Skype前几天推出了实时语音翻译的预览版，让用户可以跨越语言的障碍畅快交流。今天我们就来聊聊微软是如何做到这一点的。

Skype 的翻译系统主要分三步：首先，把你的实时语音转换成文字；然后，再把文字翻译成另一种语言的文字；最后，把文字转换成语音。其中，识别实时语音并转换成文字一直是最棘手的部分。

图像处理和语音识别是深度学习发展的两个主要方向。近几年来，由于深度学习的进步，语音识别依靠深度神经网络（deep neural networks）也取得了不少进展。神经网络在八十年代就已出现，但真正开始焕发光芒是在 2012 年，Google 让计算机能够“自我修养”——在一堆视频里自主学习并总结出猫的概念。

微软研究员 John Platt 在接收wired采访时曾表示，微软其实很早之前就开始利用神经网络改善平板电脑的手写识别精确度了。而