谷歌翻译20周年庆生：四代AI革新带来首次呼吸感体验

4月28日，谷歌翻译迎来了自己的二十岁生日。谷歌CEO桑达尔·皮查伊在社交平台X上亲自发文纪念，他回顾道，这个二十年前的小型实验，如今已成为每月服务超10亿用户的全球工具，超过三分之一的实时翻译会话持续超过5分钟。

这个数字意味着什么？它意味着两个语言不通的人，已经可以借助AI完成一场“自然对话”。皮查伊在帖子中梳理了谷歌翻译二十年的技术演进脉络：2006年，它依靠统计机器学习，在小型词组中寻找规律；2016年，谷歌切换到神经网络，翻译第一次跳出了“逐字对译”的框架；而今天，随着Gemini模型的接管，谷歌翻译正从文本工具升级为实时对话工具，变得更加智能和实用。

如今，借助Gemini模型，戴上耳机，你就能拥有一个能保留原始语调和节奏的私人翻译。皮查伊认为这是一种神奇的体验，但他也指出了一个有趣的现象：当我们取得进展时，往往就开始将其视为理所当然。试想，如果你遇到一个能翻译100种语言、速度比任何人都快的人，你会觉得不可思议。但今天，有一个产品能在近250种语言间做到这一点，我们却几乎只是耸耸肩。

有网友回应道：“完全同意。当我们不了解创造这些卓越解决方案背后的技术、努力和艰辛时，就很容易把一切视为理所当然。”另一位网友则表示，谷歌翻译曾是自己最爱的翻译应用，但在大模型流行后，自己几乎不再使用它了，很高兴看到它能随着技术进步而改进。

从皮查伊的帖子和网友的回复中，我们能感觉到：谷歌翻译的这二十年，或许是一段被低估的历程。它曾被ChatGPT和各种大模型抢去风头，被遗忘在许多人的手机角落。但它并未停止进化。最近的一次，它又将谷歌每一代最强的AI模型，悄然塞进了自己的翻译引擎，让翻译第一次开始有了“语调”、“节奏”和“呼吸感”。

从“数词频”开始

故事始于2006年4月，谷歌翻译正式上线。那时的翻译，本质上是统计学。技术术语叫SMT，即统计机器翻译。

当时，谷歌向计算机输入数十亿字的文本，应用统计学习技术来构建翻译模型。简单说，模型并不“懂”语言，它只会计算概率。这种翻译风格生硬、逐词、机械，常常前言不搭后语。比如，中文菜单上的“鸡腿”会被翻成“chicken thigh”，“老婆饼”则成了“wife cake”。

但在2006年，这已是当时最好的方案。谷歌当时笃定一件事：翻译质量，本质上是个数据规模问题。谁手里的双语语料多，谁的统计模型就更准，而谷歌恰好坐拥全网最大的多语言文本库。这不仅是谷歌翻译的起点，也是后来大部分AI翻译系统的共同起点。

神经网络砍掉一大半错误率

真正的飞跃发生在2016年9月27日。谷歌研究团队发布博客，宣布GNMT上线，即谷歌神经机器翻译系统。

这是一次彻底的换血。老系统的逻辑是：把一句话拆成短语，各自翻译，再拼回去。而GNMT的逻辑是：把一整句话当成一个整体单位，送入神经网络，让网络自己学会将其“映射”成另一种语言。

效果是立竿见影的。根据双语人工评估，GNMT在多个主要语种对上，将翻译错误率降低了55%至85%。普通用户的直观感受是，翻译结果从“翻出来勉强能猜个大概”，一夜之间变成了“翻出来基本能直接用”。当时，仅中英翻译一项，谷歌翻译就完全转向GNMT，每天处理约1800万次请求。

GNMT的成功背后是两件关键事：一是Sequence-to-Sequence模型架构，让神经网络首次能处理变长输入和输出；二是当时刚刚部署的TPU张量处理器，将这种昂贵的计算压到了产品级响应速度。这两者并非专为翻译发明，但谷歌翻译成了它们第一个真正的产品级试验场。后来回看，GNMT是整个深度学习浪潮中，最早被推到十亿级用户面前的产品之一。

GNMT还带来了一个意外能力：零样本翻译。即使是没有直接训练过的语言对，它也能产出可读的结果。这比ChatGPT的诞生早了六年，堪称大模型时代到来前，自然语言处理在工业界最重要的一次落地。

