據(jù)連線雜志報道，知名語音識別公司科大訊飛卷入的“AI同傳造假”風波依然還在發(fā)酵，引發(fā)了人們關(guān)于AI實時翻譯技術(shù)的更多關(guān)注。不久前，谷歌悄悄改變了Pixel Buds耳機的支持頁面，并寫道:“所有經(jīng)過Google Assistant優(yōu)化的耳機和安卓手機，現(xiàn)在都可以使用谷歌翻譯。”此前，這一功能僅限于Pixel Buds耳機和Pixel手機用戶。盡管谷歌并未大張旗鼓地宣布這個消息，但這個小小的調(diào)整卻值得注意。
要知道其中原因，首先我們來了解下谷歌耳機的歷史。谷歌去年推出了無線耳機Pixel Buds，此前該公司曾大肆宣傳過這款產(chǎn)品，稱其是一款革命性的工具，支持實時翻譯功能。只要輕敲Pixel Buds，說“幫我說”，它就會打開你手機上的谷歌翻譯應(yīng)用。現(xiàn)在，Pixel手機也同樣支持這個功能。
接著，你可以說出句子，谷歌翻譯會在手機上將其翻譯成目標語言，并進行轉(zhuǎn)錄，然后讀出來。理論上，谷歌的新技術(shù)甚至會讓口譯翻譯們擔心丟掉工作。這款產(chǎn)品在舞臺上的實時翻譯演示獲得了巨大成功，但當其開始發(fā)貨時，人們對其似乎產(chǎn)生了懷疑：翻譯的質(zhì)量沒有達到公眾的預(yù)期。
科技網(wǎng)站Tech Insider用十種不同的語言對實時翻譯功能進行了測試。它成功地翻譯了些基本問題，比如“最近的醫(yī)院在哪里”，但當句子變得更復(fù)雜，或者說話人有口音時，翻譯就會出現(xiàn)錯誤。評論員們得出的結(jié)論是，實時翻譯似乎有點兒“欺騙嫌疑”，Google Assistant需要努力理解對它說出的話。
消費技術(shù)資深分析師丹尼爾·格里森（Daniel Gleeson）說:“掌握自然語言是非常困難的。對于谷歌來說，這將是個巨大的成就，而他們實現(xiàn)這個目標的那一天，可以自豪地大聲說出來?！被蛟S有些人可能會說，這可能也是Pixel Buds支持頁面更新的信息被隱藏起來的原因。
谷歌的問題不在于翻譯過程本身，事實上，該公司在過去幾年始終在提升其翻譯應(yīng)用水平。2016年，谷歌將其谷歌翻譯轉(zhuǎn)換為基于深度學習的人工智能（AI）驅(qū)動系統(tǒng)。在此之前，該工具將每個單獨的單詞分別翻譯，并應(yīng)用語言學規(guī)則使句子在語法上保持正確，從而導致了我們非常熟悉的、支離破碎的翻譯效果。另一方面，神經(jīng)網(wǎng)絡(luò)則將句子作為一個整體來考慮，并根據(jù)之前訓練過的大量文本數(shù)據(jù)來猜測正確的輸出結(jié)果。通過機器學習，這些系統(tǒng)能夠考慮句子的上下文，從而提供更準確的翻譯。
整合機器學習是Google Brain團隊的任務(wù)，該團隊是谷歌專門致力于深度學習研發(fā)的部門。Google Brain還將神經(jīng)網(wǎng)絡(luò)應(yīng)用到另一個工具上，這是實時翻譯的關(guān)鍵，但這似乎也導致其容易在語音識別上犯錯。實際上，Google Assistant經(jīng)過了數(shù)小時的語音培訓，它會使用機器學習工具來識別模式，并最終正確地識別出被要求翻譯的內(nèi)容。
那么，如果谷歌在某種程度上成功地將神經(jīng)網(wǎng)絡(luò)應(yīng)用到文本-文本的翻譯中，為什么Google Assistant仍然不能使用相同的技術(shù)精準地進行語音識別呢？劍橋大學自然語言處理研究人員馬西基·霍瓦特（Matic Horvat）說，這一切都歸結(jié)于用來訓練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集。
霍瓦特說:“系統(tǒng)能夠適應(yīng)它們所得到的訓練數(shù)據(jù)集。當你把它介紹給它從未聽過的東西時，語音識別的質(zhì)量就會下降。例如，如果你的訓練數(shù)據(jù)集是會話語音，那么在繁忙的環(huán)境中識別語音效果就不會太好?！?/p>
干擾是任何致力于提高語音識別技術(shù)的計算機科學家的克星。去年，谷歌通過其數(shù)字新聞創(chuàng)新基金會向倫敦初創(chuàng)企業(yè)Trint投資1.5億歐元，該公司在自動語音轉(zhuǎn)錄方面處于領(lǐng)先地位，盡管其算法與谷歌不同。然而，Trint的算法在處理基本的干擾問題上并沒有表現(xiàn)得更好。
