CN102422639B - 用于在会议环境中翻译参与者之间的通信的系统和方法 - Google Patents

Abstract

在一个示例实施例中提供一种方法，该方法包括从音频会议接收音频数据并将音频数据从第一语言翻译成第二语言，其中已翻译的音频数据在所述视频会议期间被播放。该方法还包括抑制另外的音频数据直到所述已翻译的音频数据在所述视频会议期间已经被播放完毕为止。在更具体的实施例中，该视频会议至少包括第一端用户、第二端用户和第三端用户。在其它实施例中，该方法可以包括向第一端用户和第三端用户通知音频数据的翻译。该通知可以包括为第一端用户和第三端用户的显示器生成图标或者在被配置为接收来自第一端用户和第三端用户的音频数据的各自的端用户设备上使用光信号。

Description

用于在会议环境中翻译参与者之间的通信的系统和方法

技术领域

本发明一般地涉及通信领域，并且更具体地，涉及在会议环境中翻译参与者之间的通信。

背景技术

视频服务在今天的社会中变得越加重要。在某些体系架构中，服务提供商会力图为他们的端用户提供复杂的视频会议服务。视频会议体系架构可以在网络上提供“亲身”(in-person)会面体验。视频会议体系架构可以使用先进的视觉、音频和协作技术来传递人与人之间的实时的面对面的交互。在视频会议情景中，当在视频会议期间端用户之间需要翻译时，出现了一些问题。视频会议期间的语言翻译向开发者和设计者提出了重大的挑战，这些开发者和设计者试图提供真实的模仿共用共同语言的个人之间的现实会面的视频会议解决方案。

附图说明

为了提供对本公开及其特征和优点的更全面的理解，结合附图来参考以下描述，其中类似的标号表示类似的部分，在附图中：

图1是根据一个实施例的用于在会议环境中翻译通信的通信系统的简化示意图；

图2是图示出与根据一个实施例的通信系统的示例基础设施有关的附加细节的简化框图；以及

图3是图示出与该通信系统相关联的一系列示例步骤的简化流程图。

具体实施方式

概要

在一个示例实施例中提供了一种方法，该方法包括：从视频会议接收音频数据并将音频数据从第一语言翻译成第二语言，其中已翻译的音频数据在该视频会议期间被播放。该方法还包括：抑制另外的音频数据直到已翻译的音频数据已经在视频会议期间被播放完毕。在更具体的实施例中，视频会议至少包括第一端用户、第二端用户和第三端用户。在其它实施例中，该方法可以包括向第一端用户和第三端用户通知音频数据的翻译。该通知可以包括为第一端用户和第二端用户看得见的显示器生成图标，或在被配置为接收来自第一端用户和第二端用户的音频数据的各个端用户设备上使用光信号。

图1是图示出根据一个示例实施例的用于执行视频会议的通信系统10的简化示意图。图1包括与视频会议的各个参与者相关联的多个端点12a-f。在此示例中，端点12a-c位于加利福尼亚州圣弗朗西斯科(San Jose，California)，而端点12d、12e和12f分别位于北卡罗来纳州罗利(Raleigh，North Carolina)、伊利诺斯州芝加哥(Chicago，Illinois)和法国巴黎(Paris，France)。图1包括与管理器元件20耦接的多个端点12a-c。注意，指派给端点的数字和字母标号并不意味着任何类型的层次结构；该指派是任意的并且仅被用于教导目的。这些指派不应以任何方式理解为限制它们在可能受益于通信系统10的特征的潜在环境中的应用、能力或功能。

在该示例中，每个端点12a-f被沿着桌子小心安装并且与其相关联的参与者最近。这样的端点可以被设置在任何其它适当的位置，因为图1仅仅是提供在此展示的概念的多种可能实现方式中的一种。在一种示例实现方式中，端点是视频会议端点，其可以辅助视频数据和音频数据的接收和传送。其它类型的端点当然在所概述的概念的广义范围之内，并且这些示例端点中的一些在以下被进一步描述。每个端点12a-f被配置为与各自的管理器元件相接口，管理器元件帮助协调和处理被参与者发送的信息。以下提供与每个端点的可能的内部组件有关的细节并且以下参考图2来提供与管理器元件20及其潜在操作有关的细节。

