语音到语音同传的难点不在翻译本身，而在于一句话尚未说完时就要边听、边理解、边翻译并自然说出。传统ASR、翻译、TTS三级流水线易误差传递、丢失语气。同传核心是把握开口时机，在准确、实时、自然间取舍，并保留语义、表达与说话人特征。评价需兼顾准确性、延迟、稳定性、自然度与鲁棒性。技术正从级联走向更统一模型，两条路线各有优劣，也可组合使用。