傳統機器口譯都是先把語言翻成文本，再從文本出發成語言，多一道手續也多了一些時間，很難真正做到即時口譯。

Google的一項新研究項目，則採用語言的口說句子，輸出成另種語言的口說文字，沒有中間文本過程，純粹利用語音。這樣的翻譯速度不但快，而且更重要的是，能輕易反映出說話者聲音的節奏和語調。

這個項目叫做Translatotron，是這類相關工作的巔峰作，雖然現在仍屬實驗階段。Google的研究人員和其他做這類研究的工作者，多年來一直在努力語言直接對譯的可能性，但直到最近才有些收穫。

人類翻譯的真實工作情形目前仍不很明確，但很少人會說先分解文本，然後視覺化成一種新語言，然後再讀出新文本。人類的認知過程，往往是如何推進機器學習演算法的指南。

為此，研究人員開始研究將一種語言的頻譜圖，及音頻的詳細頻率分解，直接轉換成另種語言的頻譜圖。這就與傳統的三步驟式翻譯過程很不同，雖然也還是有缺點，但優勢很大。