一句话定义：语音翻译（Speech Translation）是让机器把一段口语直接变成另一种语言——可以是文本，也可以是合成的语音——中间不需要人做任何接力。
两种做法
传统做法是级联（Cascade），即三个模型接力依次处理：先用自动语音识别（Automatic Speech Recognition, ASR）把声音转写成文字，再交给机器翻译（Machine Translation, MT）翻成目标语言，最后用语音合成（Text-to-Speech, TTS）念出来。端到端（End-to-End）则是一个模型：输入音频波形，直接输出译文文本或目标语语音。
打个比方：级联方案像三个人接力传话，一个人负责听写，一个人负责翻译，一个人负责念稿，任何一个人听岔了，后面两位都不知道。端到端更像一位双语通的人坐在你旁边，听完你的话直接用外语说出来。
差在哪三处
1. 延迟。级联处理是串行执行的：每个模块都要等上一级的完整输出，再基于完整输入开始计算，延迟一层层叠加。端到端只做一次前向计算，在会议同传、边说边译这类场景里，几百毫秒的差距会直接影响听感和可用性。
2. 口音和口语现象。人说话有吞音、口音、重复、半句改口、“那个那个”这类填充词。ASR 面对这些容易出错，而它的输出是纯文本，声学信息（语气、重音、迟疑）在转写那一步就丢掉了。端到端模型直接看声学特征，对不规范发音的容忍度通常更好，也能利用停顿、语调来消歧。
3. 错误累积。级联方案把误差逐级传递下去：识别把“三十”听成“十三”，翻译再忠实地把这个错误翻过去，合成再念出来，用户听到的是一句流畅的错误。端到端只有一个训练目标，误差不被层层放大。代价是：它需要大量“语音—译文”平行数据（比纯文本语料稀缺得多），可解释性差，想临时塞一份术语表或人名表也比级联麻烦。
| 维度 | 级联（ASR→MT→TTS） | 端到端 |
|---|---|---|
| 延迟 | 三级串行，偏高 | 单次计算，偏低 |
| 口音鲁棒性 | 依赖 ASR 质量 | 通常更好，保留声学信息 |
| 错误传播 | 逐级放大，不可逆 | 单目标优化，不易累积 |
| 可调试性 | 各模块可单独替换、加术语表 | 较难干预 |
| 数据需求 | 可复用现成 ASR/MT 语料 | 需要语音—译文平行数据 |
对你的意义
普通用户：出国问路、跨国会议、看无字幕外语直播，这类体验的好坏往往就取决于上面的延迟和口音两条，而不是“翻得准不准”这一个指标。
从业者：做方案前先问延迟预算和数据条件。延迟不敏感、需要快速上线并支持术语干预的场景，级联更稳；强噪声、重口音、要边说边出译文的场景，端到端更合适。工程上常见的是混合方案：以端到端为主干，同时保留识别结果做兜底和约束。各家模型能力与接口差异较大，具体以官方页面为准。
最后区分一下相邻概念：语音识别只负责“听写”，机器翻译只负责“文本换语言”，语音翻译要同时跨过“声音→文字”和“一种语言→另一种语言”两道坎。