Sokan használják a Google fordítási szolgáltatásait, például azt is, amelyik beszédet fordít beszéddé egy másik nyelven, és valójában egészen jó megoldásról van szó (bár nekünk, magyaroknak nem árt egy kis nyelvtudás a használatához). Összességében mégsem mondható tökéletesnek ez a fajta fordítás, az átalakítás során ugyanis számos apró részlet elveszik (pl. a beszélő hanglejtése, a szavak kimondásának sebessége), amelyeknek azért jelentőségük lehet, s akár félrefordításhoz is vezethetnek. Ezt a problémát oldaná meg a Google egy új fordítási modellel, amelyet Translatotronnak nevezett el, és egy blogbejegyzésben részletez.

A Translatotron modell architektúrája

Google

Mindenekelőtt kitér arra, hogy a jelenlegi beszéd-beszéd fordítási rendszerek (amilyen a Google fordítója is) három különálló lépésre bontják a fordítási feladatot. Az első az automatikus beszédfelismerés a forrásnyelv írott szöveggé alakításához, ezután a leírt szöveg gépi fordítása következik a célnyelvre, majd az utolsó lépés a szöveg-beszéd szintézis a hangos beszéd létrehozásához a célnyelven. Érthető, ha e háromlépcsős folyamatban elvesznek részletek.

Ezt a folyamatot egyszerűsíti le egy új, mesterséges intelligencia alapú modellel a Google: elkerüli, hogy a feladatot különálló szakaszokra kelljen felosztani. Egy hangszóró dekódoló hálózat beépítésével a Translatotron képes lesz megtartani az eredeti beszélő hangkarakterisztikáját a lefordított beszédben, ami azt jelenti, hogy kevesebb lesz a hiba, és például jobban megérthetők majd azok a szavak (például nevek), amelyeket egyébként nem lehet lefordítani. A végeredmény így sokkal élethűbb lesz.

Ez így jól hangzik, azonban a közeljövőben még nagyon sok munkára lesz szükség a fordítás tökéletesítéséhez. A mostani audiominták esetében azért még mindig nagyon érezni, hogy számítógép beszél hozzánk. De ez minden bizonnyal sokat fog még javulni, ahogy a mesterséges intelligencia tanul.

Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.