Zamislite da pričate sa nekim na drugom kraju sveta, a da vam tehnologija ne prevodi samo reči, već i ton, emociju, pa čak i onaj polušapat ili uzdisaj koji menja celo značenje rečenice. Upravo to je cilj koji je Google zacrtao kao svoju novu misiju.
Kompanija je objavila da njeni proizvodi i tehnologije danas podržavaju interakciju na više od 300 jezika, koje govori preko sedam milijardi ljudi — što predstavlja čak 86 odsto svetske populacije. Zvuči impresivno, ali iz Googlea poručuju da je to tek početak, jer decenijama unazad tehnologija najbolje radi za nekolicinu dominantnih jezika, dok su hiljade živih jezika i dijalekata ostale po strani ili potpuno odsutne iz digitalnog sveta.
Od prevođenja teksta do razumevanja suštine
Kada je Google Translate pokrenut 2006. godine, cilj je bio jednostavan — srušiti jezičke barijere. Zahvaljujući napretku veštačke inteligencije, taj servis je sa nekoliko jezika narastao na više od 250 jezika. Ali, kako ističu iz kompanije, puko prevođenje teksta nije dovoljno.
Ljudi ne govore u savršeno urednim, gramatički ispravnim rečenicama. Smejemo se, prekidamo jedni druge, oklevamo i često u istoj rečenici mešamo više jezika — poput špansko-engleskog “Spanglisha” ili hindsko-engleskog “Hinglisha”. Tradicionalni sistemi za prepoznavanje govora su tu zakazali, jer su radili po krutom principu: prvo transkripcija zvuka u tekst, pa obrada, pa ponovno pretvaranje u zvuk. Takav pristup briše upravo ono najbogatije — ton, ritam, emociju i kontekst.
Zato je Google prešao na ono što nazivaju nativnom audio inteligencijom — obukom modela poput Gemini da obrađuju zvuk direktno, onakav kakav jeste, i da istovremeno razumeju i zvuk i nameru govornika.
Alati koji već danas rade u realnom vremenu
Rezultati tog rada već su opipljivi. Gemini 3.5 Live Translate omogućava prevod govora u realnom vremenu na 70 jezika i preko 2.000 jezičkih parova, pri čemu prirodno hvata i trenutke kada govornik preskoči sa jednog jezika na drugi, kao i emocionalne signale u glasu.
Sa druge strane, Gemini 3.5 Transcribe predstavlja najprecizniji model za pretvaranje govora u tekst do sada — uspešno radi i u bučnim okruženjima i sa složenim stručnim žargonom. Ovaj model pokreće i funkciju Rambler na Android tastaturi Gboard, koja uklanja reči ispunjavače, ispravlja gramatiku i interpunkciju, a omogućava i uređivanje ili prepisivanje glasovnim komandama, uz nesmetano prebacivanje između jezika.
Inicijativa za 1.000 jezika
Iza svega stoji ambiciozan projekat pod nazivom Inicijativa za 1.000 jezika, čiji je cilj da AI razume svetske jezike baš onako kako se oni zaista govore — sa svom njihovom kulturnom nijansom i bogatstvom. Google pritom sarađuje sa lokalnim zajednicama širom sveta kako bi alati radili za svakoga, čak i za one bez pouzdanog pristupa internetu.
Suština ove priče nije samo tehnološka. Radi se o tome da tehnologija prestane da nameće jedan način govora i da počne da poštuje različitost — da svako može da bude shvaćen pod svojim uslovima, na svom jeziku i na svoj način. A to je, složićete se, mnogo više od pukog prevođenja.
Više o celom projektu možete pročitati na zvaničnom Google blogu.