VoXtream技术通过实时文本处理消除了传统TTS系统的延迟，采用动态音素前瞻机制，提升了语音生成的速度和自然度。与其他系统相比，VoXtream在字错误率和实时因子上表现优异，适合实时语音代理和同声传译。

火山引擎推出的豆包·同声传译模型Seed LiveInterpret 2.0，支持中英同传，延迟仅2-3秒，无需样本即可复刻音色，适合国际会议和日常交流，提升跨语言沟通体验。

本文介绍如何利用AI技术为WebRTC视频会议实时生成字幕，提升会议体验。通过音频流处理、语音活动检测和语音转文字技术，实现实时字幕功能，未来可实现同声传译。

字节跳动在深圳的巡展上发布了多模态大模型，包括视频生成、音乐生成和同声传译。豆包视频模型通过DiT架构实现动态生成和多镜头切换，支持多种风格。音乐模型可通过文本或图片生成音乐，并支持风格转换。同声传译模型实现实时翻译。火山引擎还升级了现有模型，提高了效率和性能，降低了成本。

字节跳动的研究人员推出了端到端同声传译智能体CLASI，效果接近专业人工水平。CLASI采用了端到端架构，具备获取外部知识的能力。在人工评测中，CLASI超过商业系统和开源SOTA系统，甚至达到或超过人类同传水平。研究人员还引入了多模态检索增强生成过程，提高了翻译质量。