语音翻译（S2ST）正在成为语言行业的一个热门词汇，S2ST完全绕过了转录音频和翻译转录文本的步骤，使其成为一个更直接的过程。S2ST的一个主要参与者便是谷歌，据报道，其2021年6月改版的Translatotron 2的表现优于其2019年的前身。
尽管如此，STT（语音转文本）仍有其市场份额和支持者，甚至在探索S2ST的公司中也是如此。2021年9月，视频会议平台Zoom公布了为通话提供实时、多语言转录和翻译的计划。
如今，自称为 "AI社区 "的Hugging Face——一家主要依靠志愿者来实验数据集和机器学习模型的软件公司——宣布发布与Facebook AI合作创建的最先进的语音翻译模型。这些模型建立在之前合作的另一个基础模型Wav2Vec 2.0的基础上，该模型于2020年12月推出，自2021年9月初以来下载超过29000次。
Hugging Face最初的推文链接到的模型——自2021年9月以来被下载了801次——该模型允许用户将英语语音转换成德语文本。然而，Facebook AI在其公告中表示，语音转文字模型还可以将英语翻译成阿拉伯语、加泰罗尼亚语和土耳其语；并链接到这四个模型。
但批评者迅速就指出了模型的缺点以及他们的怀疑。其中一人表示，模型“令人兴奋，但是距离阿拉伯语的高质量翻译还有很长的路要走。比如，提供的第二个en-ar示例明显不对”。
另一条充满讽刺意味的推文质问Facebook，“真的有进步了吗？”并附了一条2017年丑闻事件的报道链接，在该事件中，Facebook的错误机译曾导致一名无辜男子被捕。
