本研究探讨了传统级联语音翻译模型的局限性，并介绍了Google的Translatotron模型。该模型通过直接进行语音到语音的翻译，提高了翻译效率，减少了错误，尤其在弥合非洲语言与其他正式语言的障碍方面表现优异，具有重要的应用前景。

本文研究图像中的机器翻译任务，提出了一种基于神经网络的端到端模型，结合OCR和MT数据集知识，设计模态适配器以对齐特征分布。实验结果表明该方法性能优于现有模型，并探讨了未来研究方向。