ترجمة الكلام في الوقت الفعلي ليست مجرد ترجمة باستخدام شكل جديد من أشكال الإدخال أو الإخراج. إنها تمثل تحديًا جديدًا ومختلفًا ومثيرًا بشكل جذري لأبحاث الذكاء الاصطناعي. وهي تهدف إلى تقديم شكل مختلف تمامًا من تجربة المستخدم التي تغير أولويات الترجمة، وتفرض قيودًا جديدة، وتتطلب أشكالًا جديدة من التقييم واتخاذ القرار من نموذج الذكاء الاصطناعي. 

هذا هو التحدي الذي يتصدى له مدير الأبحاث ساشا برينكر والباحثة العلمية كريستينا جيسلر كجزء من فريق أبحاث الصوت لدينا. وهما جزء من المجموعة التي تعمل على تطوير نموذج الذكاء الاصطناعي عالي الجودة الخاص بـ DeepL لترجمة النصوص، بهدف إعداد معيار جديد في ترجمة الصوت في الوقت الفعلي. وهما الآن يبنيان على هذا النجاح المبكر من خلال نماذج وتقنيات التدريب الجديدة التي تفتح آفاقًا جديدة تمامًا للكلام متعدد اللغات في الوقت الفعلي.

البناء على نماذج ترجمة النصوص عالية الجودة

لقد بدأنا من نقطة انطلاق جيدة: الجودة وفهم السياق في نموذج ترجمة النصوص الحالي لـ DeepL. تمكن فريق Voice من تحقيق مكاسب مبكرة مهمة من خلال نشر هذا النموذج، وتعديل استراتيجية الاستدلال لزيادة سرعة الترجمة. ثم طوروا نماذج مخصصة للصوت يمكنها تحديد أفضل لحظة لإخراج الترجمات، مستفيدين من فهم DeepL للعلاقات بين أزواج اللغات، وتطبيق طبقات جديدة من التدريب. 

الهدف هنا هو إيجاد التوازن الصحيح بين زمن الاستجابة وسرعة الترجمة (وهو أمر حاسم لقدرة المستخدمين على متابعة المحادثة والمشاركة فيها أثناء حدوثها)، مع الحفاظ على الدقة والاستقرار. إن إتقان هذا التوازن يعني أن DeepL لا تضطر إلى انتظار نهاية الجملة قبل ترجمتها. وفي الوقت نفسه، يقلل ذلك من «الوميض» الذي يحدث عندما تضطر النماذج إلى تصحيح الترجمة المصاحبة. هذه العوامل تُحدث فرقًا كبيرًا في تجربة المستخدم.

التخلص من مرحلة النسخة المكتوبة

لقد قطعنا شوطًا طويلاً بفضل تكييف نموذج ترجمة النصوص لدينا وتطويره. لدرجة أن موقع Slator يصنف DeepL حاليًا باعتباره الرائد الواضح في كل من جودة واستقرار الترجمات الصوتية في الوقت الفعلي. ومع ذلك، فإن التخلص من الحاجة إلى نسخ النص قبل ترجمته يمكن أن يدفعنا إلى الأمام بشكل أسرع. يعمل الفريق حاليًا على بناء نماذج قادرة على إنشاء مخرجات للكلام مترجمة مباشرةً من المدخلات الصوتية، دون المرور بمرحلة نصية وسيطة.

ويمكننا تحقيق مكاسب إضافية من خلال تزويد نموذجنا بمزيد من السياق حول المحادثات التي يترجمها: ما الذي يتم مناقشته، ومن الذي يناقشه، والعبارات والمصطلحات المحددة التي من المرجح أن يستخدموها. وهذا يحاكي الكثير من أعمال التدريب المكثف التي يقوم بها المترجمون الفوريون البشريون رفيعو المستوى قبل الأحداث أو الاجتماعات الكبرى. تمامًا مثلهم، فإن هذا يمكّن نماذجنا من ترجمة ما يوشك شخص ما على قوله، منذ اللحظة التي يبدأ فيها بتكوين الكلمة لأول مرة.

فتح آفاق جديدة للترجمة الصوتية

تزيل هذه النماذج الجديدة والمباشرة لتحويل الكلام إلى كلام بعضًا من أهم القيود التي تواجهها الترجمة الصوتية حاليًا. وبذلك، تفتح هذه النماذج آفاقًا جديدة ومثيرة للغاية.

وبدون الحاجة إلى الترجمة إلى نص ثم العودة إلى الكلام، يمكننا توفير ثوانٍ كاملة من الوقت الذي يستغرقه تقديم الترجمة الشفوية. في سياق متابعة الكلام في الوقت الفعلي، يُعد ذلك تسريعًا كبيرًا للغاية سيكون له تأثير كبير على تجارب المستخدمين والجمهور.

وهناك المزيد. العمل مباشرةً مع المدخلات الصوتية يعني أنه يمكننا التدريب على اكتشاف اللهجات واللكنات والفروق الدقيقة الكامنة في طريقة كلام الناس. إن وقت الاستدلال الإضافي والمدخلات الصوتية الأكثر ثراءً يعني أنه يمكننا إنشاء مخرجات صوتية تلتقط العاطفة والمعنى الأعمق لما يقوله الناس.

مستقبل الترجمة الصوتية في الوقت الحقيقي باستخدام الذكاء الاصطناعي ليس أسرع فحسب. بل إنه أيضًا أكثر إنسانيةً بعمق: فهو يلتقط المزيد من المستويات العديدة التي يتواصل من خلالها الناس عند التحدث. وهذا يحوّل DeepL من محرك ترجمة إلى طبقة صوتية في الوقت الفعلي، قادرة على تمكين الشكل الأكثر طبيعية للتواصل البشري بطريقة تجعل اللغة تختفي كمصدر للتوتر. 

وهذا ما يجعل هذا المجال أحد أكثر مجالات أبحاث الذكاء الاصطناعي إثارةً في DeepL.