如图1中所示，多个相机14a-14c和屏幕被提供用于该会议。这些屏幕呈现会议参与者看得见的图像。注意，在本说明书中，在此使用的术语“屏幕”意图意味着能够在视频会议期间呈现图像的任意元件。这必然包含任意面板、等离子元件、电视、监视器、显示器或能够进行这样的呈现的任意其它适合的元件。

注意，在转到本公开的示例实施例的示例流程和基础设施之前，为观众提供对视频会议体系架构的简要概述。当视频会议会话中涉及讲多种语言的两个以上的个人时，需要翻译服务。翻译服务可以由精通口语的人提供或者由计算机化的翻译设备提供。

当发生翻译时，当语言被传送给目标接收者时存在一定延迟。翻译服务在一对一的环境中或当在一个人发言一组人收听的演讲模式中运作时很好使。当在这样的情景中仅涉及两个端用户时，存在在谈话中发生的一定步调，并且该步调在某种程度上是直观的。例如，当针对对方发生翻译时，第一端用户能自然地预见到适当的延迟。因此，作为粗略的估计，第一端用户能预见长的语句会有一定延迟，这样他在讲另外的语句之前，可能应该等待直到翻译已经完毕(并且可能给对方进行响应的选择)为止。

当在多点视频会议环境中提供翻译服务时，该自然的步调变得紧张。例如，如果两个端用户在讲英语并且第三个端用户在讲德语，当第一端用户讲了英语短语时并且翻译服务开始为德国个人翻译该短语时，第二个讲英语的端用户可能不经意地响应于之前所讲的英语短语而开始发言。这就充满问题了。例如，起码，当第三方落后该谈话若干语句的同时，在共用母语的两个人之间发生该玩笑是不礼貌的。其次，这也妨碍了如今的商业环境中所发生的许多视频会议情景的整体协作属性，因为第三方的参与可能被减少至仅收听(listen only)模式。第三，这可能存在一些文化差异或逾越，因为可能以两个人支配或独占给定谈话而告终。

在示例实施例中，系统10可以有效地去除与这些传统的视频会议配置相关联的限制，并且还利用翻译服务来执行有效的多点多语言协作。系统10可以创建确保参与者具有均等的贡献和协作机会的会议环境。

以下情景图示出与多点视频会议系统(例如多点网真(TelePresence)系统)。假定采用三个单屏幕远程站点的视频会议系统。约翰(John)讲英语并且从站点A加入视频会议，鲍比(Bob)也讲英语并且从站点B加入视频会议。贝努瓦(Benoit)讲法语并且从站点C加入视频会议。尽管约翰和鲍比可以自由谈话而不需要翻译(机器的或人工的)，但是贝努瓦在此视频会议期间需要英语/法语翻译。

当会议开始时，鲍比坦率地问：“现在几点？”。约翰立即回答：“上午10点”。该情景突出了两个用户的体验的问题。首先，现有视频会议系统通常基于语音活动性检测(VAD)来执行视频切换。只要鲍比结束了其问题，自动翻译机器拿出等同的法语短语并将其播放给贝努瓦。

正在已翻译的短语被播放时，约翰迅速答复“上午10点”。因为视频会议被规划为基于语音活动性检测来切换屏幕，因此，贝努瓦在他听到法语短语“现在几点？”的同时看见约翰的脸。在该场景中存在一些不对称，因为贝努瓦自然以为是约翰在询问时间，而实际上是约翰在回答鲍比的问题。现有的视频电话会议系统造成该不一致是因为它们使用传统的嘴唇同步(和其它装备不良的协议)来通过系统匹配语音和视频处理时间。VAD协议由于在切换来自发言者A的图像的同时不一致地提供来自发言者B的已翻译的语音而频繁地引入混淆。如以上在利用了翻译的视频电话会议系统中所示，需要提高可用性来确保观众知道说了什么以及将该这归于正确的发言者。

