Skype odszedł z wielojęzyczności

Katrina Rippel to uważna mówczyni, która przestrzega wszystkich zasad. Hao Chen jest bardziej swobodnym rozmówcą. A ja jestem nieustannym awanturnikiem, nieustannie wyrzucam wszelkie myśli, które przychodzą mi do głowy. Ostatniego ranka spotkaliśmy się we trójkę w cyberprzestrzeni, aby dowiedzieć się, jak dobrze (lub słabo) potrafimy porozumiewać się w mieszance niemieckiego, mandaryńskiego i angielskiego. Każdy z nas mówił tylko w swoim ojczystym języku.

Zakładając słuchawki, wykorzystaliśmy Skype Translator, dzieło zespołu badawczego Microsoftu. (Moimi partnerami na czacie byli konsultanci Microsoftu na pół etatu, którzy znajdowali się tysiące mil od mojej bazy na Zachodnim Wybrzeżu USA.) Kiedy zapytałem Chena, gdzie dorastał, nie zdziwiło mnie, gdy powiedział: 我在,辽宁省,鞍山市. Kilka sekund później przyjazny syntetyczny głos powiedział mi: Moje rodzinne miasto znajduje się na północnym wschodzie Chin, w prowincji Liaoning, Anshan.

Gdyby tylko reszta naszych wymian przebiegła tak gładko. Kiedy Chen próbował wyjaśnić swoje podróże do Stanów Zjednoczonych, Skype źle potraktował niejednoznaczny mandaryński rzeczownik, mówiąc mi, że podróżował do kadry Nowego Jorku. Dopiero gdy Chen spróbował innego sformułowania, Skype chciał uczynić go stanem Nowy Jork. Kiedy zapytałem Rippel o jej niemieckie miasto rodzinne, oprogramowanie Skype'a, oczekując, że będę mówić po angielsku, a nie po niemiecku, usłyszało, jak mówię ubrana zamiast Drezna. Utworzyła więc bełkot, w którym zamiast nazwy miasta pojawiło się niemieckie słowo bekleidet.

Jak pokazują takie potknięcia, maszynowe tłumaczenie codziennej mowy jeszcze nie istnieje, pomimo 30 lat prób. To naprawdę nasza wina. Gdybyśmy przemawiali z jasnością i precyzją dyplomatów ONZ, to narzędzia sztucznej inteligencji mogłyby rozszyfrować wszystko według ustalonych wzorców. Im bardziej polegamy na niezbadanych słowach lub składni, aby przekazać nasze myśli, tym trudniej jest oprogramowaniu do tłumaczenia, aby wszystko było dobrze bez dodatkowej pomocy.

Mimo to Microsoft, Google, Baidu, Facebook, IBM i wielu innych rywalizuje o dominację w tej trudnej dziedzinie. Oferowanie najwyższej jakości rozpoznawania głosu i tłumaczenia może stać się atrakcyjną wizytówką, która pomaga zablokować klientom wiele innych usług. Obejmują one od wyszukiwania w Internecie do przetwarzania w chmurze, w którym przechowywanie i przetwarzanie danych odbywa się za pośrednictwem zdalnych serwerów i połączenia internetowego.

Według Synergy Research światowe wydatki na chmurę i infrastrukturę przekroczyły w zeszłym roku 115 miliardów dolarów i rosną w tempie 28 procent rocznie. Tłumaczenie w czasie rzeczywistym może pomóc konkurencyjnym zestawom usług w chmurze wyróżnić się na tle tego, co w przeciwnym razie stałoby się biznesem towarowym opartym na cenach. Na razie większość usług tłumaczeniowych jest dostępna bezpłatnie, ale mogą pojawić się płatne alternatywy, ponieważ globalne przedsiębiorstwa poszukują niestandardowych narzędzi tłumaczeniowych, które działają jeszcze lepiej.

W szczególności Microsoft bada sposoby, w jakie użytkownicy korporacyjni mogą budować większe możliwości na podstawowym silniku Skype Translator, który testowaliśmy Rippel, Chen i ja. Jeden obszar zainteresowań: pomaganie klientom w ładowaniu z wyprzedzeniem tysięcy specjalistycznych terminów, dokumentów referencyjnych, przykładowych rozmów i dziwacznych lokucji. W ten sposób problemy typu drezdeńskiego powinny być znacznie mniej prawdopodobne.

Oprogramowanie do tłumaczenia działa znacznie lepiej, jeśli może korzystać z obszernej bazy danych wzorców językowych, z których prawdopodobnie będą korzystać poszczególni mówcy, wyjaśnia dyrektor ds. strategii badawczej Microsoft, Vikram Dendi. Konsultanci ds. zarządzania mogą używać terminów takich jak delta i szczegółowość w kontekstach, które dla reszty z nas wydają się nie do pomyślenia. Chemicy przemysłowi mogą przekomarzać się z ponad tuzinem różnych rodzajów ftalanów. A w każdej dużej firmie pseudonimy dla projektów, procesów i kadry kierowniczej są nieograniczone.

Oferowanie najwyższej jakości rozpoznawania głosu i tłumaczenia może pomóc w zablokowaniu klientów w wielu innych usługach, od wyszukiwania w Internecie po przetwarzanie w chmurze.

