【技术讨论】基于神经网络的语音翻译系统实现难点在哪里

长久以来，音声和艾薇的汉化工作大多是人工翻译完成的，这种工程极其耗费人力物力，而且效率不高。那么有没有可能，在原有的通用语音翻译系统的框架基础上，生成一个新的神经网络并用现在已知的流放音声和带字幕艾薇去训练他，得到一个效果很好，甚至于几乎不需要后期润色的翻译结果呢。这构思起来似乎并不是很难，但是直觉告诉我，整个过程种一定有某种技术难题是很难攻克的，希望大家能予以指导

我觉技术首先不会是难题
难的是 回报呢
如果你这技术做成后日进斗金不愁没有高端技术人才争先去搞
但你说就这音声 艾薇 甚至是更近一步的同声翻译对现在来说这些的收益并不足以抵上用人的成本
甚至你说的这些需求也都不是必需品
以后要是人工成本不断变高还有相应的必须需求自然会有人去作这一块