所提供的示例实施例可以改进切换算法以便防止由基于VAD的协议引起的混淆。转到该示例流程，对于跨文化协作，约翰可以在贝努瓦获得收听到已翻译的问题之前回答该问题的事实将贝努瓦置于不利位置。等到在贝努瓦尝试回答鲍比的问题时，鲍比和约翰之间的谈话可能已经进行到另一个话题，这使得贝努瓦的输入变得不相关。当来自不同文化的人们能够平等协作而不给任何群组优先对待时，需要更加平衡的系统。

在此展示的示例实施例可以抑制来自用户(除第一发言者以外的其它发言者)的语音输入，同时呈现已翻译版本(例如给贝努瓦)。这样的解决方案还可以向其它用户(语音输入已被抑制的用户)通知翻译正在进行的事实。这将确保所有参与者尊重更高优先级的自动翻译语音并且还禁止直接越过翻译而交谈。通知提供了延迟(减慢)会议进度从而使得翻译发生的工具，其中图像被智能地与其消息正被翻译的原始发言者的图像一起被呈现。

在转到该体系架构的附加操作中的一些操作之前，关于图1的体系架构中的一些来提供简要论述。端点12a是通信系统10中希望参与视频会议的客户或用户。术语“端点”可以包括用来发起通信的设备(诸如交换机、控制台、专有端点、电话、相机、麦克风、拨号盘、桥接器、计算机、个人数字助理(PDA)、膝上型笔记本或电子笔记本)或能够在通信系统10发起语言、音频或数据交换的任意其它设备、组件、元件或物体。术语“端用户服务”可以包括用来发起通信的设备(诸如IP电话、I-phone、电话、蜂窝电话、计算机、PDA、软件拨号盘或硬件拨号盘、键盘、遥控器、膝上型笔记本或电子笔记本)或能够在通信系统10内发起语言、音频或数据交换的任意其它设备、组件、元件或物体。

端点12a也可以包括与人类用户的适当接口，诸如麦克风、相机、显示器或键盘之类或其它终端设备。端点12a还可以包括试图代表另一实体或元件来发起通信的任意设备，诸如能够在通信系统10内发起语音或数据交换的程序、数据库或任意其它组件、设备、元件或物体。本文档中使用的术语“数据”是指任意类型的视频数据、数字数据、语音数据或脚本数据，或者任意类型的源代码或目标代码，或者可以从一个点被传送到另一点的任意适当格式的任意其它合适的信息。

在该示例中，如图2中所示，圣弗朗西斯科的端点被配置为与管理器元件20相接口，管理器元件20被耦接到网络38。请注意，端点也可以经由网络38被耦接到管理器元件。根据类似的基本原理，在法国巴黎的端点被配置为与管理器元件50相接口，管理器元件50被类似地耦接至网络38。为了简化的目的，端点12a被描述并且其内部结构可以复制到其它端点中。端点12a可以被配置为与管理器元件20通信，管理器元件20被配置为辅助与网络38的网络通信。端点12a可以包括接收模块、发送模块、处理器、存储器、网络接口、一个或多个麦克风、一个或多个相机、呼叫发起和接受设施(诸如拨号盘)、一个或多个扬声器和一个或多个显示器。这些项目中的一个或多个可以被全部整合或消除，或者被极大地改变，并且这些修改可以是基于特定通信需要而做出的。

在操作中，端点12a-f可以使用结合专门应用和硬件的技术来创建可以借助网络的视频会议。系统10可以使用公司中部署的标准IP技术并且可以在综合的语音、视频和数据网络上运行。该系统还可以使用宽带连接来支持与分公司的高质量的实时语音和视频通信。还可以提供用于确保可用于诸如视频之类的高带宽应用的高可用性、服务质量(QoS)、安全性、可靠性的能力。还可以为所有参与者提供电力或以太网连接。参与者可以使用它们的膝上型笔记本来访问会议数据，加入会议场所协议或Web会话，或者在整个会议期间保持与其它应用的连接。

