DeepL Aure：翻译开始保留情绪

DeepL 不只翻译你说了什么，还要翻译你怎么说

DeepL 在 11 月 11 日发布语音翻译模型 Aure，试图解决实时翻译里一个长期被忽略的问题：翻译结果可以语义正确，却把说话者的情绪、强调、犹豫和节奏全部抹平。

Aure 是 DeepL 为实时跨语言对话打造的语音 AI 模型，核心能力是在翻译内容的同时，动态保留说话者的音色身份、语气变化、情绪表达、重音位置和说话速度。

Aure 已自动应用于 DeepL Voice 的在线会议、面对面交谈和语音 API 三类产品，无需用户额外选择模型或调整参数。首发支持英语、德语、西班牙语、法语、意大利语、日语、葡萄牙语和韩语，共 8 种语言；暂未覆盖中文，其他语言仍由 DeepL Voice 原有语音模型处理。(deepl.com)

这次更新的重点并不是把合成声音做得更悦耳，而是让翻译后的声音能够跟着原说话者实时变化。

一个人在谈判中突然放慢语速、加重某个数字，和他用平稳语气念出同一句话，传递的信息并不相同；一句表面肯定的话如果带着明显讽刺，也不能只按照字面意思生成热情的肯定语气。传统语音翻译经常能翻对单词，却把这些影响判断的副语言信息压缩成同一种播音腔。

Aure 要做的，就是把这部分过去被模型丢弃的信息重新带回翻译结果。

从复制音色，到追踪声音的实时变化

声音保留是让译文听起来仍像原说话者，动态表达保留则是让译文跟随原说话者当下的状态持续变化。

DeepL 在 2026 年 9 月已经为 Voice 推出声音保留能力，使不同参会者在跨语言翻译后仍能保持可辨识的个人音色，而不是所有人都被替换成同一个标准合成音。不到两个月后的 Aure，则把能力从静态的声音身份推进到动态的表达过程。(deepl.com)

此前的模型更像是在通话开头为每个人拍下一张声音证件照：根据最初几秒钟判断音色、音高和发声特点，随后用这个固定模板合成整场对话。这个方案可以回答谁在说话，却很难表达这个人此刻是兴奋、迟疑、疲惫，还是在刻意强调风险。

Aure 更像是一台持续工作的摄影机。它不会只读取开场时的声音样本，而是不断分析新进入的源音频，并结合已经翻译的词句，实时决定译文应该用多快的速度、在哪里停顿、哪些词需要强调，以及整体情绪应当如何变化。

这种区别在商务场景中尤其明显。销售人员介绍产品时的热情、管理者宣布裁员时的克制、工程师解释事故时的紧张，以及客户表达不满时逐渐加重的语气，都可能比字面内容更影响听者判断。

Aure 难的不只是翻译准确

实时语音翻译是一个同时受准确率、延迟、声音自然度和表达保真度约束的多目标问题。

传统的实时语音翻译通常可以被理解为三个连续环节：自动语音识别先把声音转成文字，机器翻译再把文字转换为目标语言，最后由文字转语音模型生成声音。三段式架构便于分别优化，但每经过一个环节，原始音频中的情绪、韵律和停顿信息都可能损失一次。

端到端或深度融合的语音翻译系统则会保留更多音频特征，让生成模块不仅看到译文文字，还能参考源音频中的节奏、音高和强弱变化。音频编码器处理的不只是说了哪些音素，也包括语速、韵律、说话人特征和上下文线索；最终能保留多少表达，则取决于模型架构、训练数据和语音生成能力。(zhuanlan.zhihu.com)

DeepL 对 Aure 的技术描述显示，其训练过程尝试把三类信息拆开处理：说话者的声音身份、表达韵律以及实际说出的内容。模型可以将三者分别迁移到目标语言，再利用强化学习调整翻译准确性、语音质量和自然度之间的平衡。(deepl.com)

这种拆分很关键，因为模型不能简单复制源语言的所有发音特征。英语、日语和德语的句子结构、重音规则及自然停顿位置并不相同，如果机械照搬源语言韵律，生成结果可能保留了说话者，却像带着夸张口音朗读另一种语言。

Aure 还必须把环境噪声、回声和麦克风失真从有效表达中分离出来。会议室里的键盘声不属于说话者的情绪，耳机回声也不应该成为声音身份的一部分；但叹气、短暂停顿和音量变化有时又包含真实含义，过度降噪同样会损伤表达。

更棘手的问题是低延迟。模型如果等待整句话结束再翻译，容易获得更完整的上下文，却会让交流变成轮流等待；模型如果过早输出，又可能因为句子后半段改变含义而反复修改结果，形成字幕和语音不断闪烁、回滚的体验。

Aure 的产品价值因此不能只看声音是否逼真，还要看它能否在实时约束下稳定完成表达迁移。

和现有实时翻译方案相比，Aure 强在哪里

Aure 的差异化并不是支持语言最多，而是把动态韵律保留放在了产品能力的中心。

下面的对比基于各家公开资料，模型的测试集、语言方向和评测方法并不相同，不能视为统一跑分。

| 产品或方案 | 主要定位 | 公开语言覆盖 | 声音与表达能力 | 实时输出重点 | 当前限制 | |---|---|---:|---|---|---| | DeepL Aure | 企业会议与面对面语音翻译 | Aure 首发 8 种语言 | 保留音色，并动态追踪语气、情绪、重音和语速 | 在翻译准确性基础上保留表达 | 不支持中文，未公开独立延迟与自然度跑分 | | DeepL Voice 原有模型 | 实时字幕与语音翻译 | 产品整体覆盖范围高于 Aure | 可保留说话者声音，但动态表达能力较弱 | 稳定、低延迟的企业沟通 | 部分语言无法获得 Aure 能力 | | Qwen3.8-LiveTranslate | 多语言实时同传 | 公开资料称支持 60 种语言 | 支持说话人分离与音色复刻 | 字均延迟由 2.8 秒降至 2.3 秒，并强化长上下文消歧 | Aure 与其没有公开统一评测结果 | | 常见会议平台翻译 | 会议字幕与基础语音输出 | 通常覆盖较多语言 | 多使用通用合成音，个体表达保留有限 | 易部署、与会议平台深度集成 | 翻译后的声音容易同质化 |

