1.一种原声语音翻译方法，其特征在于，包括以下步骤：步骤一、源语言语音采集，通过语音采集模块将语音信息采集后，发送给声音特征学习模块和STT(Speech‑To‑Text)模块。

步骤二、声音特征学习模块提取说话人的声音特征，特征被提取后经过深度神经网络DNN的学习建立声音特征模型，语言发音特征作为特征值送入深度神经网络DNN(Deep Neural Network)训练学习，学习后获得分别用于翻译与合成模块参考的语言特征模型特征向量与人声特征模型特征向量。

步骤三、STT模块转换源语音的文字信息，并分别由翻译模块和语言特征学习模块获取，其中，语言特征学习提取和记录源语言的语言特征，该特征经深度神经网络DNN的学习后修正语言特征模型，该模型所用参数被用于翻译模块的重要参考参数，作为翻译的预判信息；

步骤四、通过合成语音模块进行语音合成模拟，将翻译后，且经深度神经网络DNN的学习后修正语言特征模型作为语音输出的信息基础，模拟输出语言信息，采用时间区间模型与基频模型结合建立合成语音模型，生成时频谱信号，利用葛林氏算法Griffin‑Lim对合成语音模块进行合成处理，得到对应的人声特征语音信号，合成语音模型如下：S为给定的时频谱信号，

xi为第i次重建的信号，

f为短时距傅里叶变换，

‑1

f 为反变换，

Si,Pi分别代表xi的短时傅里叶变换的大小及相位；

步骤五、不断的重建信号，最终合成最接近说话者的语言、语音特征，并根据翻译内容，实时翻译播放，完成语音翻译过程。

2.根据权利要求1所述的一种原声语音翻译方法，其特征在于：所述步骤一中源语音采集包含对声音信号的预处理和判断，所述预处理包含语音的增强，背景声音消除，回声抑制等有利于优化信号的处理，所述判断包括判断声音信号中是否包含语言信息，如果未检测到语言信息，则当前信息被丢弃。

3.根据权利要求1所述的一种原声语音翻译方法，其特征在于：所述步骤二中声音特征模型具有预先训练好的声音特征模型，每次新的语音声音特征被学习均会修正该模型。

4.根据权利要求1所述的一种原声语音翻译方法，其特征在于：所述步骤二中声音特征学习模块包含特征提取，所提取的特征主要包含语言发音的特征，如元音、辅音、浊音等，提取的特征还包含说话人的发声特征，如音强、音调、音色。

5.根据权利要求1所述的一种原声语音翻译方法，其特征在于：所述步骤三中翻译流程的主要模块是同步实时执行的，而声音与语言特征的学习和模型修正过程可以异步执行，从而不影响翻译过程的实时性。