Google DeepMind đã tiết lộ SL2T, một mô hình AI được thiết kế để dịch ngôn ngữ ký hiệu thành văn bản, lần đầu tiên ra mắt trên dòng điện thoại thông minh Pixel 11 mới của công ty. Mô hình được giới thiệu với biểu ngữ "đưa ngôn ngữ ký hiệu AI vào tay người dùng" đánh dấu một trong những nỗ lực nổi bật nhất nhằm mang lại khả năng hiểu ngôn ngữ ký hiệu theo thời gian thực cho thiết bị tiêu dùng phổ thông.
Thông báo này được đưa ra cùng với sự kiện ra mắt Pixel 11 của Google, nơi công ty giới thiệu một bộ tính năng mới do Gemini cung cấp. Trong số đó, dịch thuật ngôn ngữ ký hiệu nổi bật như một cột mốc tiếp cận rõ ràng, biến camera trước của điện thoại thành cầu nối giữa người dùng khiếm thính và những người không biết ngôn ngữ ký hiệu.
Ngôn ngữ ký hiệu thành văn bản, trên thiết bị
Theo DeepMind và báo cáo từ Engadget và Android Authority, SL2T có thể chuyển ngôn ngữ ký hiệu thành văn bản trực tiếp trên thiết bị Pixel 11. Tính năng này sắp ra mắt trên Pixel 11 Pro Fold, chiếc điện thoại gập hàng đầu của Google, được công ty định vị là nơi giới thiệu khả năng mới.
Xu hướng kỹ thuật số mô tả bản phát hành là "một cách mới để người dùng khiếm thính giao tiếp với những người không biết ngôn ngữ ký hiệu", coi SL2T là một công cụ thiết thực cho cuộc trò chuyện hàng ngày thay vì một bản demo thử nghiệm thuần túy. Ý tưởng này đơn giản nhưng có tác dụng mạnh mẽ: người dùng khiếm thính ký vào điện thoại của họ, mô hình diễn giải cử chỉ và văn bản kết quả được hiển thị để người nghe đối thoại đàm thoại đọc.
Chạy mô hình trên thiết bị, thay vì gửi video lên đám mây, mang lại những ý nghĩa có ý nghĩa về cả quyền riêng tư và độ tin cậy. Các cuộc trò chuyện bằng ngôn ngữ ký hiệu mang tính thân mật và thường chứa thông tin nhạy cảm, đồng thời, việc tránh chuyển hai chiều qua đám mây sẽ giữ dữ liệu đó trên điện thoại. Nó cũng cho phép tính năng này hoạt động trong các tình huống kết nối kém.
Tại sao ngôn ngữ ký hiệu lại là một bài toán khó về AI
Ngôn ngữ ký hiệu phức tạp hơn nhiều so với việc chỉ nhận dạng hình dạng bàn tay. Các ngôn ngữ ký hiệu đầy đủ, chẳng hạn như Ngôn ngữ ký hiệu của Mỹ (ASL), sử dụng cử chỉ tay, nét mặt, tư thế cơ thể và chuyển động trong không gian để truyền đạt ý nghĩa và chúng có ngữ pháp riêng khác với ngôn ngữ nói. Một mô hình chỉ theo dõi bàn tay sẽ bỏ lỡ phần lớn những gì người ký tên đang nói.
Đây là lý do tại sao dịch thuật ngôn ngữ ký hiệu lại tụt hậu so với nhận dạng giọng nói. Việc xây dựng một hệ thống có thể diễn giải toàn bộ sự phong phú của giao tiếp được ký kết trong thời gian thực, trên điện thoại, trong phạm vi ngân sách bộ nhớ và năng lượng eo hẹp, là một thách thức kỹ thuật thực sự. DeepMind vẫn chưa công bố đầy đủ chi tiết kỹ thuật về kiến trúc hoặc hiệu suất chuẩn của SL2T và công ty đã nhấn mạnh trải nghiệm người dùng đối với các số liệu thô trong thông báo của mình.
Các chi tiết công khai hạn chế là đáng chú ý. Việc xác minh độc lập về tỷ lệ chính xác, ngôn ngữ ký hiệu được hỗ trợ và độ trễ sẽ xác định xem SL2T là công cụ hàng ngày đáng tin cậy hay một tính năng ở giai đoạn đầu vẫn cần hoàn thiện. Hiện tại, sự chứng thực qua thông báo của chính DeepMind và nhiều ấn phẩm công nghệ đã xác nhận mô hình này tồn tại và đang được vận hành trên phần cứng của người tiêu dùng.
Khả năng tiếp cận như một chiến trường AI
SL2T ra đời khi các tính năng trợ năng đã trở thành một đấu trường cạnh tranh ngày càng rõ ràng giữa các phòng thí nghiệm AI và các nhà sản xuất thiết bị. Chú thích thời gian thực, mô tả hình ảnh cho người dùng khiếm thị và hiện dịch thuật ngôn ngữ ký hiệu đang được định vị không phải là tiện ích bổ sung thích hợp mà là khả năng tiêu đề thể hiện giá trị thực tế của AI trên thiết bị.
Đối với Google, việc buộc SL2T vào buổi ra mắt Pixel 11 phục vụ hai mục đích. Nó mang lại cho phần cứng mới một tính năng đặc biệt mà điện thoại của các đối thủ cạnh tranh thiếu và củng cố thông điệp rằng Gemini, trợ lý AI của Google, đang được đưa vào hệ điều hành ở cấp độ cơ bản. Pixel 11 Pro Fold, với màn hình bên trong lớn hơn, hiển nhiên là ngôi nhà đầu tiên cho một tính năng được hiển thị cho đối tác trò chuyện trên bàn.
Con đường phía trước cho ngôn ngữ ký hiệu AI
Câu hỏi lớn hơn dành cho cộng đồng người khiếm thính và khiếm thính là liệu SL2T có mở rộng ra ngoài một thiết bị duy nhất và một bộ ngôn ngữ ký hiệu hạn chế hay không. Ngôn ngữ ký hiệu của Mỹ có thể là trọng tâm khởi động, nhưng có hàng trăm ngôn ngữ ký hiệu trên toàn thế giới, mỗi ngôn ngữ có cấu trúc và biến thể khu vực riêng. Một mô hình phù hợp với người ký ASL ở Hoa Kỳ có thể ít được sử dụng đối với người dùng Ngôn ngữ ký hiệu Anh, Auslan hoặc LSF.
DeepMind có thành tích bắt đầu thu hẹp và mở rộng quy mô, giống như đã làm với các hệ thống như AlphaFold và các mô hình thời tiết của nó. Nếu SL2T đi theo khuôn mẫu đó thì việc ra mắt Pixel 11 là một động thái mở đầu chứ không phải là một sản phẩm hoàn chỉnh. Phản hồi của cộng đồng từ người dùng khiếm thính, những người có vị trí tốt nhất để đánh giá xem bản dịch có chính xác và tự nhiên hay không, sẽ định hình những gì tiếp theo.
Hiện tại, sự xuất hiện của tính năng dịch ngôn ngữ ký hiệu trên điện thoại đại chúng là một bước tiến đáng chú ý. Nó gợi ý rằng khoảng cách lâu dài giữa khả năng hiểu ngôn ngữ nói của AI và khả năng hiểu ngôn ngữ ký hiệu của nó cuối cùng có thể bắt đầu thu hẹp, từng thiết bị một.
Cập nhật các bản phát hành mô hình mới nhất và sự phát triển AI tại tin tức nóng hổi của AI Buzz Wire.
