在给定的选项中，最适合使用 RNN（递归神经网络）1对N（1-to-N）变体实现的任务是 C: 机器翻译。

### 专业分析：

#### RNN（递归神经网络）及其变体：

- **RNN 的特点**：
- RNN 能够处理序列数据，因为它具有记忆能力，可以保存过去的信息并将其应用于当前输入的处理。
- 特别适合处理时间序列、自然语言处理等任务。

- **1对N（1-to-N）变体**：
- 适用于一个输入序列映射到多个输出的场景，即需要生成多个输出的情况。这种结构在处理和生成序列形式的信息时非常有效。

#### 各选项分析：

- **A: 图像生成描述**：
- 这一任务通常需要将图像信息转换为文本描述，更常使用卷积神经网络（CNN）结合序列模型（如 RNN 或 Transformer）来处理，通常是 N 对 1（N-to-1）映射。

- **B: 图像生成**：
- 图像生成更适合使用生成对抗网络（GAN）或变分自编码器（VAE），与 RNN 的序列处理能力关系不大。

- **C: 机器翻译**：
- 最适合由 RNN 及其变体（如 LSTM、GRU）实现。机器翻译本质上是将一个序列（源语言）翻译成另一个序列（目标语言），属于典型的 1对N（1-to-N）任务。

- **D: 阅读理解**：
- 阅读理解更多涉及到对文本的理解和解答问题，通常使用注意力机制和预训练的语言模型（如BERT、GPT）来实现，而不是典型的 RNN 1对N 结构。

因此，**机器翻译** 是最适合使用 RNN 1对N 变体实现的任务。