图2是图示出与通信系统10的示例体系架构有关的附加细节的简化框图。图2图示出被耦接到网络38的管理器元件20，网络38还被耦接到服务于在法国巴黎的服务端点12f的管理器元件50。管理器元件20和50可以分别包括控制模块60a和60b。每个管理器元件20和50还可以被耦接到各自的服务器30和40。为了简化的目的，与服务器30有关的细节被说明，其中这样的内部组件可以被复制到服务器40中以便实现在此概述的活动。在一种示例实现方式中，服务器30包括语音转文本模块70a、文本翻译模块72a、文本转语音模块74a、扬声器ID模块76a和数据库78a。总体而言，该描述提供了三阶段处理：语音转文本识别、文本翻译和文本转语音谈话。应当注意，虽然服务器30和40被描述为两个分离的服务器，但是可替换地，该系统可以被配置有执行这两个服务器的功能的单个服务器。类似地，在此展示的概念覆盖这两个示例的任意混合布置；即，服务器30和40的一些组件被整合到单个服务器中并且在站点之间被共享而其它组件被分布在两个服务器之间。

根据一个实施例，需要翻译服务的参与者可以接收已延迟的视频流。示例配置的一个方面涉及多方会议环境中的视频切换算法。根据一个示例，不是将参与者的语音活动性检测用于视频切换，而是该系统向机器翻译出的语音给与最高优先级。系统还可以将最后的发言者的图像与机器翻译出的语音相关联。这确保了所有观众都看见原始发言者的图像，因为其消息正被以不同的语言呈现给其它收听者。因此，已延迟的视频可以利用图标或广告条来示出最后的发言者的图像，图标或广告条告知正在观看的参与者：他们正在收听的语音实际上是最后的发言者的被机器翻译出的语音。因此，已延迟的视频流可以被播放给需要翻译服务的用户以使得他/她可以看到发了言的人。这样的活动可以提供确保观众将陈述归于具体的视频会议参与者(即，端用户可以清楚地分辨谁讲了什么)的用户接口。

另外，该配置可以警告不需要翻译的参与者：其它参与者还没有听到相同的消息。可以向将被警告何时所有其它用户已经分享了由参与者做出的最后的陈述提供视觉指示符。在具体实施例中，该体系架构使已经听到了陈述的用户消音并防止他们答复该陈述直到每个人都听到了相同的消息为止。在某些示例中，该系统经由它们的视频屏幕上的图标(或经由它们的麦克风上的LED或经由任何其它音频的或视觉的手段)向用户通知他们被消音了。

添加智能延迟可以有效地平滑或调节会议以使得所有参与者可以在视频会议期间作为一个组的平等成员相互交互。一个示例配置涉及识别翻译给定短语或语句所需要的必需延迟的服务器30和40。这可以使得语音识别活动大略实时地发生。在另一种示例实现方式中，服务器30和40(例如经由控制模块60a-60b)可以有效地计算和提供该智能延迟。

在一种示例实现方式中，管理器元件20是执行如这里所说明的智能延迟活动中的一些的交换机。在其它示例中，服务器30和40执行在此概述的智能延迟活动。在其它情景中，这些元件可以组合它们的努力或以其他方式相互协作来执行与所述视频会议操作相关联的只能延迟活动。

在其它情景中，管理器元件20和50以及服务器30和40实质上可以用能够辅助视频和/或音频数据的交换或协作的任何网络元件、专用设备或事物(包括在此所概述的延迟操作)来替换。在本说明书中，在此所用的术语“管理器元件”意图包括交换机、服务器、路由器、网关、桥接器、负载平衡器或可操作来交换或处理视频会议环境中的信息的任意其它合适的设备、网络器具、组件、元件或物体。此外，管理器元件20和50以及服务器30和40可以包括辅助其操作的任意适当的硬件、软件、组件、模块、接口或物体。这可以包括允许数据或信息的有效递送和协作的适当算法和通信协议。