Od 2011 roku Microsoft umożliwia dużym klientom ładowanie własnych glosariuszy lub materiałów pisemnych do specjalistycznych baz tłumaczeń tekstów. Ma to na celu uzyskanie bardziej wiarygodnych wyników niż zapewnia podstawowa usługa Bing firmy Microsoft, zwłaszcza w przypadku gęstych materiałów technicznych. Ponad 100 000 użytkowników zdecydowało się na dostosowanie, mówi Dendi. Użytkownicy Light mogą płacić zaledwie 40 USD miesięcznie; ciężcy użytkownicy, tacy jak Adobe i Twitter, mogą płacić znacznie więcej.

Od połowy lat 90., kiedy założyciel firmy Bill Gates przewidywał, że rozpoznawanie mowy będzie powszechnie dostępne w ciągu 10 lat, firma Microsoft wypróbowała szeroką gamę strategii łamania tłumaczeń. Wczesne podejścia opierały się w dużej mierze na próbach skatalogowania określonych zasad gramatyki i użycia. Począwszy od 2009 roku Microsoft poszerzył swój nacisk. Techniki statystyczne połączono z sieciami neuronowymi, systemem uczenia maszynowego opartym na strukturze i samouczącym się charakterze ludzkiego mózgu.

Według Petera Lee, szefa działu badawczego firmy, Microsoft używa obecnie pięciu warstw sieci neuronowych do analizy mowy. Najniższe warstwy analizują dźwięki na poziomie, który jest tak szczątkowy, jak sposób, w jaki oprogramowanie do analizy obrazu wyszukuje krawędzie i powierzchnie, bez podejmowania jakiejkolwiek próby ustalenia, jakie mogą być obiekty. Podobnie jak w przypadku wielu zaawansowanych podejść opartych na inteligencji maszyn, istnieje pewna tajemnica, jak to działa, nawet dla zaangażowanych naukowców. Nie ma to nic wspólnego ze słowami ani fonemami, mówi Lee, odnosząc się do dźwięków, które odróżniają jedno słowo od drugiego. Myślę, że nikt z nas nie rozumie dokładnie, na co patrzy dolna warstwa. Ale działa zaskakująco dobrze.

Badacze Microsoftu również w większym stopniu wykorzystują tak zwaną pamięć długotrwałą. Podczas rozpoznawania mowy lub tłumaczenia sieci neuronowe tworzą serię domysłów, które są aktualizowane w miarę pojawiania się nowych informacji. Czasami oczekiwany wzorzec nagle się załamuje. W takich przypadkach sieci neuronowe mogą lepiej przegrupowywać się, jeśli potrafią ponownie przyjrzeć się założeniom, które doprowadziły do ​​zgadywania kilku słów. Utrzymywanie dłuższego śladu w pamięci krótkotrwałej systemu umożliwia takie odtworzenie i późniejsze korekty.

Aby wytrenować sieci neuronowe Skype Translator w każdym nowym języku, potrzeba co najmniej 4000 godzin mówionych próbek i milionów słów tekstu. Arul Menezes, szef zespołu tłumaczeń maszynowych Microsoftu, mówi, że spodziewał się trudności w językach takich jak arabski, gdzie akcenty mówców mogą się znacznie różnić. Ale zbierając próbki wystarczającej liczby głosów różnych mówców, mówi Menezes, możliwe było rozwinięcie ucha Skype Translator dla różnych intonacji do tego stopnia, że ​​akcenty regionalne nie stanowią problemu. To samo dotyczy różnic między głosami męskimi i żeńskimi.

Inne odmiany mowy potocznej okazują się trudniejsze. Sieci neuronowe są niezwykle wrażliwe na różnice w mikrofonach. (Ludzie mogą być dobrzy w wykrywaniu różnicy między statyką a mową, ale maszynom jest to znacznie trudniejsze do opanowania). Pauzy w mowie również są problematyczne. Jak zauważa Menezes, Ludzie zazwyczaj nie robią pauzy na końcu zdania. Zatrzymują się gdzie indziej. Pauzy stają się bezużyteczne w wykrywaniu początku lub końca zdania. Musisz kierować się samymi słowami.

Menezes przyznaje, że znalezienie właściwych tłumaczeń dla niejednoznacznych słów to również niekończące się wyzwanie. Mówiąc po niemiecku, Rippel często używa słowa Sie, które może oznaczać ona, ciebie lub ich, w zależności od sytuacji. Tłumacz Skype ma rację w około 80 procentach przypadków.

Podobnie Skype Translator nieco potyka się, gdy Chen omawia wielkość rodziny w Chinach. Niezależnie od polityki rządu, mówi mi Chen, sam koszt rodzicielstwa w Chinach oznacza, że ​​wiele osób chce tylko urodzić dziecko.

Kilka minut później, siedząc w budynku 99 w siedzibie Microsoftu, Menezes i ja przeglądamy zapis rozmowy. Menezes ze smutkiem wskazuje na wymianę dzieci. To powinno być „jedno dziecko”, mówi. Ale w chińskim nie ma rozróżnienia między „jeden” i „a”. Jest różnica w języku angielskim, ale należy to zrozumieć całkowicie w kontekście.

Nie sądzę, by profesjonalni tłumacze jeszcze dygotali z powodu tego, co robimy, dodaje z lekkim uśmiechem. Ich praca jest bezpieczna przez dłuższy czas.

Rippel, zawodowy tłumacz, nie jest aż tak krytyczny. Dopóki użytkownicy mówią powoli i zachowują krótkie zdania, zautomatyzowane usługi, takie jak Skype Translator, mogą skutecznie pokonywać bariery językowe.

To bardzo ważne, żeby to narzędzie istniało, mówi. W obecnych czasach ważniejsza niż kiedykolwiek jest możliwość rozmawiania ze sobą przez ludzi we wszystkich społecznościach.

ukryć