Google DeepMind از SL2T، یک مدل هوش مصنوعی که برای ترجمه زبان اشاره به متن طراحی شده است، برای اولین بار در سری جدید گوشی های هوشمند پیکسل 11 این شرکت رونمایی کرد. این مدل که تحت عنوان «قرار دادن هوش مصنوعی زبان اشاره به دست کاربران» معرفی شد، یکی از برجستهترین تلاشهایی است که تاکنون برای رساندن درک زبان اشاره در زمان واقعی به یک دستگاه مصرفکننده اصلی انجام شده است.
این اعلامیه در کنار رویداد راه اندازی پیکسل 11 گوگل منتشر شد، جایی که این شرکت مجموعه ای از ویژگی های جدید مبتنی بر جمینی را به نمایش گذاشت. در میان آنها، ترجمه زبان اشاره به عنوان یک نقطه عطف دسترسی واضح برجسته شد و دوربین جلوی تلفن را به پلی بین کاربران ناشنوا و افرادی که زبان اشاره نمی دانند تبدیل کرد.
زبان اشاره به متن، در دستگاه
بر اساس گزارش DeepMind و گزارش Engadget و Android Authority، SL2T میتواند زبان اشاره را مستقیماً در دستگاههای Pixel 11 به متن رونویسی کند. این ویژگی در گوشی Pixel 11 Pro Fold، گوشی تاشو پرچمدار گوگل، که این شرکت به عنوان ویترینی برای قابلیت جدید قرار داده است، عرضه می شود.
Digital Trends انتشار را به عنوان "روشی جدید برای کاربران ناشنوا برای برقراری ارتباط با افرادی که زبان اشاره نمی دانند" توصیف کرد و SL2T را به عنوان یک ابزار عملی برای مکالمه روزمره به جای یک نسخه آزمایشی صرفاً آزمایشی قاب کرد. این ایده ساده اما قدرتمند است: یک کاربر ناشنوا به تلفن خود علامت میدهد، مدل حرکات را تفسیر میکند و متن به دست آمده برای یک شریک مکالمه شنوا برای خواندن نمایش داده میشود.
اجرای مدل بر روی دستگاه، به جای ارسال ویدیو به فضای ابری، پیامدهای معناداری برای حفظ حریم خصوصی و قابلیت اطمینان دارد. مکالمات زبان اشاره صمیمی هستند و اغلب حاوی اطلاعات حساس هستند و اجتناب از رفت و برگشت ابری این داده ها را روی تلفن نگه می دارد. همچنین به این ویژگی اجازه می دهد در شرایطی که اتصال ضعیف است کار کند.
چرا زبان اشاره یک مشکل سخت هوش مصنوعی است
زبان اشاره بسیار پیچیده تر از تشخیص ساده اشکال دست است. زبان های اشاره کامل، مانند زبان اشاره آمریکایی (ASL)، از حرکات دست، حالات صورت، وضعیت بدن و حرکت در فضا برای انتقال معنی استفاده می کنند و دستور زبان خاص خود را دارند که از زبان های گفتاری متمایز است. مدلی که فقط دستها را ردیابی میکند، بسیاری از حرفهای امضاکننده را از دست میدهد.
به همین دلیل است که ترجمه زبان اشاره از تشخیص گفتار عقب مانده است. ساختن سیستمی که بتواند غنای کامل ارتباطات امضا شده را در زمان واقعی، بر روی تلفن، در محدوده توان و بودجه محدود تفسیر کند، یک چالش مهندسی واقعی است. DeepMind هنوز جزئیات فنی کاملی در مورد معماری یا عملکرد معیار SL2T منتشر نکرده است و این شرکت در اعلامیه خود بر تجربه مواجهه با کاربر بر معیارهای خام تأکید کرده است.
جزئیات محدود عمومی قابل توجه است. راستیآزمایی مستقل نرخهای دقت، زبانهای اشاره پشتیبانیشده و تأخیر تعیین میکند که آیا SL2T یک ابزار روزانه قابل اعتماد است یا یک ویژگی در مراحل اولیه که هنوز به بلوغ نیاز دارد. در حال حاضر، تایید اعلامیه خود DeepMind و انتشارات چندگانه فناوری وجود این مدل را تایید می کند و بر روی سخت افزار مصرف کننده ارسال می شود.
دسترسی به عنوان میدان نبرد هوش مصنوعی
SL2T زمانی وارد میشود که ویژگیهای دسترسی به عرصه رقابت بین آزمایشگاههای هوش مصنوعی و سازندگان دستگاهها تبدیل شده است. زیرنویسهای بیدرنگ، توضیحات تصویر برای کاربران نابینا، و اکنون ترجمه زبان اشاره نه بهعنوان افزونههای خاص، بلکه بهعنوان قابلیتهای سرفصلی قرار میگیرند که ارزش عملی هوش مصنوعی روی دستگاه را نشان میدهند.
برای گوگل، اتصال SL2T به Pixel 11 دو هدف را دنبال می کند. این ویژگی به سخت افزار جدید ویژگی متمایزی می بخشد که تلفن های رقبا فاقد آن هستند، و این پیام را تقویت می کند که Gemini، دستیار هوش مصنوعی گوگل، در سطح اساسی در سیستم عامل بافته شده است. Pixel 11 Pro Fold، با صفحهنمایش داخلی بزرگتر، اولین خانه طبیعی برای قابلیتی است که قرار است در یک میز به یک شریک مکالمه نشان داده شود.
راه پیش رو برای هوش مصنوعی زبان اشاره
سوال بزرگتر برای جامعه ناشنوایان و کم شنواها این است که آیا SL2T فراتر از یک دستگاه واحد و مجموعه محدودی از زبان های اشاره گسترش می یابد؟ زبان اشاره آمریکایی احتمالاً محور راه اندازی است، اما صدها زبان اشاره در سراسر جهان وجود دارد که هر کدام ساختار و تنوع منطقه ای خاص خود را دارند. مدلی که برای امضاکنندگان ASL در ایالات متحده به زیبایی کار می کند، ممکن است برای کاربران زبان اشاره بریتانیا، Auslan یا LSF مفید نباشد.
DeepMind سابقه ای در شروع باریک و افزایش مقیاس دارد، همانطور که در مورد سیستم هایی مانند AlphaFold و مدل های آب و هوایی آن انجام داد. اگر SL2T از این الگو پیروی کند، اولین نمایش Pixel 11 یک حرکت افتتاحیه است تا یک محصول نهایی. بازخورد جامعه از کاربران ناشنوا، که بهترین موقعیت را برای قضاوت در مورد دقیق و طبیعی بودن ترجمه ها دارند، آنچه را که بعدا می آید شکل خواهد داد.
در حال حاضر، ورود ترجمه زبان اشاره در تلفن های بازار انبوه یک گام قابل توجه است. این نشان می دهد که شکاف طولانی مدت بین توانایی هوش مصنوعی برای درک زبان گفتاری و توانایی آن در درک زبان اشاره ممکن است در نهایت شروع به بسته شدن کند، یک دستگاه در یک زمان.
در [پوشش اخبار فوری AI Buzz Wire] (https://aibuzzwire.news) با آخرین نسخه های مدل و پیشرفت های هوش مصنوعی همراه باشید.
