近期，哔哩哔哩（B站）在国际市场上的动向备受瞩目。自今年5月宣布将国际版APP与国内版合并后，B站的一系列举措预示着其海外扩张战略的深化。
在世界人工智能大会上，B站展示了专为海外用户研发的“AI原声翻译”功能，旨在提升海外用户对于游戏、科技、二次元等核心内容的体验。随着APP合并的完成、海外用户页面的多语种适配，尤其是“AI原声翻译”功能的上线，B站似乎已蓄势待发，准备在海外市场大展拳脚。
此次发布的“AI原声翻译”功能，不仅实现了中文字幕到英文的自动转换、弹幕翻译及界面元素的英文适配，更突破性地还原了UP主的声线、音色及语气，避免了传统机器翻译的生硬感。同时，该功能还能根据翻译语言模拟口型，使得中文用户观看外语UP主视频，或海外用户观看中文UP主视频时，都能享受到近乎“本地化”的观看体验。未来，B站还计划将日语等更多语言纳入“AI原声翻译”功能，进一步提升在海外市场的适应性。
据了解，B站“AI原声翻译功能”中的跨语言声音还原技术，得益于内部代号为“IndexTTS2”的语音生成模型。该模型采用了一种创新且通用的方法，能够兼容自回归架构，实现对语音时长及情感的精准控制。通过指定token数量，模型能够精确调控语音时长，降低翻译难度。同时，模型还成功解耦了情感表达与说话人身份，高质量地复刻了原片语音中的情感。
面对“AI原声翻译功能”中的核心挑战，尤其是在游戏、二次元等专有名词和梗点密集的领域，B站技术团队基于大语言模型构建了翻译引擎。他们独创性地结合了语音时长匹配、原声翻译标准与UP主独特风格，构建了多目标奖励模型，并采用对抗式强化学习训练，推动模型不断进化与精准适配。团队还引入了Deep Research深度挖掘技术，专注于专有名词与流行梗点的翻译难点，确保译文准确、地道且传神。在字幕擦除方面，团队结合了先进的多模态大模型OCR技术和基于STTN网络的视频重绘技术，实现了字幕区域的精准检测与高还原度擦除。
