译效果上具有优势。

火山翻译的发展和进步离不开我们整个团队的努力，我们始终坚信，机器翻译技术的发展将会对人们的生活产生深远的影响。

刘坚经理：

我们的“影院级字幕”视频翻译解决方案是一项独家的专利技术。它的出发点源于公司内部的实际需求，而非仅仅为了研发翻译产品而猜测的需求。这种出发点使得我们的解决方案在业务场景中具有真实的价值。

这项技术主要适用于直播领域。对于预录制的视频，一句一句的翻译方式可能没有太大的价值。然而，对于直播或者实时会议这种场景，传统的实时翻译方式——逐字识别并同步出译文，效果并不理想。主要的问题在于，译文的出现往往会落后于发言人的讲话，导致观众的理解与实际内容出现错位。为了解决这个问题，我们提出了“影院级字幕”这种解决方案。

具体来说，我们的翻译系统在接收到直播信号后，会将直播信号进行缓存。在缓存的同时，我们将音频送给语音识别引擎进行识别，然后进行翻译。然后在一定的时间窗口后，如十秒或二十秒，我们将已翻译好的字幕与缓存的画面同步发送给下游观众。这样，虽然增加了一定的延时，但观众看到的将是与画面同步的字幕，提升了观看体验。不仅如此，我们的这个解决方案还有一个额外的优势。由于从接收到画面到最终推送给用户观看，我们的系统有一段缓存时间，语音识别和翻译工作都可以在这段时间内完成。这就为我们提供了机会，在推送之前对字幕进行二次优化，进一步提升了翻译的质量。

以上就是我们的“影院级字幕”视频翻译解决方案的原理和应用场景，以及它相比其他翻译技术的创新之处。

刘坚经理：

直播翻译的实现固然存在诸多技术难点。首先，对于大多数互联网公司的机器翻译团队来说，人员储备主要偏向算法以及与算法相关的工程开发。客户端前端及应用级的工程团队人力储备较为有限。这是因为，除非参与到业务的核心部分，否则这类人才在算法团队中可能会闲置，没有太多的工作可做，也难以实现个人成长。其次，机器翻译并不是大型公司主要的盈利业务，也不是那种备受瞩目的业务。这意味着公司对这个领域的投入可能不会太大。在孵化业务的初期，我们可能会在资源上遇到一些瓶颈，因为我们没有足够的收入来支持大规模的资源投入。这也就意味着我们在解决问题的时候，资源协调可能会成为一个棘手的问题。再者，对于直播翻译这个任务，我们需要处理的流媒体协议（如RTMP等）涉及到的技术实际上是跨领域的。虽然我们可以做好翻译部分，但是这种跨领域的技术积累仍然需要我们去解决。在大公司里，每个部门都有自己的目标和责任，想要横向拉动其他部门的资源来共同完成任务难度颇大。

刘坚经理：

对于你的问题，我认为其答案与大多数挑战的解决方式相似：自我学习并寻求外部资源。你不能完全依靠自己来解决问题，因为它涉及到专业领域，不是仅凭努力就能解决的。但如果你自己不努力，也是无法解决的。举个例子，我们早些时候做过一期村上龙的直播，那个时候，我们的基础设施非常弱，甚至对这个项目能否完成都没有把握。当时甲方提出一个需求，希望实现集聚的直播。但市面上并没有这样的解决方案，能做到这一点的可能只有我们。我们申请了这个方案的专利，因为我还没看到其他公司有类似的方案。所以，你需要自己去调研。别人可能会帮你分析几分钟，十几分钟，但他们不可能真正有能力和动力去针对你的场景进行研究，因为这不是他们的工作。我们需要发挥逻辑思考能力去推理。恰好我高中的背景是理科，我选择互联网的原因是我是计算机爱好者。因此，我对这个领域有一定的敏感度，能理解他们的底层技术是怎么运作的。在这个过程中，就像是吃百家饭一样，从各方面学习，逐渐掌握了这个领域的一些框架和基本原理。然后基于这个基础，寻求更有针对性的资源。例如，我们如何解决在直播中对于上游的RTMP流的分离？或者是通过硬件的方式实现？这需要我们对直播流协议的技术进行了解。在这个过程中，我在公司内部找了三四拨人进行协助，然后逐渐提升技术积累。从最初有这个想法到真正实现，经历了半年的时间，再到真正的产品化、系统化的落地，一共用了大约两年的时间，从2020年8月份开始，直到2021年12月份才完成。

