在语音识别方面，区别于传统的上下文相关建模技术，百度提出了上下文无关音素组合的中英文混合建模单元，包含1749个上下文无关中文音节和1868个上下文无关英文音节。该方法具有泛化性能好、对噪声鲁棒、中英文混合识别等特点。

在翻译质量方面，提出了“语音容错”的对抗训练翻译模型，根据语音识别模型常犯的错误，在训练数据中有针对性的加入噪声数据，使得模型在接受到错误的语音识别结果时，也能够在译文中纠正过来。比如，语音识别系统将“大堂”错误的识别为“大唐”，这一对噪声词将被自动收录到训练数据中，并将源语言句子“我们在酒店大堂见面吧”替换为“我们在酒店大唐见面吧”，而保持目标语言翻译不变“Lets meet at the lobby of the hotel”，同时将这两个中文句子用于训练，进而获得具有更强的容错能力模型。

为了降低时延提升翻译质量，人类译员通常对演讲内容进行合理预测，百度开发人员从人类译员身上获得启示，研发了“wait-k words”模型，可以根据历史信息，直接预测翻译中目标语言词汇。该模型在翻译质量和翻译延迟之间做出了很好的平衡，用户可根据实际需求设定延迟时间(例如延迟1(k=1)词或延迟5(k=5)词)。比如，法语和西班牙语这种较为接近的语言，延迟可设置在比较低的水平;但是，对于英语和汉语这种差异较大的语言，以及英语和德语这种词序不同的语言，延迟应当设置为较高水平，以便于更好地应对差异。

在同声传译时，经常会遇到不同领域的专业知识，这就要求同传人员在短时间内吸收大量相关领域的内容，这对他们也是极大地挑战。基于此，百度模仿人类同传的准备过程，提出了快速融合领域知识策略。该策略依托百度海量的互联网大数据，训练得到的具有通用翻译能力的模型;当它接到某一个领域的同传翻译任务时，系统会收集该领域数据并在通用模型的基础上进行增强训练，得到相应领域的增强模型;最后对该领域术语库进行强制解码，使专业术语翻译得准确可靠，且提升翻译效率。

虽然机器同传有了新的突破，但它与经验丰富的同传人员相比，依然存在一定差距。百度翻译技术负责人表示，百度研发新系统的初衷是为了降低同传成本，让同传在不同领域构筑沟通桥梁，而非取代人类译员。