Google ra mắt TranslateGemma và mở rộng hỗ trợ AI cho hơn 300 ngôn ngữ

Ngày nay, các công nghệ và sản phẩm của chúng tôi hỗ trợ những tương tác hàng ngày bằng hơn 300 ngôn ngữ, được sử dụng bởi hơn 7 tỷ người — chiếm 86% dân số toàn cầu. Đạt được cột mốc này là một điều ý nghĩa, nhưng nó cũng nhấn mạnh công việc vốn rất quan trọng đối với sứ mệnh của chúng tôi. Trong nhiều thập kỷ, công nghệ hoạt động hiệu quả nhất đối với một số ít ngôn ngữ thống trị, khiến hàng ngàn ngôn ngữ và phương ngữ đang tồn tại bị đại diện kém hoặc hoàn toàn vắng bóng trong thế giới kỹ thuật số.

Khi chúng tôi ra mắt Google Translate vào năm 2006, mục tiêu của chúng tôi rất đơn giản: phá bỏ các rào cản giữa các ngôn ngữ. Những tiến bộ trong AI đã giúp chúng tôi mang tầm nhìn đó đến với nhiều người hơn, mở rộng Translate từ một vài ngôn ngữ lên hơn 250 ngôn ngữ hiện nay. Nhưng dịch văn bản thôi là chưa đủ. Công nghệ cần phải hiểu cách con người thực sự giao tiếp trong thế giới thực. Vì vậy, chúng tôi tập trung nghiên cứu và phát triển các hệ thống tôn trọng sắc thái văn hóa và sự phong phú của ngôn ngữ con người, cho phép mọi người tham gia và được thấu hiểu theo cách riêng của họ.

Dưới đây là cách công việc đó được thực hiện trong thực tế.

Từ văn bản đến sự thấu hiểu thực sự

Trong lịch sử, các hệ thống nhận dạng giọng nói tuân theo một quy trình cứng nhắc, gồm nhiều bước: chuyển âm thanh thành văn bản, xử lý văn bản đó, rồi tổng hợp ngược lại thành âm thanh. Mặc dù có chức năng, nhưng quy trình này đã loại bỏ những phần phong phú nhất của giao tiếp con người: tông giọng, nhịp điệu, cảm xúc và ngữ cảnh.

Con người không nói bằng những câu hoàn hảo, đúng ngữ pháp. Chúng ta cười, nói chồng chéo, ngập ngừng và đan xen nhiều ngôn ngữ vào giữa câu, chẳng hạn như khi chúng ta nói Spanglish hoặc Hinglish.

Để nắm bắt được điều này, chúng tôi đã vượt ra ngoài các bản ghi văn bản để hướng tới trí tuệ âm thanh gốc — huấn luyện các mô hình như Gemini để xử lý âm thanh trực tiếp như vốn có, đồng thời nắm bắt cả âm thanh và ý định. Những nỗ lực này bao gồm:

Đặt cộng đồng làm trọng tâm của dữ liệu ngôn ngữ

Vì web đại diện không cân xứng cho một vài ngôn ngữ thống trị, việc dạy AI hiểu các ngôn ngữ ít được đại diện đòi hỏi chúng tôi phải suy nghĩ lại về cách thu thập dữ liệu. Giải pháp chính là các quan hệ đối tác cơ sở tại địa phương. Cách tiếp cận bản địa hóa này đã thúc đẩy ba trong số các quan hệ đối tác dữ liệu mở đầy tham vọng nhất của chúng tôi:

Chúng tôi cũng đang phát huy công việc ưu tiên đổi mới ngôn ngữ mã nguồn mở thông qua công cụ mới Language Explorer. Đây là một công cụ tương tác trực quan hóa LinguaMeta, kho lưu trữ dữ liệu ngôn ngữ mã nguồn mở lớn nhất thế giới. Được Fast Company công nhận về đổi mới thiết kế, nó liên tục lập bản đồ hơn 7.000 ngôn ngữ nói, viết và ký hiệu.

Tác động của những đổi mới và quan hệ đối tác này đạt hiệu quả cao nhất khi chúng tiếp cận được những người có thể biến dữ liệu và thông tin chi tiết mới thành sự thay đổi có ý nghĩa trong cộng đồng của họ. Các nỗ lực được Google.org hỗ trợ, bao gồm Centre for Digital Language Inclusion và Project Aquarium của AI Singapore, đang giúp mang các công cụ đa ngôn ngữ đến với nông dân, nhân viên y tế, giáo viên và những thành viên thiết yếu khác trong cộng đồng trên khắp thế giới.

Vượt qua những hạn chế trong thế giới thực

Đối với hơn 3 tỷ người, việc truy cập internet đáng tin cậy vẫn là điều xa vời. Công nghệ chỉ thực sự dễ tiếp cận nếu nó hoạt động ở nơi con người sinh sống, bao gồm cả những khu vực có kết nối hạn chế hoặc chập chờn.