管理器元件20和50以及服务器30和40可以配备有适当的软件来执行本公开的示例实施例中所描述的延迟操作。(辅助这些概述的操作的)处理器和存储器元件可以被包括在这些元件中或者被外部地提供给这些元件，或者被以任何合适的方式整合。处理器可以容易地执行用于完成所描述的活动的代码(软件)。管理器元件20和50以及服务器30和40可以是能够执行一个或多个端用户之间的谈话或呼叫的多点设备，这一个或多个端用户可以位于各种其它站点和位置。管理器元件20和50以及服务器30和40还可以协调和处理涉及端点12的各种策略。管理器元件20和50以及服务器30和40可以包括确定多少信号如何被路由至各个端点12的组件。管理器元件20和50以及服务器30和40还可以确定各个端用户如何被视频会议中所涉及的其它端用户看见。此外，管理器元件20和50以及服务器30和40还可以包括可以拷贝信息或数据的媒体层，这些信息或数据可以随后被重传或被简单地一起转发给一个或多个端点12。

上述存储器元件可以存储将被管理器元件20和50以及服务器30和40参考的信息。在本文档中，在此使用的术语“存储器元件”包括能够维护与管理器元件20和50以及服务器30和40的写作和/或处理操作有关的信息的任意合适的数据库或存储介质(被以任意适当格式提供)。例如，存储器元件可以将这样的信息存储在电子寄存器、图表、记录、索引、列表或队列中。可替换地，存储器元件可以在适当时并基于特定需要，将这样的信息保持在任意适当的随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程ROM(EPROM)、电可擦除PROM(EEPROM)、专用集成电路(ASIC)、软件、硬件或存储在任意其它适当的组件、设备、元件或物体中。

如前所述，在一种示例实现方式中，管理器元件20和50包括用于实现在本文档中概述的扩展操作的软件。另外，服务器30和40可以包括用于帮助协调在此说明的视频会议活动的一些软件(例如，复制软件或辅助延迟、图标协调、消音活动等的软件)。在其它实施例中，该处理和/或协调特征可以被设置在这些设备(管理器元件20以及服务器30和40)的外部或被包括在一些其它设备中来实现该意图的功能。可替换地，管理器元件20和50以及服务器30和40两者都包括可以协调和/或处理数据以便实现在此概述的操作的软件(或复制软件)。

网络38表示用于接收和发送通过通信系统10传播的信息的分组的互连通信路径的一系列点或节点。网络38提供站点(和/或端点)之间的通信接口并且可以是任意LAN、WLAN、MAN、WAN或辅助网络环境中的通信的任意其它适当体系架构或系统。网络38在本公开的特定实施例中实现TCP/IP通信语言协议；然而网络38可以可替换地实现用于在通信系统10内发送和接收数据分组的任意其它适当的通信协议。还要注意：网络38可以容纳任意数目的辅助活动，这些辅助活动可以与视频会议相伴随。例如，该网络连接性可以辅助所有信息交换(例如，笔记、虚拟白板、幻灯片展示、电子邮件、字处理应用等)。

转到图3，图3图示出涉及以上突出的示例中的一些示例的示例流程。该流程开始于步骤100，视频会议开始并且鲍比(讲英语)问：现在几点？。在步骤102，系统10延迟其中鲍比问“现在几点？”的视频并将其连同已翻译的法语短语一起呈现给贝努瓦(讲法语)。在该示例中，嘴唇同步在此时是不相关的，因为显然是翻译者(机器或人)而不是鲍比在发出该法语短语。通过插入适当延迟，系统10呈现其短语正被(以任意语言)播放的人的脸。

例如，鲍比讲的英语短语可以经由语音转文本模块70a被翻译成文本。该文本可以经由文本翻译模块72a被转变成第二语言(在该示例中为法语)。该已翻译的文本随后可以经由文本转语音模块74a被转变为语音(法语)。因此，服务器或管理器元件可以评估时间延迟，并且随后插入该延迟。该延迟可以有效地具有两个部分：第一部分评估实际的翻译将花多长时间，而第二部分评估将花多长时间来播完该短语。第二部分将为接收者模拟更为正常自然的语言流。这两个部分可以被加到一起以便确定将在此特定结合处被插入到视频会议中的最终延迟。

