Google DeepMind představil SL2T, model umělé inteligence určený k překladu znakové řeči do textu, který je uveden jako první v nové řadě smartphonů Pixel 11 společnosti. Model představený pod heslem „uvedení AI znakové řeči do rukou uživatelů“ představuje jeden z dosud nejproslulejších pokusů přinést porozumění znakové řeči v reálném čase do běžného spotřebitelského zařízení.
Oznámení dorazilo spolu se zahájením společnosti Google Pixel 11, kde společnost představila sadu nových funkcí poháněných Gemini. Mezi nimi vynikl překlad znakové řeči jako jasný milník dostupnosti, který proměnil přední fotoaparát telefonu v most mezi neslyšícími uživateli a lidmi, kteří znakový jazyk neovládají.
Znakový jazyk pro text na zařízení
Podle DeepMind a zpráv od Engadget a Android Authority může SL2T přepisovat znakový jazyk do textu přímo na zařízeních Pixel 11. Tato funkce debutuje na Pixel 11 Pro Fold, vlajkové lodi skládacího telefonu Google, který společnost umístila jako ukázku nové schopnosti.
Digital Trends popsalo vydání jako „nový způsob, jak pro neslyšící uživatele komunikovat s lidmi, kteří neznají znakový jazyk“, přičemž SL2T rámují spíše jako praktický nástroj pro každodenní konverzaci než jako čistě experimentální demo. Myšlenka je přímočará, ale účinná: neslyšící uživatel se podepíše na svůj telefon, model interpretuje gesta a výsledný text se zobrazí ke čtení slyšícímu konverzačnímu partnerovi.
Spuštění modelu na zařízení, spíše než odesílání videa do cloudu, přináší významné důsledky pro soukromí i spolehlivost. Konverzace ve znakové řeči jsou intimní a často obsahují citlivé informace a pokud se vyhnete zpáteční cestě v cloudu, tato data zůstanou v telefonu. Umožňuje také funkci fungovat v situacích, kdy je připojení špatné.
Proč je znakový jazyk těžkým problémem AI
Znaková řeč je mnohem složitější než pouhé rozpoznávání tvarů rukou. Úplné znakové jazyky, jako je americký znakový jazyk (ASL), používají k vyjádření významu gesta rukou, výrazy obličeje, držení těla a pohyb v prostoru a mají svou vlastní gramatiku, která se liší od mluvených jazyků. Model, který sleduje pouze ruce, bude chybět hodně z toho, co signatář říká.
To je důvod, proč překlad znakového jazyka zaostává za rozpoznáváním řeči. Vybudování systému, který dokáže interpretovat celou bohatost podepsané komunikace v reálném čase, na telefonu, s omezeným výkonem a rozpočtem na paměť, představuje skutečnou technickou výzvu. Společnost DeepMind dosud nezveřejnila úplné technické podrobnosti o architektuře SL2T ani o výkonu benchmarků a společnost ve svém oznámení zdůraznila uživatelskou zkušenost před nezpracovanými metrikami.
Omezený veřejný detail stojí za zmínku. Nezávislé ověření míry přesnosti, podporovaných znakových jazyků a latence určí, zda je SL2T spolehlivým každodenním nástrojem nebo funkcí v rané fázi, která ještě potřebuje dozrát. V současné době potvrzení v rámci vlastního oznámení DeepMind a několika technologických publikací potvrzují, že model existuje a je dodáván na spotřebním hardwaru.
Dostupnost jako bojiště AI
SL2T přichází v době, kdy se funkce pro usnadnění stávají stále viditelnější arénou konkurence mezi laboratořemi AI a výrobci zařízení. Titulky v reálném čase, popisy obrázků pro nevidomé uživatele a nyní překlady do znakového jazyka nejsou umístěny jako specializované doplňky, ale jako funkce titulků, které demonstrují praktickou hodnotu umělé inteligence na zařízení.
Pro Google slouží spojení SL2T s uvedením Pixelu 11 ke dvěma účelům. To dává novému hardwaru charakteristický rys, který konkurenčním telefonům chybí, a posiluje poselství, že Gemini, asistent AI od Googlu, je na základní úrovni vetkán do operačního systému. Pixel 11 Pro Fold s větší vnitřní obrazovkou je přirozeným prvním domovem pro funkci, která se má ukázat partnerovi v konverzaci u stolu.
Cesta před námi pro umělou inteligenci znakového jazyka
Větší otázkou pro neslyšící a nedoslýchavou komunitu je, zda SL2T expanduje za hranice jediného zařízení a omezené sady znakových jazyků. Americký znakový jazyk je pravděpodobně hlavním zaměřením, ale po celém světě existují stovky znakových jazyků, z nichž každý má svou vlastní strukturu a regionální variace. Model, který krásně funguje pro signatáře ASL ve Spojených státech, může být pro uživatele britské znakové řeči, Auslan nebo LSF málo užitečný.
DeepMind má za sebou historii začínajících úzkých a rozšiřujících se, stejně jako tomu bylo u systémů jako AlphaFold a jeho modely počasí. Pokud se SL2T řídí tímto vzorem, debut Pixel 11 je spíše úvodním krokem než hotovým produktem. Zpětná vazba komunity od neslyšících uživatelů, kteří nejlépe posoudí, zda jsou překlady přesné a přirozené, bude určovat to, co přijde dál.
V současné době je příchod překladu znakové řeči do masově prodávaných telefonů významným krokem. Naznačuje, že dlouhodobá propast mezi schopností umělé inteligence porozumět mluvené řeči a její schopností porozumět znakové řeči se možná konečně začíná uzavírat, jedno zařízení po druhém.
Držte krok s nejnovějšími verzemi modelů a vývojem AI na [Aktuální zpravodajství AI Buzz Wire] (https://aibuzzwire.news).
