🗂️ 讽刺和认真终于能分开了：DeepL 新语音模型 Aure 把语气、停顿、语速一起翻过去

11 月 11 日，DeepL 发布了新的语音模型 Aure。它改的不是「译得准不准」，而是「听上去是什么语气」——同一句话你是在开玩笑、在施压还是只是累了，翻过去之后对方能分得出来。旧方案只抓对话开头几秒的声音样本，Aure 改成全程边听边跟。以下基于 DeepL 官方新闻稿（英、日两版同日）、官方产品页与定价页，以及多家媒体转述整理。

⚡ 3分钟看懂

• 是什么：DeepL Voice 的新语音模型，负责把「说话的方式」也翻过去，不只是词。
• 变了什么：旧模型用对话开头的一段声音当模板，Aure 全程持续分析原始音频 + 译后文本。
• 自动生效：不需要配置，DeepL Voice 的在线会议、面对面、Voice API 三个场景直接切换到新模型。
• 先覆盖 8 种语言：英语、德语、西班牙语、法语、意大利语、日语、葡萄牙语、韩语；其他语言继续用旧语音模型。

🧩 它到底是什么：从「开场采样」到「全程跟声」

要理解 Aure 干了什么，得先知道它替代的东西有多笨。

旧的 DeepL Voice 会在对话开始的头几秒抓一段你的声音，用这段样本确定「这个人的声音长什么样」，然后整场会议都用这个设定来生成译文语音。这段样本能回答「谁在说话」，回答不了「他现在是怎么说的」。

问题就出在这。真人说话时，语气是流动的：宣布坏消息前会停半拍，谈判施压时会加重某个词，跟全球团队报好消息时声调会往上走。更麻烦的是「说的和想的不一样」——讽刺、反话、客套，全靠语气承载。固定样本追不上这些变化，翻出来就是一段语气平直、意思正确、但完全不对味的话。

Aure 换了个思路：每一句都重新判断。它同时吃两路输入——已经译好的目标语言文字，和说话人的原始音频——然后决定这一句该怎么念。原始音频提供「怎么说」的信息，译后文本提供「说什么」。两路合起来，才能让译文语句的语调跟着源语言那边一起变。

技术上最难的一点，是训练数据本身不存在。DeepL 明确写了：同一个说话人在多种语言下的真实录音极少。而这个产品又不允许拿用户数据来补——DeepL Voice 不永久保存会议转写和译文，会话一结束就从内存里删掉。也就是说，模型必须在一个人还没说完第一句话的时候，就把他的音色、韵律、说话节奏抓出来并适配好。

DeepL 的做法是把三样东西拆开处理：说话人的音色（voice identity）、韵律和语调（prosody）、说话内容（content）。三者在训练时被分离，翻译时各自独立迁移到目标语言。之后再叠加一层强化学习，专门压住输出里的口音痕迹，避免出现「一听就是外国人在说中文」那种效果。

这套拆法解决的是一个很具体的取舍：跨语言的音色迁移，比同语言内难得多。稍不注意就会把原说话人的口音特征放大，或者把声音变得不像本人。DeepL 的说法是，同时解决这三点，才是 Aure 和别人的差别所在。

🎯 为什么重要：跨语言会议里最难翻的其实不是术语

过去几年，实时翻译的竞争焦点一直在「词准不准」和「延迟低不低」。这两个指标确实重要，但它们解决的是「听懂」，不是「听懂意思」。

举个具体场景。跨国谈判里，对方说「这个价格我们可以再讨论」，重音落在「再」上，语气往下压——这是拒绝了，只是留了个台阶。如果重音丢了、语调平了，译出来就变成「价格可谈」，意思正好反过来。会议记录不会出错，但判断会出错。

再比如跨时区开会，一个同事用疲惫的声音说「没问题，我可以接」，字面是答应，语气是不情愿。语气丢了，你就不会追问，最后交付出问题。这类误判每天都在发生，而且没人会把它归因到翻译工具上。

所以 Aure 的价值不在于「更自然好听」，而在于它把一层原本只有同语种交流才有的信息，搬到了跨语言交流里。用 DeepL 自己的说法：过去跨语言沟通意味着要牺牲表达方式，现在反过来，让技术去适应用户自然的说话方式。

从商业角度看，这也解释了 DeepL 为什么把重心压在语音上。它的文本翻译是成熟业务，200,000+ 家企业客户、900 多名员工、2017 年成立；语音是增量市场，而语音的付费意愿集中在会议和客服两个高频场景。DeepL Voice 已经进了 Microsoft Teams、Zoom Meetings、Google Meet，字幕覆盖 40 多种语言；面对面场景做成了端上处理，覆盖 iOS、Android 和网页。客户名单里有 Pioneer、Aramark、Avendra International、Inetum——都是典型的跨地域运营公司。

一个值得注意的细节：Aure 是 DeepL 今年在这条线上的第三步。9 月先上了「声音保留」（让别人听到的是你自己的声音，而不是通用合成音），11 月 11 日上 Aure（保留声音在对话过程中的变化）。路线很清楚——先把「像你」做出来，再把「像你此刻的状态」做出来。

