哔哩哔哩（B站）近期在国际业务布局上迈出了重要一步，宣布将原国际版APP与国内版合并，并针对海外用户推出了一系列创新功能。这一变动引发了业界的广泛关注。
在世界人工智能大会上，B站揭晓了其专为海外用户设计的“AI原声翻译功能”，旨在提升海外用户在游戏、科技、二次元等领域的观看体验。随着APP合并的完成，海外用户页面实现了多语种适配，特别是视频原声翻译功能的上线，标志着B站已整装待发，准备深入拓展海外市场。
此次发布的“AI原声翻译”功能，不仅涵盖了基础的文本互译，如自动替换中文字幕为英文、弹幕翻译及按钮英文适配，更实现了对UP主声音特征的高度还原，包括声线、音色和气口，而非采用传统的机器音。该功能还能根据翻译语言模拟口型，使得无论是中文用户观看外语UP主视频，还是海外用户观看中文UP主视频，都能享受到如同本地化的观看体验。未来，B站计划将日语等其他语言纳入“AI原声翻译”功能，进一步增强其在海外市场的适应能力。
据了解，B站的“AI原声翻译功能”背后的跨语言声音还原技术，源自其内部研发的“IndexTTS2”语音生成模型。该模型采用了一种创新的、通用的且与自回归架构兼容的语音时长及情感控制方法，能够精确调控语音时长，降低翻译难度。同时，该模型有效分离了情感表达与说话人身份，确保了高质量地复制原片语音中的情感。
面对“AI原声翻译功能”中的核心挑战，尤其是在游戏、二次元等领域中保留原风格与语音时长的精准对应，B站技术团队构建了基于大语言模型（LLM）的翻译引擎，并创造性地设计了多目标奖励模型，该模型结合了语音时长匹配、原声翻译标准与UP主独特风格。团队还采用了对抗式强化学习（RL）训练，推动模型持续进化与精准适配。同时，引入Deep Research深度挖掘技术，专注于专有名词与流行梗点的翻译，确保译文准确、地道且生动。
在字幕擦除方面，B站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确检测与高保真擦除，为用户提供了更加流畅的观看体验。
