DeepL VoiceとGoogle Pixelの通話リアルタイム翻訳は、どちらも言葉の違う相手との会話を助けますが、同じ場面を想定したサービスではありません。
オンライン会議や対面での継続的な運用にはDeepL Voice、通常の電話で一対一の会話をすぐに訳したい場合にはGoogle Pixelが選択肢になります。
英語と日本語の語順が違っていても会話が成り立つのは、全文を待たずに音声認識、翻訳、音声合成を少しずつ進めるためです。ただし、完全な同時処理ではなく、内容を確定するための短い待ち時間が生じます。
DeepL VoiceとPixel通話翻訳の違い
比較の起点は精度の順位ではなく、翻訳したい会話がオンライン会議、対面、通常の電話のどれかです。
| 比較項目 | DeepL Voice | Google Pixelの通話翻訳 |
|---|---|---|
| 主な利用場面 | オンライン会議、対面での会話 | 電話アプリを使う一対一の通話 |
| 相手側の環境 | 対象の会議環境や利用条件を確認する | 通話相手にPixelは不要 |
| 翻訳の提示方法 | 会議では多言語字幕が中心。音声翻訳の提供状況は契約前に確認する | 翻訳した音声を相手に届け、話者の声とトーンも再現する |
| 対応状況 | 利用する製品、会議サービス、言語を確認する | Pixel 10以降が対象。機種によって機能名や対応言語が異なる |
| データの扱い | 会議データの処理方法や管理機能を組織で確認する | インターネット接続なしで動作し、音声や文字起こしを端末に保存せず、Googleのサーバーにも送信しないと案内されている |
| 導入前の確認 | 参加人数、会議環境、用語、管理方針を試行する | 対象機種、言語モデル、通話手順を実機で試す |
DeepL Voiceが合う場面
DeepL Voiceには、オンライン会議向けのVoice for Online Meetingsと、対面会話向けのVoice for In-Person Conversationsがあります。
会議向けサービスはMicrosoft TeamsやZoom Meetingsなどのライブ字幕に対応し、組織固有の用語を扱う機能や企業向けの管理を前提としています。
一方、音声から音声への翻訳は公式ページ内でも提供状況に関する記載が変わり得ます。字幕だけで足りるのか、翻訳音声まで必要なのかを分け、契約時点の仕様を確認する必要があります。
Google Pixelが合う場面
Google Pixelの機能は、電話アプリで話した内容を選択した言語に訳し、翻訳音声を通話相手へ届けます。
Pixel 10シリーズでは「マイボイス通訳」と表示され、機種によっては「リアルタイム翻訳」と表示されます。利用前に対象機種と対応言語をGoogle Pixel公式ヘルプで確認してください。
電話予約や一次連絡のように相手へ専用アプリの導入を頼みにくい場面では、通常の通話の中で使えることが利点です。
英語と日本語を低遅延で訳す三つの処理
音声翻訳は、話し終わった音声を一度に別の言語へ置き換える処理ではありません。低遅延の仕組みは、次の三段階に分けると理解しやすくなります。
- ストリーミング音声認識（ASR）：届いた音声を少しずつ文字に変え、後続の音声に応じて認識結果を更新します。
- 同時機械翻訳（SimulMT）：入力文の途中までを読み、訳文として確定できる部分から出力します。
- 音声合成（TTS）：翻訳された短いまとまりを順次読み上げ、相手へ届けます。
研究では、ストリーミング音声認識の例としてRNN-T、同時機械翻訳の例としてwait-kや単調注意が提案されています。
ただし、これらは低遅延翻訳を説明するための研究上の代表例です。DeepL VoiceやPixelの内部が、その方式をそのまま採用していると断定するものではありません。
wait-kで理解する「少し待つ」仕組み
wait-kは、入力を最初にk語ぶん読んでから訳し始め、その後は入力と出力を少しずつ進める方策です。
待つ量を増やせば後続の文脈を使いやすくなりますが、訳が届くまでの時間も延びます。反対に早く出しすぎると、文末で判明した内容に合わせて訳を直す必要が生じます。
たとえば「来週の会議は、先方の都合を確認した結果、中止します」という日本語では、最後の「中止します」まで聞かないと結論が確定しません。翻訳側は、結論を推測して早く話すか、確定するまで待つかを選ぶことになります。
語順の違いだけが難しさではない
英語は主語、動詞、目的語の順を基本とし、日本語は動詞が文末に置かれることが多いため、英日翻訳では待ちが目立ちます。