大模型时代：一次新增110种语言

时间来到2022年至2024年，大模型登场。这次的跳跃不再依赖新架构，而是凭借强大的零样本学习能力。

2022年，谷歌利用“零样本机器翻译”技术，为谷歌翻译新增了24种语言。所谓“零样本”，就是模型从未见过这种语言的双语对照数据，却能凭借从其他语言中学到的知识进行翻译。这在SMT时代是不可想象的。

到了2024年6月，谷歌直接动用PaLM 2大语言模型，一次性为谷歌翻译增加了110种语言，覆盖了额外的6.14亿人口。这是谷歌翻译史上最大规模的一次语言扩张。PaLM 2在这里扮演了“语言之间的迁移引擎”角色，使模型能够高效学习相互接近的语言族。例如，学会了印地语，与之相近的Awadhi语和Marwadi语就能快速跟上。

值得注意的是，这次大规模扩张依靠的是PaLM 2，而非Gemini。Gemini更深度的整合，要等到2025年12月之后。

Gemini原生语音模型：翻译开始有了“呼吸感”

2025年12月12日，谷歌翻译迎来了最新一次换血。谷歌在最新博客中明确表示：将Gemini最强的翻译能力引入谷歌翻译。

具体落地体现在两方面。

第一，文本翻译升级。Gemini接管后，谷歌翻译终于能妥善处理俚语、习语和地方性表达。举个例子，英文俚语“stealing my thunder”，字面意思是“偷我的雷”，实际含义是“抢我风头”。老版本的翻译会硬生生翻成字面意思，而Gemini版本的翻译则能直接给出“抢走了我的所有关注”这种符合语境的表达。这背后的本质是，Gemini不再仅仅是翻译单词，而是在解析上下文。

第二，也是更重要的一点：耳机实时翻译Beta版上线。这是谷歌翻译第一次将能力从“文本”层推向“实时语音”层。其技术底座是一个新模型：Gemini 2.5 Flash Native Audio，即谷歌的音频原生模型。关键词在于“原生音频”。

传统的语音翻译走的是三段式链条：语音输入，转成文本，翻译文本，再合成语音。每一段都有信息损耗，最终语调没了，情绪没了，只剩下机器人般的朗读稿。而Gemini 2.5 Flash Native Audio走的是另一条路，谷歌将其描述为原生的“语音到语音”翻译。在这种模式下，模型能够保留说话人的语调、节奏和音高，让翻译开始有了“呼吸感”。

二十年，四代AI接力

把这几次关键跳跃放在一起看，会发现一个有趣的规律：谷歌每一代最关键的AI技术路线，几乎最终都会在谷歌翻译中找到产品化的落点。

2006年SMT时代，谷歌翻译是谷歌统计学习的早期落地场。2016年深度学习时代，它是Sequence-to-Sequence架构和TPU走向全球产品的标志性场景。2024年大模型时代，它借助PaLM 2完成了史上最大规模的语言扩展。2025年多模态时代，Gemini 2.5 Flash Native Audio又将谷歌翻译推向了原生语音实时翻译的新高度。

二十年，四代AI技术接力，这才是谷歌翻译真正的护城河，背后是一条从未中断的算法进化链。而一旦某项能力进入谷歌翻译，就有机会沿着谷歌的全球产品入口，被推向十亿量级的用户。谷歌公布过一组数据：每月通过谷歌翻译、搜索、镜头和圈选搜索这四个入口，合计翻译的文字量大约在1万亿词。

尽管OpenAI、DeepL等对手在语音交互和专业翻译领域给谷歌带来了压力，但短期内，它们很难复制谷歌这种十亿月活和多入口嵌入式分发的生态优势。例如，相比苹果方案需要特定AirPods与较新iPhone的搭配，谷歌的耳机实时翻译在支持地区可使用任意耳机。这正是非常典型的谷歌打法：将能力软件化、平台化，从而跨越硬件的护城河。

谷歌透露，这个月最常被翻译的短语是“Thank you”；而在过去二十年里的许多月份，位居榜首的也常常是它。谷歌翻译贯穿了谷歌多代AI技术路线，但人们最常说的那句话，却几乎从未改变。这件事本身，或许比任何技术参数都更值得玩味。