DeepL Aure. Tłumaczenie głosu na żywo z emocjami i tonem

Co zmienia model Aure w DeepL Voice

Dotąd DeepL Voice tworzył przetłumaczony głos na podstawie próbki nagranej w pierwszych chwilach rozmowy. Taka próbka pozwalała rozpoznać, kto mówi, ale nie nadążała za tym, jak mówi. Jeśli rozmówca przechodził z poważnego tonu w entuzjazm albo mówił coś z przekąsem, tłumaczenie brzmiało cały czas tak samo.

Aure analizuje mowę w sposób ciągły. Według komunikatu DeepL korzysta jednocześnie z przetłumaczonych słów i z oryginalnego dźwięku, żeby dopasować sposób wypowiedzenia zdania. Pauza przed ważną informacją, nacisk w trakcie negocjacji czy zmiana tempa mają być słyszalne także w drugim języku. To rozwinięcie funkcji zachowywania głosu, którą firma wprowadziła we wrześniu 2026 roku.

Jak działa nowy model głosowy

DeepL opisuje trzy problemy techniczne. Prawdziwe rozmowy odbywają się w hałasie, więc model musi oddzielić głos mówcy od tła, echa i zniekształceń. Przeniesienie głosu do innego języka łatwo kończy się przesadnym akcentem. Firma ma też mało danych, w których ta sama osoba mówi w kilku językach, bo DeepL Voice nie przechowuje trwale nagrań ani tłumaczeń.

Rozwiązaniem ma być trening, który rozdziela tożsamość głosu, prozodię (melodię i rytm mowy) oraz treść wypowiedzi. Każdy z tych elementów jest przenoszony do nowego języka osobno. Na końcu uczenie ze wzmocnieniem (reinforcement learning) ma pilnować dokładności tłumaczenia i brzmienia bez obcego akcentu. Opis pochodzi od producenta, firma nie opublikowała pracy badawczej ani porównań z konkurencją.

• Model działa od razu w spotkaniach online, rozmowach na miejscu i DeepL API for Voice.
• Na start obsługuje angielski, niemiecki, hiszpański, francuski, włoski, japoński, portugalski i koreański.
• Nie wymaga konfiguracji i włącza się automatycznie.
• DeepL Voice stosują m.in. Pioneer Corporation, Aramark, Avendra International i Inetum.

Co to oznacza dla polskich firm

Polski nie znalazł się w pierwszej ósemce języków, więc rozmowy z polskim mówcą nadal obsługują wcześniejsze modele głosowe DeepL. Firma zapowiada kolejne języki, ale nie podaje terminów. Model może się jednak przydać polskim zespołom, które prowadzą spotkania np. między niemieckim i angielskim oddziałem albo obsługują klientów z Hiszpanii czy Francji.

DeepL ma silne związki z Polską. Firmę założył urodzony w Polsce Jarek Kutyłowski, a polski jest jednym z języków tłumacza tekstu od wielu lat. Dla zespołów, które rozważają tłumaczenie mowy w kontaktach z klientami, ważna jest deklaracja o usuwaniu danych po sesji. Przed wdrożeniem warto ją sprawdzić w umowie powierzenia przetwarzania danych, bo głos jest daną osobową w rozumieniu RODO.

Ograniczenia i czego nie wiadomo

Komunikat nie zawiera cennika, więc nie wiadomo, czy Aure zmienia koszt planów DeepL Voice lub API. Nie ma też niezależnych testów jakości. Wcześniejsze badanie firmy Slator, na które powołuje się DeepL, dotyczyło dokładności słów, a nie oddawania emocji.

Przenoszenie głosu i intonacji rodzi także pytania o nadużycia, np. o podszywanie się pod rozmówcę. DeepL nie opisał w komunikacie zabezpieczeń poza zasadą nieprzechowywania danych. W naszej ocenie to wyraźny krok w tłumaczeniu na żywo, ale polscy użytkownicy skorzystają z niego w pełni dopiero po dodaniu naszego języka.