しかし、遅延と誤訳は語順だけで決まりません。音声認識が固有名詞を聞き違えれば、その誤りを受け取った翻訳も正しい訳を作れないためです。
遅延や誤訳が増えやすい条件
| 条件 | 起きやすいこと | 利用者ができる対処 |
|---|---|---|
| 結論や否定が文末にある長文 | 訳し始める判断が遅れ、出力の修正も増える | 一文を短くし、結論を先に伝える |
| 製品名、氏名、社内略語 | 聞き取りの誤りが翻訳へ引き継がれる | 綴りや番号を区切って伝え、会議では用語を事前に登録する |
| 雑音や複数人の同時発話 | 話者や発話内容を分けにくくなる | 静かな場所を選び、一人ずつ話す |
| 言い直しや長い挿入 | 確定済みの訳との整合を取り直す | 一度止め、短い文として言い直す |
| 未対応の機種、言語、会議設定 | 機能を開始できない、または必要な出力を得られない | 本番前に同じ端末と会議環境で試す |
音声翻訳の目的は、待ち時間を完全になくすことではありません。会話を止めない範囲で、意味を確定するための時間を確保することです。
電話と会議で変わる実践手順
Pixelで電話を訳す場合
- 対象機種と対応言語を確認し、必要な言語モデルを事前にダウンロードします。
- 電話をかける前に、結論、必要な番号、確認したい事項を短くメモします。
- 通話中に通話アシストから翻訳機能を開き、相手の言語を選びます。
- 双方への案内が終わってから、一文ずつ区切って話します。
- 氏名、日時、金額、注文番号などは復唱し、必要に応じて文字でも確認します。
画面名は機種やソフトウェアによって異なります。詳しい設定は、関連するPixel 10のマイボイス通訳の設定と注意点でも確認できます。
DeepL Voiceを会議で使う場合
- 利用する会議サービス、言語、字幕と音声の必要性を整理します。
- 製品名、部門名、略語など、間違えると困る用語を先に集めます。
- 実際の会議に近い人数、音響、発話速度で試行します。
- 一人ずつ短く話し、決定事項は字幕だけに頼らず参加者が確認します。
- 会議データの保存、共有、削除に関する社内ルールとサービスの仕様を照合します。
自社サービスへ音声翻訳を組み込む場合は、製品比較とは別に遅延、障害時の代替手段、評価方法を設計します。詳しくは通話翻訳システムの要件定義から運用までを参照してください。
導入前に確認したい五つの項目
- 会話の種類：通常の電話、オンライン会議、対面会話のどれか。
- 利用条件：対象機種、OS、会議サービス、対応言語、契約条件を満たすか。
- 出力方法：字幕で足りるか、翻訳音声が必要か。
- 失敗時の影響：誤訳したときに復唱や文字確認で補える内容か。
- データ管理：音声や文字起こしがどこで処理され、保存されるか。
製品名だけで一括導入を決めず、実際の会話を使って小さく試すと、必要な機能と運用上の負担を見分けやすくなります。
よくある質問
リアルタイム翻訳は完全な同時通訳ですか
いいえ。音声の認識と意味の確定に必要な待ち時間があります。短く区切って話すと、遅延と修正を抑えやすくなります。
DeepL VoiceとPixelでは、どちらの精度が高いですか
利用場面が異なるため、製品名だけでは順位を付けられません。電話か会議か、使用言語、音響、固有名詞の多さをそろえ、実際の発話で比較してください。
重要な通話を翻訳だけに任せてもよいですか
翻訳結果だけで確定する運用は避けます。氏名、日時、金額、契約条件などは復唱し、必要に応じてメールやチャットなどの文字でも合意を残してください。
選び方の結論
通常の電話をその場で訳すならGoogle Pixel、オンライン会議や対面会話を組織で運用するならDeepL Voiceが比較の出発点です。
どちらを使う場合も、一文を短くする、固有名詞を確認する、一人ずつ話すという運用が翻訳の安定につながります。機能の多さより、利用場面と確認手順が合っているかを評価してください。
参考情報
- DeepL Voice公式製品ページ
- DeepL Voice for Online Meetings公式ページ
- Google Pixelヘルプ「通話のリアルタイム翻訳を使用する」
- モバイル向けストリーミング音声認識の研究
- wait-kを提案した同時翻訳の研究
- 単調マルチヘッド注意による同時翻訳の研究
この記事に関連する株式会社greedenの取り組み
通話翻訳は、機能だけでなく話し方や確認手順をそろえて初めて業務に定着します。株式会社greedenの生成AI勉強会は、ツール選定から社内での使い方、運用ルールの整理までを支援します。