Để giải quyết vấn đề này, chúng tôi đã phát triển TranslateGemma, một dòng mô hình dịch thuật mở, gọn nhẹ được xây dựng từ Gemini và huấn luyện trên 55 ngôn ngữ. Vì TranslateGemma chạy hiệu quả ngay trên thiết bị, nên việc dịch thuật chất lượng cao không còn cần kết nối với đám mây hoặc internet.

Tuy nhiên, việc chạy các mô hình AI mạnh mẽ đòi hỏi phần cứng có khả năng xử lý, điều này loại trừ hàng trăm triệu người vẫn đang sử dụng điện thoại phổ thông (feature phone) ở các khu vực có nguồn lực thấp. Để thu hẹp khoảng cách này, chúng tôi đang hỗ trợ các tổ chức như Viamo để vận hành “Ask Viamo Anything” (AVA), một trợ lý AI giọng nói mang sức mạnh của Gemini đến với các điện thoại phổ thông tiêu chuẩn. Viamo đã thử nghiệm thành công AVA tại Rwanda với những người dùng phản hồi bằng giọng nói tương tác hiện có của họ, và dịch vụ này đã sử dụng Gemini để trả lời hơn 2 triệu câu hỏi.

Thiết kế vì sự dễ tiếp cận

Ngôn ngữ không chỉ là về các phương ngữ vùng miền hay từ vựng. Nó còn là về nhiều cách thức khác mà con người giao tiếp. Các công cụ giọng nói thông thường thường gây khó khăn cho những người có giọng nói không chuẩn, buộc họ phải thích nghi với công nghệ thay vì ngược lại.

Chúng tôi đang nỗ lực thay đổi điều đó bằng cách thiết kế vì sự dễ tiếp cận ngay từ đầu, ví dụ như với Sign Language-to-Text (SL2T). Được huấn luyện trên hơn 50 ngôn ngữ ký hiệu, SL2T hỗ trợ tính năng đọc chính tả từ ký hiệu sang văn bản trong Gboard và Live Transcribe trên Pixel 11, bắt đầu với Ngôn ngữ ký hiệu Mỹ (ASL) sang tiếng Anh. Đây là bước đầu tiên quan trọng để làm cho các sản phẩm của chúng tôi dễ tiếp cận hơn với 70 triệu người trên toàn thế giới dựa vào ngôn ngữ ký hiệu để giao tiếp.

Phát âm địa phương chuẩn xác

Các chi tiết rất quan trọng, chắc chắn là trong các công cụ hàng ngày như điều hướng. Khi một ứng dụng điều hướng phát âm sai tên thị trấn hoặc tên đường, nó không chỉ gây nhầm lẫn mà còn có thể bỏ qua di sản văn hóa của địa phương đó.

Chúng tôi tin rằng ngữ cảnh văn hóa nên là một phần trong cách xây dựng công nghệ ngôn ngữ, và điều đó có nghĩa là làm việc trực tiếp với các cộng đồng địa phương. Ví dụ, tại New Zealand, chúng tôi đã làm việc với các chuyên gia ngôn ngữ Māori để cải thiện cách phát âm tên địa danh trong Google Maps, giúp trải nghiệm trở nên chính xác và mang đậm tính địa phương hơn. Việc kết hợp các cách phát âm chuẩn xác về văn hóa trực tiếp vào các mô hình chuyển văn bản thành giọng nói của chúng tôi đảm bảo công nghệ phản ánh đúng ngôn ngữ và di sản của các cộng đồng mà nó phục vụ.

Xây dựng công cụ ngôn ngữ cho mọi người

Một bài học thiết yếu mà chúng tôi đã rút ra sau hơn 20 năm nghiên cứu và phát triển ngôn ngữ AI là công nghệ không bao giờ được thu hẹp phạm vi biểu đạt của con người — mà nó phải mở rộng phạm vi đó.

Ngày nay, các công nghệ ngôn ngữ của chúng tôi đã được tích hợp vào hệ sinh thái cốt lõi, kết nối hơn 5 tỷ người trên 9 nền tảng, bao gồm Search, Android, Chrome, YouTube và Google Play. Nhưng quy mô chỉ là một phần của câu chuyện. Mục tiêu lớn hơn là chiều sâu và sự phong phú — xây dựng các hệ thống nắm bắt ngữ cảnh, tôn trọng văn hóa và tôn vinh nhiều cách thức con người giao tiếp.

Khi chúng tôi mở rộng việc sử dụng AI để giải quyết một số cơ hội lớn nhất của xã hội, chúng tôi sẽ tiếp tục hợp tác chặt chẽ với các cộng đồng địa phương để xây dựng công nghệ giúp nhiều người hơn có thể giao tiếp, tham gia và được thấu hiểu theo cách riêng của họ.