雷锋网AI科技评论按：不同语言之间的语音到语音转换早已不是什么新鲜事了，任务拆分简单直接，只需要把「源语言的语音识别模型（语音转文本）」、「文本到文本翻译模型」、「目标语言的语音生成模型（文本转语音）」这三个模型串联使用就可以。由于这三类模型的发展都各自比较成熟，现在市面上如谷歌翻译这样的软件产品、如科大讯飞翻译机这样的专用硬件设备都能达到很好的多语互译效果，准确率和延时都让人比较满意。
但技术研究的探索并不会就此止步。谷歌的研究人员们做了一次大胆的试验，尝试把语音转文、文本到文本翻译、文本转语音这三个步骤合并到同一个端到端模型中完成！在论文「Directspeech-to-speechtranslationwithasequence-to-sequencemodel」（通过一个序列到序列模型进行语音到语音的直接转换，