在一个示例中，这些活动可以由并行处理器完成以便使得被插入的延迟最小。可替换地，这样的活动可以简单地在不同服务器上发生来完成类似的延迟最小化。在其它情景中，存在设置在管理器元件20和50中或在服务器30和40中的处理器，以使得每种语言具有其自己的处理器。这也可以减轻相关联的延迟。一旦该延迟已经被估计出并且随后被插入，则该体系架构的另一组件操作来占据没有在接收已翻译的短语或语句的端用户。

根据该系统的一个方面，在鲍比完成其问题并且该系统将法语翻译播放给贝努瓦之后，约翰(讲英语)看到图标，该图标告诉他正在进行翻译。这将向约翰表明：他在再发言之前应当等待需要翻译的其它参与者。这由步骤104示出。间接地，该图标告诉不需要翻译的所有参与者：他们将不能够在该讨论中插入更多的陈述，直到已翻译的信息已经被适当地接收到为止。

在一个实施例中，给约翰的指示是经由被显示在约翰的屏幕上的图标(文本或符合)来提供的。在另一示例实施例中，系统10播放鲍比的问题的低音量法语版本，警告约翰：鲍比的问题正被传播给其它参与者并且约翰应当等待其答复直到每个人都有机会听到该问题为止。

当已翻译的版本被播放给贝努瓦时，系统10在该示例中使来自所有参与者的音频消音。这在步骤106中被示出。为了用信号传送该消音，用户可以经由屏幕上的图标被通知，或者端用户的端点可以被涉及(例如，扬声器的红色LED可以指示他们的麦克风已经被消音直到已翻译的短语被播放完毕为止)。通过使其它参与者消音，系统10有效地防止参与者在等待翻译的端用户已经听到之前的语句或短语之前向前进行，或在一边谈话。

注意，某些视频会议体系架构包括选择哪些发言者可在给定时刻被听到的算法。例如，一些体系架构包括前三图表(top-three paradigm)，其中仅那些发言者被允许将它们的音频流发送到会议的论坛中。其它协议在选择接下来应该谁发言之前，评估最大声的发言者。在此展示的示例实施例可以借助该技术以便防止一边谈话发生。例如，通过借助这样的技术，可以防止音频通信直到翻译已经完成为止。

更具体地，在此提供的示例可以开发在视频会议的具体区间期间将被准许的媒体流的子集，其中其它的媒体流在会议论坛中将不被准许。在一种示例实现方式中，当翻译者正在讲翻译的文本时，其它端用户收听该翻译(即使这不是他们的母语)。这由步骤108示出。虽然这些其它端用户不一定理解正在说的是什么，但是他们尊重翻译者的语音并且他们尊重由于该活动带来的延迟。可替换地，其它端用户听不到该翻译，但是其他端用户可以接收某种类型的通知(诸如“正在进行翻译”)或被系统消音。

在一种示例实现方式中，该配置将已被自动翻译的语音视为媒体流，其它用户不能越过或抢先该媒体流。另外，系统10同时假定：收听者看见的图像是来自其被翻译的消息正被他们收听的那个人的图像。转到图3的流程，一旦该翻译对于贝努瓦已被完成，则该图标被移除(例如，这些端点将禁用消音功能以使得他们又能够接收音频数据)。参与者又自由发言并且谈话继续。这在步骤110中示出。

在其中视频会议期间讲三种以上语言的情形中，该系统可以通过估计翻译活动中将招致的最长延迟来进行响应，其中不在接收已翻译的信息的所有端用户可以被防止继续该谈话直到最后的翻译被完成为止。例如，如果一个参与者用户问道：“该特定产品的预期运送日期是哪天？”，针对该语句的德语翻译可以是6秒，而针对该语句的法语翻译可以是11秒。在此实例中，在其它端用户将被允许继续该会议并插入新的陈述之前，延迟将至少为11秒。其它定时参数或定时标准当然也可以被采用并且任何这样的置换显然在所展示的概念的范围内。

