Gradium 发布实时语音翻译模型 stt-translate 和 s2s-translate，精度和延迟超越 GPT 实时翻译

一句话看懂

Gradium 推出两款实时语音翻译模型，将传统三模型级联简化为两阶段，在精度和延迟上超越 GPT 和 Gemini 的同类产品。

详细发生了什么

Gradium 于 2026 年 6 月 24 日发布了两款实时语音翻译模型：stt-translate（语音→文本）和 s2s-translate（语音→语音）。两者覆盖英语、法语、德语、西班牙语和葡萄牙语共 5 种语言，支持 20 个语言对（任意源语言到任意目标语言）。

核心架构创新在于将传统的三模型级联（ASR → 文本翻译 → TTS）压缩为两阶段：stt-translate 在一个单次推理中同时完成语音识别和文本翻译，消除了中间文本转录的等待和系统间切换；s2s-translate 在此基础上集成 Gradium 自家的 TTS 模型，通过单一 duplex WebSocket 流式返回合成语音和翻译文本。

在基准测试中（基于专有对话语音数据集），Gradium 在 BLEU 指标上领先 gpt-realtime-translate 和 gemini-3.5-live-translate，在 MetricX 指标上优于 Gemini 并与 GPT 相当。平均端到端延迟为 3.0 秒，快于 GPT 的 3.6 秒，略慢于 Gemini 的 2.9 秒。此外，Gradium 支持输出语音选择和语音克隆，这是 GPT 实时翻译所不具备的。

中文圈视角

对中文用户而言，Gradium 目前仅支持五种欧洲语言，暂不支持中文，直接使用场景有限。但这项技术本身值得关注：

架构思路可借鉴：单次转录+翻译的设计减少了延迟和错误累积，国内厂商（如科大讯飞、百度、阿里）的语音翻译系统大多仍采用三模型级联，Gradium 的 Hibiki-Zero 框架可能启发国产方案优化。
语音克隆的合规风险：Gradium 支持输出语音克隆，这在中文互联网环境下可能涉及声音肖像权、深度伪造等监管问题。国内类似功能（如腾讯的语音合成）通常有严格的使用限制和审核机制。
平替可能性：目前国内没有直接对标的产品。讯飞听见的实时翻译延迟约 2-4 秒，但仅支持语音到文本；百度的语音翻译 API 也采用级联架构。Gradium 的端到端语音到语音能力在国内尚属空白。
使用门槛：Gradium 提供 Python SDK，需要 API key 和海外网络访问。对于需要实时跨语言会议、直播同传的国内用户，可关注其后续是否增加中文支持。

几条值得记住的细节

语言覆盖：5 种语言（EN, FR, DE, ES, PT），20 个语言对，任意方向互译。
延迟对比：Gradium 平均 3.0s，gpt-realtime-translate 3.6s，gemini-3.5-live-translate 2.9s。
精度指标：BLEU 领先 GPT 和 Gemini；MetricX 与 GPT 相当，优于 Gemini。
语音控制：支持从目录选择输出语音，也支持克隆用户自己的声音。
输入输出格式：输入 PCM 24kHz 16-bit mono，输出 PCM 48kHz 16-bit mono，也支持 WAV、Opus、mu-law、A-law。
SDK 使用：提供 Python SDK，支持 s2s_realtime（实时流）、s2s_stream（有限迭代器）、s2s（缓冲文件）三种模式。

一句话总结

Gradium 的实时语音翻译模型在精度和延迟上超越了 GPT 和 Gemini，但暂不支持中文，国内用户可关注其架构思路对国产方案的启发。