翻译一场 Zoom 会议，代价是延迟

三个选项，三种失败方式

实时字幕。 Zoom 自带字幕和翻译。最便宜，也最安静地出错：一句译错的话，看上去和译对的一模一样，会上没人察觉得到。

真人口译。 准确，会议时间大约翻倍，因为每句话都要说两遍。谈合同值得，每周站会很难说得过去。

语音转语音工具。 机器把译文念出来。快到能撑住一段对话，并且错得很有底气。

延迟从哪来

三样叠加：等说话人讲完一个意群、翻译本身、生成语音。被低估的是第一样。等句子结束再动的系统更准、感觉更慢；提前开口的系统反应灵敏，但会说到一半自我修正。

把语音合成改成流式、不等整句说完，能从总时长里切掉肉眼可见的一块——一个工具「能用」和「不能用」的差别，多半就在这里。

越南语为什么更难

声调承载语义，所以丢掉声调符号的识别器会给出一个真实存在但不对的词。越南语的训练数据也比英语和中文少，而且多数模型是在朗读语音上调优的，不是三个人在糟糕网络上互相抢话。

会后拿它做什么

文字记录比实时翻译更有价值。会后把标好决议的记录发一圈，漏听一句的人可以去读，而不是来问。那是会议助手的活；实时翻译负责正在进行的对话。