在示例实施例中，通信系统10可以实现许多不同的优点：其中一些本质上是无形的。例如，与将某些参与者降低为被动收听者的角色相对，存在减慢讨论并确保每个人都可以贡献的益处。自由流畅的讨论在全部参与者讲相同语言的国内环境中是具有其优点。当参与者不是讲相同语言时，必需确保整个组在讨论继续发展之前具有相同的信息。在不必(通过延迟会议的进展来确保每个人共享相同的共同信息)而强制实施共同信息监测点的情况下，组可以被分成两个子组。一个子组将参与例如讲英语的参与者之间的第一语言的第一交换，而另一参与者子组例如将法语的成员被降低为收听模式，因为他们对发展的讨论的理解总是滞后自由流动的英语谈话。通过施加延迟并减慢谈话，所有会议参与者都具有完全参与和贡献的机会。

注意，利用上述示例，以及在此提供的许多其它示例，鉴于两个或三个元素描述了交互。然而，这已经仅为了清楚和示例的目的被完成了。在某些情况下，通过仅参考有限数目的网络元件来描述个顶流集合的功能中的一个或多个功能可以更容易。应当明白，通信系统10(及其教导)是容易扩展的并且可以容纳更多数目的端点以及更多复杂的布置和配置。相应地，所提供的示例不应当限制范围或禁止有可能被应用于无数其它体系架构的通信系统10的广泛教导。

另外，重要的是注意：参考图1-3讨论的步骤仅图示出可以由通信系统10或在通信系统10内执行的可能情景中的一些。这些步骤中的一些步骤可以在适当时被删除或被移除，或者这些步骤可以在不偏离本公开的范围的前提下被显著地修改或改变。另外，这些操作中的许多已经被描述为与一个或多个附加的操作并发地或并列地执行。然而，这些操作的定时可以被显著地更改。例如，一旦延迟机制被启动，则消音和图表供应可以同时相关地发生。前述操作流已经被提供以用于示例和讨论目的。由通信系统10提供的实质灵活性在于：在不偏离本公开的教导的情况下，可以提供任意适当的布置、时间顺序、配置和定时机制。

尽管已经参考具体实施例详细描述了本公开，但是应当理解，在不偏离本公开的精神和范围的情况下，可以对其作出各种其它改变、替换和更改。例如，虽然本公开已经被描述为在视频会议环境或布置中操作，但是本公开可以用在可以从这样的技术中受益的任何通信环境中。实质上力图智能地翻译数据的任何配置都可以受益于本公开。此外，该体系架构可以在为一个或多个端点提供翻译的任意系统中被实现。另外，尽管之前的示例中的一些示例已经涉及与网真平台有关的特定术语，但是该思想/方案可以移植到宽得多的领域：不论其是否是其它视频会议产品、智能电话设备等等。此外，尽管已经参考辅助通信处理的具体元件和操作描述了通信系统10，但是这些元素和操作可以用时限通信系统10的意图功能的任意适当的体系架构或处理来替换。

对于本领域技术人员而言可以确认许多其它的改变、替换、变形、更改和修改，并且意图本公开包括落在权利要求的范围内的所有这样的改变、替换、变形、更改和修改。为了辅助美国专利商标局(USPTO)以及基于此审查发布的任何专利的任何读者解释权利要求书，申请人希望表明申请人：(a)不意图申请日存在的所附任何权利要求援引35U.S.CSection 112a的第(6)段，除非在特定权利要求中具体使用了单词“用于……的装置”或“用于……的步骤”；以及(b)不意图通过说明书中的任何陈述来以权利要求书中未反映的任何方式限制本公开。

Claims (17)

1.一种用于在会议环境中翻译参与者之间的通信的方法，包括：

从视频会议接收音频数据；

将所述音频数据从第一语言翻译成第二语言，其中已翻译的音频数据在所述视频会议期间被播放；以及

抑制另外的音频数据直到所述已翻译的音频数据在所述视频会议期间已经被播放完毕为止，其中，对所述音频数据的抑制包括使所述视频会议的所有参与者操作的端用户设备消音。

2.如权利要求1所述的方法，其中，所述视频会议至少包括第一端用户、第二端用户和第三端用户。

3.如权利要求2所述的方法，还包括：

向第一端用户和第三端用户通知所述音频数据的翻译，并且其中，所述通知包括为第一端用户和第三端用户的显示器生成图标或者所述通知包括在被配置为接收来自第一端用户和第三端用户的音频数据的各自的端用户设备上使用光信号。