✅ 适合谁，不适合谁

适合的场景：

• 跨语言谈判、销售电话、供应商沟通。这类场景里，「怎么说的」直接决定商业判断。
• 跨国团队的日常站会与周会。信息量大、语气平淡，但需要判断对方是否真的认同。
• 客服与 BPO 的语音渠道。同一句话的安抚语气和敷衍语气，客户体验完全不同。
• 需要把会议内容给多语种同事复盘的团队。字幕 + 语音双轨，比事后翻译纪要快得多。

不适用场景：

• 要求逐字准确的场合，比如法律口供、医疗问诊、合同条款确认。Aure 优化的是表达的自然度，不是术语的绝对准确率；这类场景应该用文本翻译 + 人工复核。
• 多人抢话、强噪声环境。官方明确提到要滤除背景噪声、回声和音频失真，但现实会议里三个人同时说话，任何实时系统都会掉链子。
• 需要长期留档的会议。DeepL Voice 不永久保存转写和译文，会话结束即从内存删除。要留档得自己另存，这既是隐私优势也是流程约束。
• 小语种。首发只有 8 种语言，其他语言仍走旧语音模型，拿不到 Aure 的效果。

🚀 怎么用：三条上手路径

1. 在线会议：在 Microsoft Teams、Zoom Meetings 或 Google Meet 里启用 DeepL Voice for Meetings，需要单独的 Voice for Meetings 订阅。开启后，参会者用自己的语言听会议，字幕同步显示；Aure 无需额外开关，自动生效。
2. 面对面：用 DeepL Voice for In-Person Conversations，iOS、Android 和网页都能开。适合前台、门店、工厂车间这类一线场景，语音在设备端处理。
3. 自建集成：走 DeepL API for Voice。底层是 WebSocket 实时流，一个会话内可以持续做转写与翻译；需要先在账号里创建 Developer Key，请求头带 Authorization: DeepL-Auth-Key。适合呼叫中心、BPO、以及要把语音翻译嵌进自有系统的团队。

对已经订阅 DeepL 付费套餐的用户，最容易忽略的一点是：每个付费席位本来就含每人每月 30 分钟的 DeepL Voice。想试效果，不必先谈新合同，直接用掉这 30 分钟就能判断值不值。

💵 成本与时间

官方定价（欧元，年付口径，含税）：

需要说清楚的是：这 30 分钟是基础额度，不是 Voice 的完整价格表。超出部分怎么计费，官方没有在公开页面给出统一单价，得按套餐和用量跟销售确认。如果打算在呼叫中心跑全量，务必先按分钟数算一遍总账，别按字符套餐的直觉估。

时间上，Aure 已经在三个场景里自动生效，属于「今天就能用」，不是预告。8 种语言之外的其他语种没有切换时间表。

🕳️ 避坑：五个容易想错的地方

• 别把 Aure 当成「翻译更准了」。它优化的是语气、情绪、强调和语速的迁移；术语准确性还是原来那套能力，专业领域仍需术语表和人工复核。
• 别以为口音会跟着一起翻过去。DeepL 专门用强化学习压口音，输出追求「不带口音的本地化语音」。如果你的场景需要保留说话人的外国口音特征（比如语言教学），这反而是减分项。
• 别忽略「不存数据」带来的流程变化。会话结束即从内存删除，意味着事后想回听原文是没有的。需要留档的会议，要提前安排录制，别指望从 DeepL 侧导出。
• 别把 30 分钟当免费额度随便测。30 分钟大约就是一次短会。真要评估，选一场信息密度高的真实会议，而不是寒暄式测试。
• 别在同一句话里期待它读出双重含义。幽默、双关、文化梗这类靠语言本身玩花样的内容，语气翻过去了，笑点仍然会丢——这不是 Aure 的问题，是翻译本身的边界。

🎯 行动建议

1. 第一步，先自查场景：把团队里最常出错的跨语言沟通列出来。如果错在「词不准」，Aure 帮不上；如果错在「语气没传过去」，值得试。
2. 第二步，用现有额度做一次真实测试：拿付费席位自带的 30 分钟，选一场有分歧、有情绪的会，会后问对方「你听出来我当时的语气吗」。
3. 第三步，按分钟算账再谈采购：Voice 超出额度后的计费不公开，先向销售要一份按用量分档的报价，再决定是扩容还是只在关键场景开。
4. 第四步，如果是开发者，优先接 Voice API 而不是会议插件——WebSocket 流式集成能覆盖呼叫中心和自有系统，价值密度更高。

🔗 参考来源

• DeepL 官方新闻稿（英文）：https://www.deepl.com/en/press-release/aure-voice-ai-model
• DeepL 官方新闻稿（日文）：https://www.deepl.com/ja/press-release/aure-voice-ai-model
• DeepL Voice 产品页：https://www.deepl.com/en/products/voice
• DeepL 定价页：https://www.deepl.com/en/pricing
• DeepL Voice API 文档：https://developers.deepl.com/docs/voice/overview
• DeepL Voice 支持语言表：https://developers.deepl.com/docs/voice/supported-voice-languages.md
• The Decoder 报道：https://the-decoder.com/with-its-new-voice-model-deepl-voice-now-translates-intonation-and-speech-melody/
• 韩联社报道：https://www.yna.co.kr/view/AKR20261111084500091
• heise online 报道：https://www.heise.de/news/KI-Stimmen-mit-Emotionen-DeepL-stellt-neues-Modell-Aure-vor-11521062.html
• AI Watch（Impress）报道：https://ai.watch.impress.co.jp/docs/news/2155854.html