刘坚经理：

首先，让我们谈谈机器翻译未来的发展趋势。机器翻译作为有具体应用场景的领域，有很大的发展机会。特别是在大规模线上环境和实时交流中，人工翻译在效率上无法满足需求。这样的场景对于机器翻译的需求非常大，例如在线聊天系统或者游戏内玩家间的跨语言交流。在未来，我预见人工翻译和机器翻译会逐渐融合。高端的人工翻译，如同声传译或专业研究，还会继续存在。但是日常的翻译工作可能会有所转变。外语专家将协助大型的翻译机器翻译公司去开发更强大的翻译系统。这也将极大地释放他们的专业潜能并提升工作效率。就我看，一个行业的发展周期大约在三到五年。我们现在使用的机器翻译技术基于2015年谷歌的“Attention is all you need”论文，这代表了机器翻译的上一代技术。从这个技术在2015-2016年问世后，我们熟知的机器翻译应用就如雨后春笋般出现。我预计这一代的机器翻译技术在2020年左右达到饱和，开始进入内卷状态。在这个阶段，对翻译质量的要求会提高。然而，就在这时，新一代的机器翻译技术如GPT-3和GPT-4等开始崭露头角。因此，我认为这代机器翻译的竞争其实没有真正展开，就已经进入了下一代。在增长期阶段，我注意到的现象主要出现在2016年至2019年间，包括大家对技术的关注和应用。以机器翻译系统为例，当我们在2017年和2018年讨论这个话题时，一般情况下，客户并不会过于关心翻译的质量，是否存在错误（也就是”bad case”）对他们来说并不重要。以专利局为例，他们需要审核大量的海外资料，这些资料需要进行正确的翻译，但人工进行这项工作的人力和时间成本太高。因此他们需要一个能满足需求的系统。在这种情况下，只要翻译质量不是极差，他们就能接受。但是到了2020年，我发现客户开始要求我们做得更好，这就意味着我们需要面对更大的挑战。

我想强调的一点是，我认为外语专家的工作将会帮助我们生产更优质的数据，在GPT时代，他们的工作将会变得更有价值。因为当你的能力扩大数百倍后，你的工作效率将会有一个质的提升，相比于人类的翻译能力，它会更有效率。我预测的一个未来趋势是，AI和生成式系统会对我们产生明显影响。因为这类模型的优点在于它们不再依赖传统的结构，并且对双语数据的需求大大降低，同时对单语数据的使用效率变得更高。因此，这类模型生成的译文通常更自然。举个例子，如果我用机器翻译系统翻译”China and US brothers”，我可以翻译成”中美亲如手足”，也可以翻译成”中美是兄弟”。有些人可能认为前者过于主观，而后者过于机械。作为机器翻译系统的开发者，我更倾向于后者，至少它能满足大多数人的需求。但在AI时代，我们可以通过GPT提供更个性化的服务，这将大大降低外语专家优化模型的成本。

原来的翻译链条是这样的：作者创作内容，然后由外语专家把它标注成双语数据，再由算法工程师训练模型并部署服务。在这个过程中，外语专家不能参与到数据和模型的转化过程中，而这一步在商业应用中是最重要的。但在AI时代，由于单语数据的数量和参数的增长，对双语数据的需求实际上降低了。在这个时候，我们可以利用AI来帮助我们制定更优质的翻译方案，我认为这是一个新的趋势，也是外语专家的一个新机会。