4.如权利要求2所述的方法，其中，在所述音频数据的翻译期间，与第一端用户相关联的视频图像被显示给第二端用户和第三端用户并且用于第二端用户和第三端用户的视频流被延迟。

5.如权利要求2所述的方法，其中，在所述视频会议期间用于所述端用户的视频切换包括向与所述已翻译的音频数据相关联的机器翻译出的语音数据指派最高优先级。

6.如权利要求2所述的方法，其中，对所述音频数据的抑制包括在准许第一端用户和第三端用户使他们的后续音频数据被接收到所述视频会议中之前插入延迟，并且其中，所述延迟包括用于翻译第一端用户的音频数据的处理时间段和用于将已翻译的音频数据向第二端用户播放完毕的时间段。

7.一种用于在会议环境中翻译参与者之间的通信的装置，包括：

管理器元件，所述管理器元件被配置为从视频会议接收音频数据，其中，所述音频数据被从第一语言翻译成第二语言并且在所述视频会议期间被播放，所述管理器元件包括控制模块，所述控制模块被配置为抑制另外的音频数据直到已翻译的音频数据在所述视频会议期间已被播放完毕为止，其中，对所述音频数据的抑制包括使所述视频会议的所有参与者操作的端用户设备消音。

8.如权利要求7所述的装置，其中所述视频会议至少包括第一端用户、第二端用户和第三端用户。

9.如权利要求8所述的装置，其中，在所述音频数据的翻译期间，与第一端用户相关联的视频图像被显示给第二端用户和第三端用户并且用于第二端用户和第三端用户的视频流被延迟。

10.如权利要求8所述的装置，其中，所述管理器元件被配置为在所述视频会议期间执行用于所述端用户的视频切换并且所述切换包括向与所述已翻译的音频数据相关联的机器翻译出的语音数据指派最高优先级。

11.如权利要求8所述的装置，其中，所述管理器元件被配置为在准许第一端用户和第三端用户使他们的后续音频数据被接收到所述视频会议中之前插入延迟，并且其中，所述延迟包括用于翻译第一端用户的音频数据的处理时间段和用于将已翻译的音频数据向第二端用户播放完毕的时间段。

12.如权利要求8所述的装置，其中，所述管理器元件被配置为向第一端用户和第三端用户提供所述已翻译的音频数据，所述已翻译的音频数据以降低的音量被向第二端用户播放。

13.一种用于在会议环境中翻译参与者之间的通信的系统，包括：

用于从视频会议接收音频数据的装置；

用于将所述音频数据从第一语言翻译成第二语言的装置，其中已翻译的音频数据在所述视频会议期间被播放；以及

用于抑制另外的音频数据直到所述已翻译的音频数据在所述视频会议期间已经被播放完毕为止的装置，其中，对所述音频数据的抑制包括使所述视频会议的所有参与者操作的端用户设备消音。

14.如权利要求13所述的系统，其中，所述视频会议至少包括第一端用户、第二端用户和第三端用户。

15.如权利要求13所述的系统，其中，在所述音频数据的翻译期间，与第一端用户相关联的视频图像被显示给第二端用户和第三端用户并且用于第二端用户和第三端用户的视频流被延迟。

16.如权利要求14所述的系统，其中，在所述视频会议期间用于所述端用户的视频切换包括向与所述已翻译的音频数据相关联的机器翻译出的语音数据指派最高优先级。

17.如权利要求14所述的系统，其中，用于抑制所述音频数据的装置包括在准许第一端用户和第三端用户使他们的后续音频数据被接收到所述视频会议中之前插入延迟，并且其中，所述延迟包括用于翻译第一端用户的音频数据的处理时间段和用于将已翻译的音频数据向第二端用户播放完毕的时间段。