Qwen3.8-LiveTranslate 的优势是语言覆盖和公开延迟数据，官方披露其字均延迟从 2.8 秒降至 2.3 秒，并支持 60 种语言、说话人分离和音色复刻；Aure 的优势则更集中在每句话内部的情绪、重音和节奏变化。两者代表了实时翻译的两条优化路线：一条优先扩大语言覆盖并压缩延迟，另一条优先减少跨语言交流中的人格损失。(zhuanlan.zhihu.com)

DeepL 曾引用第三方测试称，DeepL Voice 翻译字幕的错误率为 4%，而 Microsoft Teams、Google Meet 和 Zoom 的平均值为 17%。这组数据可以说明 DeepL 在翻译文本稳定性上的基础，但它早于 Aure 发布，也不是针对动态语音表现的评测，因此不能直接证明 Aure 的情绪复现优于竞品。(deepl.com)

最大的问题：DeepL 仍然没有给出硬指标

Aure 目前最明显的短板不是产品思路，而是缺少足以验证官方宣传的公开数据。

DeepL 将 Aure 称为旗下最具动态感、最逼真的语音 AI 模型，但没有同步公布端到端延迟、首包音频时间、语音自然度 MOS 分数、说话人相似度、情绪识别准确率，或与上一代模型进行盲测的人类偏好数据。

对于强调情绪和韵律的模型，只放演示音频并不足够。一段精心选择的演示可以突出模型最擅长的语种、说话人和录音环境，却无法回答多人抢话、网络抖动、强口音、背景音乐、代码与缩写混杂等真实问题。

Aure 也没有单独公布价格。模型能力会自动进入现有 DeepL Voice 产品，但企业用户最终是否值得采用，仍取决于完整席位成本、语音 API 计费方式、并发限制、数据驻留选项及会议平台部署成本。

中文缺席则是 Aure 对国内用户最直接的限制。英语、德语、法语等 8 种首发语言能够覆盖大量欧美和日韩商务场景，却无法处理中文与这些语言之间最常见的跨境会议需求；即使 DeepL Voice 使用旧模型继续提供其他语言服务，用户得到的也不是同一档表达保留能力。(ithome.com)

语音翻译正在从工具变成沟通界面

Aure 的真正意义，是把实时翻译的竞争指标从字面准确率扩展到人物身份和表达完整性。

过去评估翻译系统，核心问题是有没有听错、有没有译错，以及延迟能不能接受。随着基础识别和翻译质量逐渐提高，竞争开始转向更难量化的部分：听众能不能判断对方是在质疑还是确认，是在开玩笑还是表达不满，是胸有成竹还是明显犹豫。

这种能力不会立刻取代专业同声传译。专业译员会根据行业背景、文化语境和现场关系主动重组信息，也知道哪些情绪应该保留、哪些表达需要适当弱化；模型如果不加判断地复刻愤怒、讽刺或歧视性语气，反而可能放大跨文化冲突。

但 Aure 很可能首先改变高频、标准化的企业交流。跨国团队周会、客户支持、产品培训、远程销售和线下接待不一定值得长期配置人工译员，却比普通字幕更需要自然、连续且能够区分人物的语音体验。

DeepL 的产品策略也相当明确：它没有把 Aure 包装成一个需要用户研究参数的新工具，而是直接将其放入会议、面对面交流和开发接口三条现有链路。对于企业软件来说，自动升级通常比增加一个模型选择框更有效，因为大多数用户只关心对话是否变自然，而不关心底层模型叫什么。

我们的判断

Aure 是一次方向正确、技术目标清晰，但仍需要公开评测证明实力的模型升级。

它抓住了实时翻译从可用走向自然时最关键的一层：语言障碍不只是听不懂单词，也包括看不见对方的态度和状态。把音色留下来，只解决了这个声音是谁；把语气、情绪和节奏留下来，才开始回答这个人究竟想怎么说。

Aure 对企业会议的实际价值，很可能高于它在普通翻译应用中的价值。会议参与者需要连续跟随多人对话，并快速判断重点、立场和情绪变化，动态表达保留能够降低认知负担；对于查询一句菜单或翻译一段录音的用户，这种能力则未必值得额外成本。

Aure 还不能被称为实时语音翻译的决定性突破。DeepL 没有公布延迟、语音自然度和复杂环境鲁棒性数据，中文也不在首发范围内，现阶段更像是把行业竞争带到了一个新的考场，而不是已经交出无可争议的最高分答卷。

值得关注的是，下一轮语音翻译竞争不会只比较谁支持的语言更多、谁能更快吐出字幕，而会比较谁能让说话者跨过语言边界后，仍然像他自己。

参考来源

• IT之家：DeepL 推出语音 AI 翻译模型 Aure —— Aure 发布时间、首发语种、产品覆盖范围及暂不支持中文等信息。
• 知乎：实时同声传译是如何实现的 —— 语音编码、三段式翻译和端到端语音翻译的技术背景说明。
• 知乎：Qwen3.8-LiveTranslate 发布介绍 —— 用于对比实时同传的语言覆盖、说话人分离和字均延迟数据。