A Google 1000 nyelven szeretné elérhetővé tenni az AI-t

A szövegfordításon túl az élő beszéd megértése a cél

A Google szeptember 15-i közlése szerint technológiái és termékei jelenleg több mint 300 nyelven támogatják a mindennapi interakciókat. Ezeket a nyelveket több mint 7 milliárd ember beszéli, ami a világ népességének 86 százaléka. A vállalat szerint ez jelentős eredmény, ugyanakkor több ezer élő nyelv és nyelvjárás továbbra is gyengén képviselt vagy teljesen hiányzik a digitális világból.

A Google Translate 2006-os indulásakor a cél a nyelvi akadályok csökkentése volt. A szolgáltatás azóta néhány nyelvről több mint 250-re bővült, a Google azonban úgy látja, hogy a szöveg önmagában nem írja le pontosan, ahogyan az emberek a valóságban kommunikálnak. A beszédben szerepet kap a hangsúly, a tempó, az érzelem, a hezitálás, az egymás szavába vágás és az is, amikor valaki egy mondaton belül több nyelvet használ.

A vállalat ezért olyan modelleket fejleszt, amelyek közvetlenül a hangot dolgozzák fel, miközben a hangzás és a szándék felismerésére is törekednek. A Google szerint a Gemini 3.5 Live Translate már 70 nyelven és több mint 2000 nyelvpárban támogat valós idejű, beszélt fordítást. A Gemini 3.5 Transcribe a cég állítása szerint eddigi legpontosabb beszéd szöveggé alakító modellje, amely zajos környezetben és összetett szakszövegeknél is formázott szöveget készít.

Helyi közösségektől gyűjtenek nyelvi adatokat

A Google 1000 Languages Initiative nevű programjának célja a világ 1000 leggyakrabban beszélt nyelvének támogatása. A vállalat Universal Speech Model modelljét 12 millió órányi hanganyaggal tanították. A rendszer többnyelvű átviteli tanulást használ, így a nagy adatmennyiséggel rendelkező nyelvekből tanult mintákat a kevésbé dokumentált nyelvek beszédfelismerésének javítására is felhasználhatja.

A fejlesztéshez helyi partnerségeket is építenek. A Makerere University és a Digital Umuganda közreműködésével létrehozott WAXAL nyílt beszédadatbázis 27 szubszaharai afrikai nyelvet fed le. Ezeket több mint 100 millió ember beszéli több mint 26 országban, az adatbázis pedig a tónusbeli különbségeket és a társalgási ritmust is rögzíti.

A Project Vaani az Indian Institute of Science és a Bhashini partnerségével India nyelvi sokszínűségét térképezi fel. A Google közlése szerint eddig több mint 30 000 órányi beszédet gyűjtöttek 109 nyelven, több mint 155 000 beszélőtől. Az Amplify Initiative keretében négy kontinens több mint 1600 helyi szakértője és 20 egyeteme járult hozzá 15 000 multimodális adathoz.

A vállalat új Language Explorer eszköze a LinguaMeta nyílt forráskódú nyelvi adattárát jeleníti meg. A rendszer több mint 7000 beszélt, írott és jelnyelvet térképez fel.

Offline fordítás és akadálymentesebb kommunikáció

A Google szerint több mint 3 milliárd ember számára továbbra sem elérhető a megbízható internetkapcsolat. Erre válaszul fejlesztették a TranslateGemma könnyű, nyílt fordítási modellcsaládot, amelyet a Gemini alapján, 55 nyelven tanítottak. A modellek eszközön is hatékonyan futnak, így a Google szerint a jó minőségű fordításhoz nem feltétlenül szükséges felhőkapcsolat vagy internet.

A vállalat a Viamo szervezettel is együttműködik az Ask Viamo Anything, röviden AVA nevű hangalapú asszisztens fejlesztésében. A Gemini képességeit hagyományos, internetes adatkapcsolatra nem feltétlenül képes nyomógombos telefonokon tesztelték Ruandában. A szolgáltatás a Google szerint már több mint 2 millió kérdés megválaszolásához használta a Geminit.

Az akadálymentesítés része a Sign Language-to-Text, vagyis az SL2T is. A több mint 50 jelnyelven tanított rendszer a Gboard és a Pixel 11 Live Transcribe funkciójában támogat jelnyelvből szöveggé alakítást, kezdetben amerikai jelnyelvről angolra. A Google emellett új-zélandi māori nyelvi szakértőkkel dolgozott a Google Maps helyneveinek pontosabb kiejtésén, hogy a navigáció jobban tükrözze a helyi nyelvet és kulturális örökséget.