智能语音技术经过多年的不断改进，尤其是语音识别精度的不断提高。基于智能语音技术的智能硬件已经脱颖而出。除了受到观众反复追捧的智能音箱外，智能翻译机已经悄然反击并合并进入这条快车道。

与智能扬声器不同，由于没有明确的应用场景，智能翻译机具有更具针对性的应用场景，如商务会议、出国旅行，这对深度学习算法提出了更高的要求。

机器翻译系统：RNN、CNN、transformer

智能翻译机的技术基础仍然是智能语音技术。这与智能扬声器非常相似。其中，神经网络翻译系统尤为关键。主要制造商已对该系统进行了自我研究，例如谷歌的GNMT、。 INMT、搜狗SNMT等。

用于机器翻译的神经网络系统的最经典的基本技术可以分为两类：——RNN（循环神经网络）和CNN（卷积神经网络）。主要区别在于两种系统的执行顺序不同。使用RNN神经网络的机器翻译系统是顺序执行任务。在进行翻译工作时，整个句子应该从左到右或从右到左执行，具有高精度。但是，系统硬件GPU的并行计算能力无法完全应用；使用CNN神经网络的机器翻译系统并行执行任务，计算效率更高。

智能语音技术如何节省翻译人员：技术选择和翻译人员

CNN卷积传输图

尽管使用CNN的系统在计算上更有效，但是在机器翻译中使用CNN的神经网络系统不如使用RNN的神经网络系统，尤其是在翻译精度方面。因此，许多一直在做翻译机的公司已经在RNN和CNN上进行了长时间的跟进，但每个产品中使用的翻译系统仍然基于RNN架构。2017年5月，Facebook的FAIR团队使用新的CNN架构提出了fairseq。官方数据比基于RNN的机器翻译系统快9倍，而且准确度也是当时最好的。这曾经被认为是机器翻译系统技术的转折点。根据雷锋网的说法，就在一个月之后，Google发布了《注意事项就是你所需要的》论文提出了一种不使用CNN和RNN的变压器架构。该官员说，使用这种架构的机器翻译模型实际上已经超过了所有时间。开放式机器翻译模型。

2018年9月深圳市钜弘科技有限公司推出了T5智能语音翻译机。在线支持41种语言互译，采用了多个翻译引擎可识别不同场景对话，能够根据现场的语言环境提供相应的翻译结果，不用担心翻译不准确。通过大声场地高保真扬声器播，产生真人对话般的音效。轻松应对户外、会展、party等声音嘈杂场合。