事實上，Trint的公司網(wǎng)站專門用了長長的篇幅來介紹如何在安靜環(huán)境中記錄演講內(nèi)容。該公司聲稱，其操作存在5%至10%的誤差，但它明確表示，這適用于安靜環(huán)境的錄音。Trint首席執(zhí)行官杰夫·科夫曼（Jeff Kofman）說:“最大的挑戰(zhàn)是向我們的用戶解釋，我們的表現(xiàn)只能和他們給我們的音頻一樣好。在有回聲、噪音甚至重音的情況下，算法就會出錯?！?/p>
現(xiàn)場演講所帶來的挑戰(zhàn)意味著，在創(chuàng)建神經(jīng)網(wǎng)絡(luò)的過程中，訓練過程是成本最高、耗時最長的部分。而像谷歌對Pixel Buds所做的那樣，只在有限數(shù)量的設(shè)備上支持實時翻譯，當然無助于系統(tǒng)學習。實際上，它處理的語音越多，它可以向算法中添加的數(shù)據(jù)就越多，機器就越能學會識別不熟悉的語音模式。
對于消費技術(shù)資深分析師格里森來說，這是谷歌將該功能擴展到更多硬件的原因之一。他表示:“語音識別中最棘手的問題之一，就是收集足夠的特定口音、俗語、習語數(shù)據(jù)，所有這些都是高度區(qū)域化的。將這個功能僅用于Pixel上，永遠不會讓谷歌接觸到那些區(qū)域化數(shù)據(jù)，進而也無法處理足夠多的數(shù)據(jù)。”
然而，積累數(shù)據(jù)也有不利的一面。表現(xiàn)最好的神經(jīng)網(wǎng)絡(luò)是那些擁有最多數(shù)據(jù)的網(wǎng)絡(luò)，但由于數(shù)據(jù)需要在CPU上處理，CPU的壓力也會隨著信息量的增多而增加。這類CPU還遠未達到與移動設(shè)備完美集成的程度，使得實時語音處理在今天依然無法成為現(xiàn)實。實際上，每次使用Google Assistant時，語音信息都會被發(fā)送到數(shù)據(jù)中心進行外部處理，然后再發(fā)送回用戶的手機上。這些計算工作都不是在本地完成的，因為現(xiàn)有的手機無法存儲神經(jīng)網(wǎng)絡(luò)處理語音所需的龐大數(shù)據(jù)。
霍瓦特說，雖然Google Assistant能夠相當快地完成這一過程，但距離實時語音識別還有很長的路要走。該公司目前面臨的挑戰(zhàn)之一是，如何在手機中整合神經(jīng)網(wǎng)絡(luò)處理，以提高實時翻譯等功能的無縫性。事實上，開發(fā)人員已經(jīng)在致力于開發(fā)適合于高效處理神經(jīng)網(wǎng)絡(luò)的小型外部芯片，這種芯片可以集成到手機中。例如，本月早些時候，華為宣布了一種AI芯片，該公司聲稱其可以在幾分鐘內(nèi)訓練好神經(jīng)網(wǎng)絡(luò)算法。
雖然谷歌有自己的芯片Edge TPU，但它是為企業(yè)用戶而不是智能手機設(shè)計的。對霍瓦特來說，這是它的致命弱點：作為一家軟件公司，谷歌對制造商沒有多少控制權(quán)，無法確保開發(fā)出一種產(chǎn)品，使所有安卓設(shè)備都能使用本地神經(jīng)網(wǎng)絡(luò)處理，與蘋果截然不同。
在不久的將來，谷歌可能被迫采取更小的步驟來改進其語音識別技術(shù)。雖然實時翻譯引來了許多批評，但對于行業(yè)分析師、Counterpoint物聯(lián)網(wǎng)、移動和生態(tài)系統(tǒng)研究主管尼爾·沙赫（Neil Shah）來說，擴展它有益于谷歌參與競爭:“谷歌已經(jīng)獲得20億安卓用戶。隨著越來越多的用戶開始在安卓手機上使用最新的語音交互，它能夠比競爭對手更快地擴大規(guī)模，并接受大量輸入數(shù)據(jù)流的訓練?！?/p>
格里森所也贊同這種看法。無論對實時翻譯的評論是否堅持溫和嘲諷的基調(diào)，谷歌的舉動最終都會帶來顯著的改進。就像所有的AI產(chǎn)品一樣，這個工具同樣需要學習，它進入市場的過程還沒有完成。格里森表示:“人們可能會說，谷歌的實時翻譯運作方式與承諾的不一樣，但這是其實現(xiàn)目標的唯一途徑?！笨谧g翻譯現(xiàn)在不必擔心他們會立馬丟掉工作。
本文來源：網(wǎng)易科技
下載文檔
