Google发布能够直接将一种语言的语音，转换为另一种语言语音的模型Translatotron，通过单一的注意力Seq2seq网络来直接翻译语音，中间不需要借助文本数据的转换，由于避开了分阶段式的转换步骤，因此，该模型具有较高的性能，且降低了语音识别和翻译过程中的错误风险，直接将原本的语言转换为目标语言的语言，也能够更好地处理语句中不需要翻译的词句，像是名称或是特定名词。
语音之间的翻译系统的目的，是为了帮助讲不同语言的人沟通，这类的翻译系统通常会包含三个不同的技术，分别为自动语音识别、机器翻译和文本转语音生成技术，将一个语言的语音转为文本后，通过机器翻译转换成另一个语言，再用语音生成技术创造目标语言的语音，Google AI研究院从2016年开始打造Translatotron模型，该模型是端到端的语音翻译模型，研究结果发现，直接翻译语音的方式，比起过去分段翻译的方式更为有效。
Translatotron模型是通过Seq2seq网络，输入数据为原本语言的声谱图（spectrograms），产生翻译成目标语言内容的声谱图，另外Translatotron模型还加入了两个分别训练过的网络：将输出声谱图转换为时域波形的神经声码器（vocoder）、在生成翻译语音时用来维持原始声音特征的编码器，使得翻译语音听起来更自然，在训练的过程中，生成目标语言的声图谱时，Seq2seq模型利用多任务目标学习法，同时预测来源和目标文本，不过，过程中没有任何中间的文本当作参考数据。