深度学习技术的进步推动了语音识别、机器翻译和语音合成性能取得大幅提升。在大规模训练数据支撑下，语音翻译在日常口语交流、旅游等简单场景跨过了实用门槛，对于帮助解决跨语言沟通交流具有重要意义。不过由于实际应用场景的复杂性，从技术到产品应用还存在许多问题需要持续研究。本次分享从当前语音翻译现状出发，介绍了语音翻译当前主流路线及进展，并结合科大讯飞在语音翻译产品上的探索，针对语音翻译在交替传译和会议同传两种典型应用场景，介绍了实际应用面临的问题和一些解决方案，最后探讨当前语音翻译面临的挑战和未来发展趋势。

内容大纲：

1. 语音翻译现状简介；
2. 语音翻译技术及进展；
3. 语音翻译应用面临问题及解决思路；
4. 语音翻译当前挑战及发展趋势思考。

基于深度学习的计算机视觉是AI技术在现实场景的重要应用方向之一，被广泛用于交通管理、无人驾驶、安全监控等领域。然而由于其技术门槛较高，图像识别仍然属于少数研究人员的专属，体现在以下几点：各种新概念层出不穷，掩盖了真实业务的痛点；越来越复杂的神经网络需要强大的 GPU 集群支持，而现实中并非每家公司都有 Google 的强大算力；真正落地的视觉产品需要整合图像标注、模型定义、训练、部署及服务接口等多个步骤，是一个复杂的系统设计问题而非纯算法问题；部分基于 C/C++ 的代码实现，如 Yolo 的 Darknet，难以拓展到真实生产环境下，充分利用现代开发框架如 Tensorflow 等在分布式处理和资源调度上的优势。在这里我们基于腾讯互娱 Turing Lab 近两年将前沿算法和实际项目需求结合的实践经验， 以 YoloV3 的部署和应用为例，探讨一个真正落地的图像识别系统从单机原型开发到基于分布式集群部署和应用的完整演化过程。

听众受益：

1. 前沿计算机视觉研究目标和实际业务需求的差异；
2. 前沿 AI 算法在实际工程项目中存在的问题；
3. 图像识别平台各环节的痛点和解决方案。

内容即将上线！