普通话能输入也能输出，粤语却不同：读懂 SeamlessM4T 的语言表

想把一段话翻译后直接读出来，先要弄清楚：目标语言到底能生成声音，还是只能交出文字？Meta 的 SeamlessM4T v2 Large 将语音识别、语音翻译和文字翻译放进一套模型，但不同语言的输入与输出范围并不对称。

对中文读者，最有用的入口恰好是语言表。普通话和粤语都能出现在材料输入中，最终能交出的形式却不一样。

语言名称后面，四个格子都值得看

官方模型卡把语言能力分成 Source 和 Target，再分别标注语音与文字。普通话条目列有语音和文字的输入、输出；粤语条目则列有语音与文字输入，目标端只列文字，没有语音输出。

这意味着，不能因为看到粤语在支持列表里，就做一个“选择粤语朗读”的按钮。若研究粤语录音转其他受支持语言，可以沿相应任务看下去；若希望生成粤语声音，这个具体型号的表格并没有作出那项支持承诺。

模型卡给出的总体范围是101种语音输入、96种文字输入输出、35种语音输出。三个数字不同，正说明“约百种语言翻译”是一种概括，不能替代每个方向的核对。

官方 Transformers 示例展示了两种起点：一句文字，或者先重采样成16kHz的音频。输入经过相应处理器后，生成时再指定目标语言。示例将结果保存成音频文件，也展示了如何播放生成的声音。

对研究原型，关键的设计选择是最终交接物。要给编辑提供译文，可以选择语音到文字路径；要研究跨语言语音交互，则进一步看语音到语音路径。它们共享模型家族，并不意味着每次都必须把文字和声音全部生成。

用普通话材料作输入是语言表支持的范围，但表格不能告诉你某个口音、术语或背景噪声下的具体效果。更实际的检查办法，是保留原片段及对应译文，先确定内容没有误解，再评估合成声音是否适合当前听众。

项目仓库还介绍了 SeamlessExpressive 和 SeamlessStreaming。前者研究韵律与声音风格，后者研究流式翻译，它们与本文的 M4T v2 并不是同一个名字可以随意互换的功能包。

因此，M4T v2 能生成译后语音，不等于这篇介绍已经证明了实时同传或保留原说话人情绪。若产品需要边说边译、控制等待时间，应查看对应的流式模型、接口和语言范围。

还有一项会直接影响采用的条件：仓库代码采用MIT许可，SeamlessM4T v1和v2模型权重采用CC BY-NC 4.0，包含非商业限制。它适合作为研究材料，不能因为代码开放，就直接当作商业配音服务的通用底座。先看语言表，再看任务与许可，才知道这套模型能接上你流程中的哪一段。