مدلها
گوگل: پوشش ۳۰۰ زبان با Gemini 3.5 و TranslateGemma
از ترجمه متنی به درک لحن و بافت فرهنگی؛ گوگل نقشه راه زبانی خود را بازگو کرد.
از ترجمه متنی به درک لحن و بافت فرهنگی؛ گوگل نقشه راه زبانی خود را بازگو کرد.
فناوریهای زبانی گوگل حالا ۳۰۰ زبان و ۸۶٪ جمعیت جهان را پوشش میدهند؛ از ترجمه بلادرنگ Gemini 3.5 تا TranslateGemma که بدون اینترنت کار میکند.
گوگل اعلام کرده فناوریهای زبانیاش بیش از ۳۰۰ زبان را برای بیش از ۷ میلیارد نفر پوشش میدهند — ۸۶ درصد جمعیت جهان. خبرِ اصلی اما عدد ۳۰۰ نیست؛ تغییر مسیر است: گذار از ترجمه متنی به مدلهایی مثل Gemini که صدا، لحن و بافت فرهنگی را مستقیم میفهمند.
Google Translate از سال ۲۰۰۶ کارش را شروع کرد و امروز بیش از ۲۵۰ زبان را پوشش میدهد. اما به گفته گوگل، ترجمه متن بخش غنی ارتباط انسانی را دور میریزد: لحن، مکث، همپوشانی گفتار و قاطیکردن دو زبان وسط جمله.
People don't speak in perfectly neat, grammatical sentences. We laugh, overlap, hesitate, and weave multiple languages together mid-sentence, like when we speak Spanglish or Hinglish.
راهحل اعلامشده «هوش صوتی بومی» است؛ مدلهایی که صدا را مستقیم پردازش میکنند، نه بعد از تبدیل به متن.
دو مدل تازه در مرکز این تحولاند. Gemini 3.5 Live Translate ترجمه گفتاری بلادرنگ را در ۷۰ زبان و بیش از ۲۰۰۰ جفت زبانی انجام میدهد و ادعا میشود کدسوییچینگ و نشانههای احساسی را هم میگیرد. Gemini 3.5 Transcribe دقیقترین مدل گفتاربهمتن گوگل است که قابلیت Rambler در Gboard اندروید را قدرت میبخشد؛ کلمات پرکننده را حذف میکند و با فرمان صوتی امکان ویرایش و جابهجایی بین زبانها را میدهد.
پشت این مدلها Universal Speech Model با ۱۲ میلیون ساعت صدا آموزش دیده و با یادگیری انتقالی، دانستههای زبانهای پرداده را به زبانهای کممنبع منتقل میکند. هدف بلندمدت هم «ابتکار ۱۰۰۰ زبان» است: پشتیبانی از هزار زبان پرگویشور جهان.
وب به چند زبان غالب متمایل است؛ برای زبانهای کمنمایش، گوگل سراغ همکاری مردمی رفته است. سه پروژه شاخص:
ابزار تازه Language Explorer هم مخزن LinguaMeta را ترسیم میکند؛ مخزن داده زبانی متنباز با بیش از ۷۰۰۰ زبان گفتاری، نوشتاری و اشارهای.
برای کاربرانی که دسترسی مطمین به اینترنت ندارند، TranslateGemma ساخته شده: خانوادهای از مدلهای ترجمه سبک رویدستگاه در ۵۵ زبان که از Gemini مشتق شده و بدون اتصال به ابر کار میکند. برای کاربران گوشیهای ساده هم دستیار صوتی AVA (Ask Viamo Anything) قدرت Gemini را روی تلفنهای معمولی برده و در رواندا تاکنون بیش از ۲ میلیون پرسش را پاسخ داده است.
قابلیت Sign Language-to-Text روی بیش از ۵۰ زبان اشاره آموزش دیده و دیکته اشارهبهمتن را در Gboard و Live Transcribe روی Pixel 11 ارایه میکند؛ ابتدا با زبان اشاره آمریکایی. این قدم اول برای دسترسپذیرتر کردن محصولات برای ۷۰ میلیون کاربر زبان اشاره در جهان است.
جزییات فرهنگی هم فراموش نشده: گوگل با متخصصان زبان مایوری، تلفظ نام مکانها را در Google Maps نیوزیلند بهبود داده است. به گفته شرکت، فناوریهای زبانیاش بیش از ۵ میلیارد نفر را در ۹ پلتفرم شامل Search، Android، Chrome، YouTube و Google Play متصل میکنند.
پیام گوگل روشن است: فناوری باید طیف بیان انسانی را گستردهتر کند، نه تنگتر. این ادعای بزرگی است، اما زیرساخت داده و مدلهای معرفیشده نشان میدهد مسیر از شعار عبور کرده است.
**Gemini 3.5 Live Translate چند زبان را پشتیبانی میکند؟ ** ترجمه گفتاری بلادرنگ در ۷۰ زبان و بیش از ۲۰۰۰ جفت زبانی، با پشتیبانی از کدسوییچینگ و نشانههای احساسی.
**TranslateGemma بدون اینترنت کار میکند؟ ** بله؛ این خانواده از مدلهای سبک رویدستگاه در ۵۵ زبان از Gemini مشتق شده و بدون اتصال به ابر اجرا میشود.
**دسترسی کاربران زبان اشاره چه تغییری کرده است؟ ** قابلیت Sign Language-to-Text روی بیش از ۵۰ زبان اشاره آموزش دیده و دیکته اشارهبهمتن را در Gboard و Live Transcribe روی Pixel 11 ارایه میکند، آغاز با زبان اشاره آمریکایی.
برای خواندن تحلیلهای بیشتر، صفحهٔ اصلی یا دستهٔ مرتبط را دنبال کنید. میتوانید با میانبرهای صفحهکلید هم بین مقالهها جابهجا شوید.
Google AI Blog
https://blog.google/innovation-and-ai/technology/ai/ai-for-every-language/تحریریه هوشنامه این خبر را بر اساس گزارش منبع اصلی بازنویسی و ویرایش کرده است. برای جزئیات بیشتر به منبع مراجعه کنید.
مهمترین اخبار هوش مصنوعی را در ایمیلتان دریافت کنید. بدون تبلیغ، هرزمان بخواهید لغو کنید.
IBM نسخه دوم PatchTST را با دو مجوز Apache 2.0 و OpenMDW منتشر کرد؛ رتبه اول zero-shot با مجوز آزاد در GIFT-Eval و رتبه سوم CRPS در کل رتبهبندی.
